在 MNIST 数据集上进行手写数字识别任务,我们可以使用两种不同的机器学习算法:
- 支持向量机 (SVM)
支持向量机 (SVM) 是一种二分类和多分类的机器学习算法,可以用于手写数字识别任务。它通过找到一条将样本分类的最大距离的超平面来进行分类。
参数设置:
- C: 惩罚系数,用于控制模型的复杂度。C 越大,模型越复杂。
- Kernel: 核函数,用于在高维空间中将低维数据映射到高维空间。常见的核函数包括线性核、多项式核和高斯核。
- Gamma: 在高斯核中使用的参数,用于控制核的广度。Gamma 越大,模型越复杂。
性能指标:
- 准确率 (Accuracy):模型预测正确的样本数与总样本数之比。
- 精确率 (Precision):模型预测为正的样本中真正为正的样本数与模型预测为正的样本数之比。
- 召回率 (Recall):真正为正的样本中模型预测为正的样本数与真正为正的样本数之比。
- 神经网络 (NN)
神经网络 (NN) 是一种模仿人类神经系统的机