# 使用集成学习优化KNN 算法识别猫狗

**Repository Path**: xv514/ensemble-learning

## Basic Information

- **Project Name**: 使用集成学习优化KNN 算法识别猫狗
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-11-04
- **Last Updated**: 2025-11-04

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 使用集成学习优化“KNN 算法识别猫狗”

## 项目描述
本项目基于集成学习算法和 Faiss 库，实现了一个高精度的猫狗图像分类系统。系统通过多种机器学习模型的集成策略，提升了传统 KNN 算法的分类性能，并提供了便捷的 Web 交互界面供用户使用。

## 功能
本项目实现了以下功能：
--用集成学习算法（包括投票机制、Bagging、Boosting、Stacking 等）实现猫狗分类
--仅使用 flat 特征提取方法和 CPU 运行模式，简化操作流程
--自动训练并保存准确率最高的集成模型
--提供 Gradio 网页应用，支持图片上传和实时分类

## 依赖
本项目依赖以下库：
 - numpy
 - faiss
 - sklearn
 - gradio
 - logging
 - tqdm
 - cv2
 - os
 - PIL
 - joblib
 - tensorflow

## 使用
1. 安装依赖库
```bash
pip install numpy faiss-cpu scikit-learn gradio logging tqdm opencv-python pillow joblib tensorflow
```
2. 模型训练
运行训练脚本生成并保存最佳集成模型：
```bash
python train_ensemble.py
```
训练过程会自动使用 flat 特征提取方法和 CPU 模式
程序会训练多种基础模型和集成模型，并输出各模型的性能指标
训练完成后，最佳模型将保存为best_model.pkl，标准化器保存为scaler.pkl
训练过程约需 2 小时，请在本地电脑完成

3. 启动 Web 应用
使用训练好的模型启动交互界面：
```bash
python ensumble_webapp.py
```
 - 应用启动后，访问本地地址（默认http://127.0.0.1:7860）即可使用
 - 支持拖放或点击上传图片，系统会自动识别并返回分类结果及置信度

## 项目结构
1.train_ensemble.py：训练脚本，用于训练多种模型并保存最佳集成模型
2.ensumble_webapp.py：Web 应用脚本，基于 Gradio 部署模型
3.util.py：工具函数，包含图像处理和特征提取功能
4.FaissKNeighbors.py：Faiss 库实现的 KNN 分类器
5.best_model.pkl：训练生成的最佳模型（自动生成）
6.scaler.pkl：数据标准化器（自动生成）

## 训练过程说明
训练脚本会执行以下步骤：
1.加载并预处理图像数据（使用 flat 特征提取）
2.分割训练集和测试集（8:2 比例）
3.训练多种基础模型（逻辑回归、随机森林、SVM 等）
4.训练集成模型（投票分类器、Bagging、Boosting 等）
5.评估所有模型性能（准确率、训练时间、预测时间）
6.保存性能最佳的模型和标准化器

## 注意
- 本项目使用 Python 3.8 及以上版本开发测试
- 训练前请确保训练数据存放于./date2/train2目录，且文件命名符合 "cat.xxx" 或 "dog.xxx" 格式
- 首次运行会生成特征缓存文件（X.pkl 和 y.pkl），后续运行将直接加载以提高效率
- Gradio 可能存在版本兼容性问题，建议使用 3.x 版本
## 个人信息
- 学号: 202352320224
- 年级: 2023
- 专业: 智能科学与技术
- 班级: 2班