项目概述

本项目实现了一个基于 SVM 的手写数字识别模型，提供模型训练、评估和诊断功能。使用 MNIST 数据集进行训练和测试，支持 HOG 特征提取和模型集成策略。

主要功能

模型训练

• 特征提取：支持 HOG（方向梯度直方图）特征提取，能够有效捕捉图像中的局部形状信息。
• 模型集成：采用 Stacking 集成学习策略，结合多个 SVM 模型提高分类性能。
• 参数优化：使用网格搜索自动优化模型参数，确保模型性能最优。

模型评估

• 性能指标：提供精确度、召回率、F1 分数和准确率等分类指标。
• 混淆矩阵：可视化混淆矩阵，直观展示模型在各个类别上的分类情况。
• 分类报告：生成详细的分类报告，帮助分析模型在不同类别上的表现。

模型诊断

• 学习曲线分析：评估模型在不同训练数据规模下的训练和测试表现，判断是否存在过拟合或欠拟合。
• 特征重要性分析：识别模型中关键特征，帮助理解模型决策依据。
• 决策边界可视化：通过 PCA 降维展示模型决策边界，直观展示模型分类区域。
• 预测置信度分析：分析模型在正确和错误预测上的置信度分布，评估模型预测的可靠性。

使用指南

环境依赖

• Python 3.6+
• NumPy
• SciPy
• Scikit-learn
• Matplotlib
• Joblib

联系方式

如需进一步帮助，请联系 [2924418812@qq.com]。