29、基于卷积神经网络的图鲁文手写字符识别

基于卷积神经网络的图鲁文手写字符识别

1. 数据集与模型训练

1.1 数据集划分

本次使用的数据集包含 90,000 张图像，按照 60%、20%、20% 的比例划分为训练集、测试集和验证集。具体而言，训练集使用了 54,000 张图像，测试集和验证集分别使用 18,000 张图像。

1.2 模型训练

采用 VGGNet 架构的深度卷积神经网络（DCNN）模型进行训练。在经过 15 个训练周期后，该模型在验证数据集上达到了 92.41% 的准确率。通过观察训练准确率和验证准确率的变化曲线，可以发现模型既没有出现欠拟合也没有出现过拟合的情况，因为两者的变化趋势基本一致。

2. 模型评估

2.1 评估指标

为了全面评估模型的性能，使用了混淆矩阵、精确率矩阵和召回率矩阵等指标进行评估。
- 精确率（Precision） ：是指预测为正例的样本中真正为正例的比例，计算公式为精确率 = 真正例数 / （真正例数 + 假正例数）。
- 召回率（Recall） ：是指所有正例样本中被正确预测为正例的比例，计算公式为召回率 = 真正例数 / （真正例数 + 假反例数）。

2.2 评估结果可视化

通过绘制混淆矩阵，可以直观地看到模型的误分类情况。同时，精确率矩阵和召回率矩阵也以可视化的形式呈现，帮助我们更清晰地了解模型在不同类别上的性能表现。

2.3 与传统机器学习算法对比

将该模型与一些传统的机器学习算法进行了对比，包括