7、数据处理与模型性能评估

数据处理与模型性能评估

1. 数据处理

1.1 图像像素颜色值读取

在处理图像时，我们可以通过嵌套循环遍历图像的行和列来读取每个像素的颜色值。代码如下：

size_t i{0};
for (long r = 0; r < img.nr(); ++r) {
  for (long c = 0; c < img.nc(); ++c) {
    ch1[i] = img[r][c].red;
    ch2[i] = img[r][c].green;
    ch3[i] = img[r][c].blue;
    ++i;
  }
}

这样可以得到三个包含颜色通道值的容器，可分别用于初始化灰度图像或矩阵对象，以便进行图像处理或线性代数运算。

1.2 数据归一化

数据归一化是机器学习中至关重要的预处理步骤，它能将多尺度的数据转换到相同的尺度。不同特征值可能具有不同的尺度，这会对许多机器学习算法产生显著影响。例如，在基于欧几里得距离的分类算法中，特征值差异较大的特征可能会主导其他特征。一些算法，如支持向量机（SVM）和神经网络，通常需要归一化的输入数据。此外，数据归一化还会影响优化算法的收敛速度。

常见的归一化方法有标准化、最小 - 最大归一化和均值归一化：
- 标准化 ：使数据的均值为 0，标准差为 1。公式为：（此处原文档公式缺失，可补充为 (z = \frac{x - \mu}{\sigma})，其中 (x) 是原始向量，(\mu) 是均值，(\sigma) 是