![\"\"](\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3879592%2Fe49622b9009e00a22837595a850fbe04%2F4_grid.PNG?generation=1573475961909240&alt=media\")
```\nfrom sklearn.model_selection import train_test_split\nfrom imutils import paths\nimport numpy as np\nimport imutils \nimport cv2 \nimport os\nimport glob\nimport matplotlib.pyplot as plt
\n\nimport warnings\nwarnings.filterwarnings('ignore')\n```
\n\n> - os의 listdir을 이용해 파일 목록(파일명)을 읽어들여 cat과 dog를 분리한다.(lable 구별)
\n\n> - RGB 컬러 영상과 Grayscale 흑백 영상 모두를 이용해봤는데 성능 면에서 큰 차이가 없어 연산량이 훨씬 적은 흑백 영상 이용
\n\n2-1. 학습 데이터 준비\n```\ndataset_train = \"/content/input2/train/train/\"
\n\nimgs_train = []\nlabel_train = []
\n\nfor img_path in os.listdir(dataset_train):\n if str.find(img_path, 'cat'):\n label_train.append(0)\n else:\n label_train.append(1)\n img = cv2.imread(dataset_train+img_path)\n data = cv2.resize(cv2.cvtColor(img,cv2.COLOR_BGR2GRAY), (32, 32))\n data = np.reshape(data, -1)\n imgs_train.append(data)
\n\n```\n2-2. 데이터 셋 서브 샘플링 & Train-Validation 나누기
\n\n> - StandardScaler를 사용해 각 틍성의 분산이 1이 되도록 스케일 조정\n> - train 시 75%를 다 사용하게 되면 학습시간이 너무 오래걸려 10%만 사용
\n\n```\nfrom sklearn.preprocessing import StandardScaler, MinMaxScaler
\n\nx_train, x_test, y_train, y_test = train_test_split(imgs_train, label_train, test_size=0.10, random_state=42)
\n\nscaler = StandardScaler()
\n\nx_train = scaler.fit_transform(x_train)\nx_test = scaler.fit_transform(x_test)\n\n2-3. 테스트 데이터 준비\n\ndataset_test = \"/content/input2/test1/test1/\"
imgs_test = []\ntest_id = []
\n\nfor img_path in os.listdir(dataset_test):\n iid, _ = img_path.split('.')\n iid = int(iid)\n test_id.append(iid)\n img = cv2.imread(dataset_test+img_path)\n data = cv2.resize(cv2.cvtColor(img,cv2.COLOR_BGR2GRAY), (32, 32))\n data = np.reshape(data, -1)\n imgs_test.append(data)\n```
\n\n> - Classifier로 SVM사용\n> - Grid Search를 통해 파라미터 설정
\n\n```\nfrom sklearn.metrics import classification_report\nfrom sklearn.svm import SVC\nfrom sklearn.model_selection import GridSearchCV
\n\nclf = SVC(kernel='rbf', class_weight='balanced', random_state=42)
\n\nparam_grid = {'C':[0.01, 0.1, 0.5, 1, 5, 10], 'gamma':[0.01, 0.1,1, 5,10, 50]}
\n\nclf = GridSearchCV(clf, param_grid, cv=3)
\n\nclf.fit(x_test, y_test)
\n\nmodel = clf.best_estimator_
\n\nprint(clf.best_params_)
\n\ny_predict = model.predict(x_test)
\n\nscore = classification_report(y_test, y_predict)\n```\n
\nresult = model.predict(imgs_test)\nresult\nprint(score)\n\n![\"\"](\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3879592%2F570ae299d59a93aaa86770c22a8c0966%2F4_result.PNG?generation=1573475828067918&alt=media\")
> - Pandas의 DataFrame을 csv 파일로 저장시 'header=False' 옵션을 선택하면 DataFrame의 Index 명 과 Column 명이 날라가기 때문에 원 코드 그대로 케글에 전송할 시 오류가 난다\n> - 따라서 'header=False' 옵션을 그대로 쓰거나 'header=True' 옵션을 쓰는 두가지 방법이 있는데 필자는 전자를 사용하였다.\n> - 'header=False' 옵션을 선택하면 강제로 'id' 와 'lable'을 index와 column의 value로 넣어줘야되는 trick을 써야 된다.
\n\n```\nimport pandas as pd\nresult = result\nprint(result.shape)\nprint(result)\ndf = pd.DataFrame(result)\ndf.index = df.index+1\ndf = df.replace('dog',1)\ndf = df.replace('cat',0)
\n\nprint(df)\nf = ['label']\ndf2 = pd.DataFrame(f,index=['id'])
\n\nprint(df2)\ndf3 = df2.append(df)\nprint(df3)\ndf3.to_csv('results-sm-v6.csv',index=True, header=False)\n! kaggle competitions submit -c 2019-fall-pr-project -f results-sm-v6.csv -m \"smwi-1102\"\n```\ndf\n![\"\"](\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3879592%2F391e0981c0d79c7e94d85fcbe9be73d5%2F4_df.PNG?generation=1573479724054066&alt=media\")
\ndf2\n![\"\"](\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3879592%2F80de08660c286a555edd64adf5e51e24%2F4_df2.PNG?generation=1573479773368128&alt=media\")
\ndf3\n![\"\"](\"https://www.googleapis.com/download/storage/v1/b/kaggle-user-content/o/inbox%2F3879592%2Fe25e4a9843d37f0dc0cb86397524bd6e%2F4_df3.PNG?generation=1573479809042305&alt=media\")
```\nfrom sklearn.model_selection import train_test_split\nfrom imutils import paths\nimport numpy as np\nimport imutils \nimport cv2 \nimport os\nimport glob\nimport matplotlib.pyplot as plt
\n\nimport warnings\nwarnings.filterwarnings('ignore')\n```
\n\n> - os의 listdir을 이용해 파일 목록(파일명)을 읽어들여 cat과 dog를 분리한다.(lable 구별)
\n\n> - RGB 컬러 영상과 Grayscale 흑백 영상 모두를 이용해봤는데 성능 면에서 큰 차이가 없어 연산량이 훨씬 적은 흑백 영상 이용
\n\n2-1. 학습 데이터 준비\n```\ndataset_train = \"/content/input2/train/train/\"
\n\nimgs_train = []\nlabel_train = []
\n\nfor img_path in os.listdir(dataset_train):\n if str.find(img_path, 'cat'):\n label_train.append(0)\n else:\n label_train.append(1)\n img = cv2.imread(dataset_train+img_path)\n data = cv2.resize(cv2.cvtColor(img,cv2.COLOR_BGR2GRAY), (32, 32))\n data = np.reshape(data, -1)\n imgs_train.append(data)
\n\n```\n2-2. 데이터 셋 서브 샘플링 & Train-Validation 나누기
\n\n> - StandardScaler를 사용해 각 틍성의 분산이 1이 되도록 스케일 조정\n> - train 시 75%를 다 사용하게 되면 학습시간이 너무 오래걸려 10%만 사용
\n\n```\nfrom sklearn.preprocessing import StandardScaler, MinMaxScaler
\n\nx_train, x_test, y_train, y_test = train_test_split(imgs_train, label_train, test_size=0.10, random_state=42)
\n\nscaler = StandardScaler()
\n\nx_train = scaler.fit_transform(x_train)\nx_test = scaler.fit_transform(x_test)\n\n2-3. 테스트 데이터 준비\n\ndataset_test = \"/content/input2/test1/test1/\"
imgs_test = []\ntest_id = []
\n\nfor img_path in os.listdir(dataset_test):\n iid, _ = img_path.split('.')\n iid = int(iid)\n test_id.append(iid)\n img = cv2.imread(dataset_test+img_path)\n data = cv2.resize(cv2.cvtColor(img,cv2.COLOR_BGR2GRAY), (32, 32))\n data = np.reshape(data, -1)\n imgs_test.append(data)\n```
\n\n> - Classifier로 SVM사용\n> - Grid Search를 통해 파라미터 설정
\n\n```\nfrom sklearn.metrics import classification_report\nfrom sklearn.svm import SVC\nfrom sklearn.model_selection import GridSearchCV
\n\nclf = SVC(kernel='rbf', class_weight='balanced', random_state=42)
\n\nparam_grid = {'C':[0.01, 0.1, 0.5, 1, 5, 10], 'gamma':[0.01, 0.1,1, 5,10, 50]}
\n\nclf = GridSearchCV(clf, param_grid, cv=3)
\n\nclf.fit(x_test, y_test)
\n\nmodel = clf.best_estimator_
\n\nprint(clf.best_params_)
\n\ny_predict = model.predict(x_test)
\n\nscore = classification_report(y_test, y_predict)\n```\n
\nresult = model.predict(imgs_test)\nresult\nprint(score)\n\n
> - Pandas의 DataFrame을 csv 파일로 저장시 'header=False' 옵션을 선택하면 DataFrame의 Index 명 과 Column 명이 날라가기 때문에 원 코드 그대로 케글에 전송할 시 오류가 난다\n> - 따라서 'header=False' 옵션을 그대로 쓰거나 'header=True' 옵션을 쓰는 두가지 방법이 있는데 필자는 전자를 사용하였다.\n> - 'header=False' 옵션을 선택하면 강제로 'id' 와 'lable'을 index와 column의 value로 넣어줘야되는 trick을 써야 된다.
\n\n```\nimport pandas as pd\nresult = result\nprint(result.shape)\nprint(result)\ndf = pd.DataFrame(result)\ndf.index = df.index+1\ndf = df.replace('dog',1)\ndf = df.replace('cat',0)
\n\nprint(df)\nf = ['label']\ndf2 = pd.DataFrame(f,index=['id'])
\n\nprint(df2)\ndf3 = df2.append(df)\nprint(df3)\ndf3.to_csv('results-sm-v6.csv',index=True, header=False)\n! kaggle competitions submit -c 2019-fall-pr-project -f results-sm-v6.csv -m \"smwi-1102\"\n```\ndf\n\ndf2\n\ndf3\n