本研究利用CIFAR-10数据集进行图像分类实验，探索不同算法在小型彩色图像识别中的效能与局限。
使用Cifar-10数据集进行图像分类
CIFAR-10数据集包含60,000张32x32彩色图像，分为10个类别，每个类别的图片数量为6,000张。其中5万张用于训练，其余的1万张用作测试。
该数据集被划分为五个训练批次和一个单独的测试批次，每一个批次包含有10,000张图像。在这些中，测试批次中的每类恰好包含了随机选择出来的1,000个样本；而剩下的图片则以一种随机顺序分布在各个训练批次之中，尽管这样可能会导致某些类别比其他类别拥有更多的图像数量。
数据集的分类包括：飞机、汽车、鸟、猫、鹿、狗、青蛙、马和卡车。这些类目是完全互斥且不重叠的。“汽车”一词涵盖了轿车与越野车等类型，“卡车”则仅指大型货车，而不会包含皮卡车型号。
方法：
1. 导入CIFAR-10数据集。
2. 对导入的数据进行分析和预处理。
3. 应用主成分分析（PCA）对图像特征进行降维。
4. 使用随机森林算法进行分类预测。
5. 利用K近邻(KNN)方法来做出预测结果。
6. 采用逻辑回归模型来进行分类任务。
5星
