(4.3)（支持度）：指的是數(shù)據(jù)集中屬于該類別的樣本數(shù)量。在計算分類指標(biāo)時，支持度被用來計算加權(quán)平均值，而不會直接影響分類指標(biāo)的計算。四種算法的效率對比在本次實驗中，為保證個實驗算法的可比度，四種算法使用同一數(shù)據(jù)集進(jìn)行訓(xùn)練和設(shè)計，訓(xùn)練樣本數(shù)量都為60000張，測試樣本均為10000張，對四種算法設(shè)計的識別系統(tǒng)一一進(jìn)行測試集驗證得到以下結(jié)果：CNN模型在對MNIST測試集的測試準(zhǔn)確率上有極好的表現(xiàn)，在訓(xùn)練次數(shù)為2000次時其準(zhǔn)確率高達(dá)98.16%，結(jié)果如圖4.19所示：圖4.179卷積神經(jīng)網(wǎng)絡(luò)測試準(zhǔn)確率SVM算法訓(xùn)練時不設(shè)置訓(xùn)練次數(shù)，其以2000為步長訓(xùn)練60000張圖片后輸出模型，在MNIST測試集上的準(zhǔn)確率達(dá)到了97.72%，如圖4.20所示。相比CNN模型略有降低，但仍然表現(xiàn)出較好的識別能力。圖4.20支持向量機(jī)測試準(zhǔn)確率BP神經(jīng)網(wǎng)絡(luò)模型在訓(xùn)練次數(shù)為2000次時，在MNIST測試集上的準(zhǔn)確率達(dá)到了97%，如圖4.21所示。相比CNN和SVM模型略有降低，但依然有較好的識別性能。圖4.21BP神經(jīng)網(wǎng)絡(luò)測試準(zhǔn)確率NBC算法在訓(xùn)練時也不設(shè)置訓(xùn)練次數(shù)，只根據(jù)樣本數(shù)為60000張計算后驗概率；在測試MNIST測試集圖像的過程中，準(zhǔn)確率略低于CNN和SVM，達(dá)到了83.58%，如圖4.22所示。圖4.22樸素貝葉斯分類器測試準(zhǔn)確率四種算法在手寫數(shù)字識別時都有較好的表現(xiàn)，但準(zhǔn)確率上存在一定的差異，在測試同一數(shù)據(jù)集且測試數(shù)據(jù)數(shù)都為10000張時所表現(xiàn)出的效果不同，準(zhǔn)確率對比如圖4.2所示。表4.2四種算法準(zhǔn)確率對比算法CNNSVMBP神經(jīng)網(wǎng)絡(luò)NBC準(zhǔn)確率（%）98.1297.7297.0083.58通過實驗結(jié)果可知，CNN算法模型在手寫數(shù)字識別任務(wù)中表現(xiàn)出更好的性能，具有更高的識別準(zhǔn)確率和更強(qiáng)的泛化能力。相比之下，SVM，NBC和BP神經(jīng)網(wǎng)絡(luò)模型雖然準(zhǔn)確率稍低，但仍然具有一定的識別能力，尤其適用于一些對計算資源有限或需要快速部署的場景。結(jié)論與展望結(jié)論由實驗輸出結(jié)果對比分析我們可知，四種算法在手寫數(shù)字識別上都有不錯的表現(xiàn)，通過對實驗中所有的表格和圖片的比較后得出以下結(jié)論：基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型在手寫數(shù)字識別任務(wù)中表現(xiàn)出極好的性能，具有更高的識別準(zhǔn)確率和更強(qiáng)的泛化能力，是四種算法中識別效率最佳一種。支持向量機(jī)模型雖然準(zhǔn)確率略低，因其是非概率二次規(guī)劃分類器，若樣本數(shù)過高，訓(xùn)練和識別時間有明顯升高，運(yùn)行速度慢，適用于一些對計算資源有限或需要快速部署的場景。反向傳播神經(jīng)網(wǎng)絡(luò)是比較傳統(tǒng)的手寫數(shù)字識別方法，和支持向量機(jī)設(shè)計的識別模型性能相當(dāng)，但低于卷積神經(jīng)網(wǎng)絡(luò)。樸素貝葉斯分類器是四種算法中識別能力最差的一種方法，因為該算法的邏輯十分的簡單，但算法穩(wěn)定且仍然具有一定的識別能力。若數(shù)據(jù)集的獨立性不高，識別準(zhǔn)確率會有明顯下降。展望在本次手寫數(shù)字識別實驗的完成過程中引發(fā)了無數(shù)思考，結(jié)合目前的研究現(xiàn)狀來看手寫數(shù)字識別未來的研究可以從以下幾個方面展開：進(jìn)一步優(yōu)化深度學(xué)習(xí)模型的結(jié)構(gòu)和參數(shù)，如卷積層和池化層的數(shù)量，提高識別性能和泛化能力。根據(jù)算法的不同探索合適的特征提取方法和新的模型構(gòu)建方法，提高手寫數(shù)字識別的效率和魯棒性。對比結(jié)合深度學(xué)習(xí)和傳統(tǒng)機(jī)器學(xué)習(xí)方法，棄其糟粕取其精華，構(gòu)建更加高效的識別系統(tǒng)，實現(xiàn)更廣泛的應(yīng)用場景。增加UI界面的功能，提高系統(tǒng)的實用性，性能以及易用性等，如設(shè)計軟件的反饋功能使其更好進(jìn)行維護(hù)。通過不斷地研究和探索，相信手寫數(shù)字識別技術(shù)將在未來發(fā)展出更加成熟和完善的解決方案，為人工智能和自動識別領(lǐng)域的發(fā)展做出更大的貢獻(xiàn)。參考文獻(xiàn)貫宸，楊云峰.基于四種算法下的手寫數(shù)字識別準(zhǔn)確率對比[J].新型工業(yè)化，2020，10（7）：1-3.肖馳．四種機(jī)器學(xué)習(xí)算法在MNIST數(shù)據(jù)集上的對比研究［J］．智能計算機(jī)與應(yīng)用，2020，10(12):185－188．黃睿,陸許明,鄔依林.基于TensorFlow深度學(xué)習(xí)手寫體數(shù)字識別及應(yīng)用[J].電子技術(shù)應(yīng)用,2018,44(10):6-10.何帥.卷積神經(jīng)網(wǎng)絡(luò)在手寫數(shù)字識別中的應(yīng)用[J].電腦知識與技術(shù)，2020，16(21):13-15.陳通，周曉輝.基于BP神經(jīng)網(wǎng)絡(luò)的深層感知器預(yù)測模型［J］.計算機(jī)與數(shù)字工程，2019，47（12）：2978-2981.王斌.基于樸素貝葉斯算法的垃圾郵件過濾系統(tǒng)的研究與實現(xiàn)[J].電子設(shè)計工程,2018,26(17):171-174.黃獻(xiàn)通.基于深度學(xué)習(xí)的手寫數(shù)字識別研究及應(yīng)用[D].曲阜:曲阜師范大學(xué),2018.高磊,洪奔奔,姚青岐.基于卷積神經(jīng)網(wǎng)絡(luò)的隨機(jī)手寫數(shù)字識別[J].軟件,2018,39(9):74-78.石會芳.支持向量機(jī)及其在手寫數(shù)字識別中的應(yīng)用[D].重慶:重慶大學(xué),2013.肖文鵬．用PyQt進(jìn)行Python下的GUI開發(fā)［J］．中文信息:程序春秋，2002(07):73－75．KＲIZHEVSKYA，SUTSKEVEＲI，HINTONGE．ImageNetclassificationwithdeepconvolutionalneuralnetworks［C］//InternationalConferenceonNeuralInformationProcessingSystems．Doha，Qatar:CurranAssociatesInc．，2012:1097–1105．SIMONYANK，ZISSEＲMANA．Verydeepconvolutionalnetworksforlarge－scaleimagerecognition［J］．CoＲＲabs/1409．