# ML-Assignment-2
**Repository Path**: kute1654/ML-Assignment-2
## Basic Information
- **Project Name**: ML-Assignment-2
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No
## Statistics
- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-11-06
- **Last Updated**: 2025-11-13
## Categories & Tags
**Categories**: Uncategorized
**Tags**: None
## README
# Assignment 2: 手写体分类任务
[](https://www.python.org/)
[](http://101.132.193.95:3000)
[](LICENSE)
**📅 截止日期：11月17日** | **🏆 [查看排行榜](http://101.132.193.95:3000)**
---
## 📋 任务概述
> 本次任务是一个手写数字分类任务，要求在 train.npz 训练数据上，基于 Kernel + SVM 实现一个手写体识别模型，模型输入为 28×28像素的灰度手写数字图片，输出为 0~9 共10类数字标签。请实现 SVM 的核心算法逻辑，通过合理的特征工程与参数选择提升模型性能。
### 🎓 作业要求
```
✨ 1. 独立实现 Kernel + SVM 分类模型对手写数字图片进行分类，对比多项式核和高斯核效果。
✨ 2. 根据混淆矩阵，分析当前SVM算法瓶颈。
✨ 3. 独立实现机器学习模型的核心算法逻辑，不得调用任何外部机器学习库。
```
❌ 禁止使用的库
- sklearn / scikit-learn
- tensorflow
- torch / pytorch
- keras
- xgboost
- lightgbm
- catboost
- statsmodels
- libsvm
- liblinear
- shotgun
- thundersvm
- cuml
---
## 📊 数据说明
### 📂 数据集
- **训练集**: `data/train.npz`
### 📌 数据格式
#### 训练集
- `train.npz` 文件包含两个数组：`X_train` 和 `y_train`
- `X_train`：6800张28×28像素的灰度手写数字图片
- `y_train`：图片对应的数字标签，取值范围为 0~9
---
### 🎨 数据示例
下面是一个手写数字"3"的28×28像素灰度图像示例：
**手写数字"3"的像素灰度图**
| 🌟 等级 |
📍 标准 |
💯 得分 |
| 前10%学生 |
leaderboard第10%分位的Accuracy |
20分
(满分) |
| 中间学生 |
在10%分位线和baseline之间 |
6-20分
(线性插值) |
| Baseline |
baseline的Accuracy |
6分
|
| 未提交 |
- |
0分 |
---
## 📂 项目结构
```
📦 project/
┣ 📄 data/train.npz # 训练数据
┣ 🔧 model.py # 模型实现
┣ 🚀 solution.py # 推理接口
┣ 📋 requirements.txt # 依赖库
┣ 🐧 evaluate-linux # Linux评测程序
┣ 🍎 evaluate-macos # macOS评测程序
┗ 🪟 evaluate-win.exe # Windows评测程序
```
> 💡 **Baseline**: Logistic regression模型,你需要实现自己的SVM模型
---
## 💻 模型实现
### 🎨 1. `model.py` - 模型类
```python
class Model:
def __init__(self):
"""初始化模型所需参数、变量或结构（如权重、缓存等）"""
def fit(self, X, y):
"""
模型训练函数
Args:
X: numpy数组, shape (n_samples,H,W)
y: numpy数组, shape (n_samples,)
Returns:
None
"""
# 在此处实现模型训练逻辑（可自由设计模型结构与训练方式）
def predict(self, X):
"""
模型预测函数
Args:
X: numpy数组, shape (n_samples, n_features)
Returns:
numpy数组, shape (n_samples,)
"""
# 在此处实现推理逻辑，返回每个样本的预测类别
```
### 🚀 2. `solution.py` - 推理接口
```python
class Solution:
def __init__(self):
"""初始化推理类，加载并训练模型"""
self.model = Model()
# 可加载训练数据并训练模型
# self.model.fit(X_train, y_train)
def forward(self, sample: np.ndarray) -> dict:
"""
模型推理接口，接收单条样本数据并返回预测结果
Args:
sample: numpy数组, shape (H,W)
Returns:
dict: {'prediction': int}，预测类别
"""
x = sample.reshape(1, -1)
y_pred = self.model.predict(x)
return {"prediction": int(y_pred[0])}
```
---
## ⚙️ 环境要求
**📦 依赖安装**:
```bash
conda create -n ML python=3.8
conda activate ML
pip install -r requirements.txt
```
---
## 🚀 运行评测
### 📥 1. 下载评测程序
📖 点击查看详细步骤
1. 🔗 进入GitHub仓库
2. 🏷️ 点击 [release](https://github.com/LZlzLzzlzl/ML-Assignment-2/releases/tag/v1.0.0) 标签
3. ⬇️ 下载对应系统的文件：
- 🐧 **Linux**: [evaluate-linux](https://github.com/LZlzLzzlzl/ML-Assignment-2/releases/tag/v1.0.0/evaluate-linux)
- 🍎 **macOS**: [evaluate-macos](https://github.com/LZlzLzzlzl/ML-Assignment-2/releases/tag/v1.0.0/evaluate-macos)
- 🪟 **Windows**: [evaluate-win.exe](https://github.com/LZlzLzzlzl/ML-Assignment-2/releases/tag/v1.0.0/evaluate-win.exe)
> ⚠️ **重要**：将下载的评测程序放在**项目根目录**（与solution.py、model.py同级）
### ⚙️ 2. 设置环境变量
**🐧 Linux/macOS:**
```bash
export STUDENT_ID='你的学号'
export STUDENT_NAME='你的姓名'
export STUDENT_NICKNAME='你的昵称'
export MAIN_CONTRIBUTOR='human'(or 'ai')
```
💾 持久化：添加到`~/.bashrc`或`~/.zshrc`
**🪟 Windows:**
```cmd
set STUDENT_ID=你的学号
set STUDENT_NAME=你的姓名
set STUDENT_NICKNAME=你的昵称
set MAIN_CONTRIBUTOR=human(or ai)
```
💾 持久化：系统设置 → 环境变量
### ▶️ 3. 运行评测
**🐧 Linux(ubuntu 24.02)**
```bash
chmod +x evaluate-linux
./evaluate-linux
```
**🍎 macOS**
```bash
chmod +x evaluate-macos
./evaluate-macos
```
> ⚠️ macOS 首次运行提示：若系统提示 “无法打开，因为它来自身份不明的开发者”，请按以下步骤操作：
> 点击弹窗中的 “取消”；
> 打开系统设置（System Settings） → 进入隐私与安全性（Privacy & Security）；
> 在页面下方 “安全” 区域找到 “evaluate-macos 已被阻止打开” 的提示，点击右侧 **“仍要打开”**；
> 在确认窗口中再次点击 “打开”，即可正常运行。
>
**🪟 Windows**
```cmd
evaluate-win.exe
```
---
## 🏆 Leaderboard
### 🌐 访问地址
**🔗 [http://101.132.193.95:3000](http://101.132.193.95:3000)**
---
### ✨ 功能特性
📊 实时排名显示
📈 详细指标展示
🔄 未提交同学显示
⏰ 支持多次提交,以截止日期前的最佳成绩为准
---
### 🎉 祝你取得好成绩！
**📅 记得在11月17日前提交你的最佳成绩！**
---
Made with ❤️ for Machine Learning Education