1、上周对模型训练时采取了固定的训练集与测试集，不符合规范；在此，改进算法选取方式：1 .规定训练集占总数据集比例为：40%可随时调整numAB=dataSet（l）.Count;numNB=dataSet（2）.Count;trainNum=floor（0.4*（numAB+numNB）;即40%用于训练，60%用于测试2 .引入随机函数ranperm生成固定阈值范围的随机整数colAB=randperm（numAB）;colNB=randperm（numNB）;CiigitTrainAB=colAB（1:floor（trainNum*rateAB）;digitTrainNB=colNB（1:f
2、loor（trainNum*rateNB）;即每次训练模型时，选取的训练集图片内容、顺序都会随机改变。结果分析：结果L测试集总数421；其中AB306,NBII5个预测AB302；出错4个（即将AB中的4个错认为NB）预测NB105；出错10个（即将NB中的10个错认为AB）准确度：95%结果2：测试集总数421；其中AB306,NBlI5个预测AB302；出错4个（即将AB中的4个错认为NB）预测NB113；出错2个（即将NB中的2个错认为AB）准确度：98.48%结果3：测试集总数421；其中AB306,NBlI5个预测AB304；出错2个（即将AB中的2个错认为NB）预测NB114；出错
3、1个（即将NB中的1个错认为AB）准确度：99.24%结果4：测试集总数421；其中AB306,NBlI5个预测AB305；出错1个（即将AB中的1个错认为NB）预测NB103；出错12个（即将NB中的12个错认为AB）准确度：94.62%结果5：测试集总数421；其中AB306,NBII5个预测AB301；出错5个（即将AB中的5个错认为NB）预测NB108；出错7个（即将NB中的7个错认为AB）准确度：96.14%结果6：测试集总数421；其中AB306,NBlI5个预测AB305；出错1个（即将AB中的5个错认为NB）预测NB113；出错2个（即将NB中的7个错认为AB）准确度：98.9
4、7%Emmmm忽然发现可以存好所有样本feature值.然后随机整数作为索引调用省去了每次获取特征的大幅运算时间40%训练量280个训练样本时，50次准确度如下：0.99,0.983,0.979z0.986,0.994z0.973,0.989,0.97,0.973,0.958,0.982,0.986z0.981,0.987,0.962,0.98,0.976,0.917,0.982,0.99,0.947,0.985,0.992,0.986,0.978,0.984z0.985,0.977z0.959,0.947,0.992,0.969,0.982,0.988,0.993,0.962,0.989,0.98,0.976,0.983,0.982,0.981,0979,0.969,0.966,0.967,0.968,0.983,0.986,0.985平均准确度：97.72%
