猫狗分类任务中朴素贝叶斯与循环神经网络的性能比较的代码

在猫狗分类任务中，朴素贝叶斯（Naive Bayes）模型和循环神经网络（Recurrent Neural Networks, RNNs）是两种常见的机器学习模型。朴素贝叶斯简单易懂，尤其适合处理高维特征的数据，比如图像数据，而RNN则擅长处理序列数据，例如时间序列或自然语言。

为了比较这两种模型的性能，你需要编写一些代码：

# 导入所需库
from sklearn.model_selection import train_test_split
import numpy as np
from keras.models import Sequential
from keras.layers import Dense, LSTM, Dropout
from keras.utils import to_categorical
from sklearn.naive_bayes import GaussianNB

# 加载数据集（例如使用Keras的ImageDataGenerator加载）
(x_train, y_train), (x_test, y_test) = ... # 假设已经预处理好的猫狗图片数据

# 数据预处理
x_train = x_train.astype('float32') / 255.
x_test = x_test.astype('float32') / 255.
y_train = to_categorical(y_train, num_classes=2)
y_test = to_categorical(y_test, num_classes=2)

# 朴素贝叶斯模型
gnb = GaussianNB()
gnb.fit(x_train, y_train)
nb_pred = gnb.predict(x_test)

# 循环神经网络模型
rnn_model = Sequential([
    LSTM(128, input_shape=(img_height, img_width, 1)),
    Dropout(0.2),
    Dense(64, activation='relu'),
    Dropout(0.2),
    Dense(2, activation='softmax')
])
rnn_model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
rnn_model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

# 计算性能指标
nb_accuracy = accuracy_score(y_test.argmax(axis=1), nb_pred.argmax(axis=1))
rnn_accuracy = rnn_model.evaluate(x_test, y_test)[1]

print("朴素贝叶斯模型准确率:", nb_accuracy)
print("循环神经网络模型准确率:", rnn_accuracy)