交通标志识别应用开发与机器学习实践
1. 应用规划
最终的应用程序将完成数据集解析、集成分类器训练、分类性能评估以及结果可视化等任务，这需要以下几个关键组件：
-main：启动应用程序的主函数例程（位于 chapter6.py 中）。
-datasets.gtsrb：用于解析德国交通标志识别基准（GTSRB）数据集的脚本，包含以下函数：
-load_data：加载 GTSRB 数据集，提取所需特征，并将数据划分为训练集和测试集。
-_extract_features：由 load_data 调用，用于从数据集中提取指定特征。
-classifiers.Classifier：定义所有分类器通用接口的抽象基类。
-classifiers.MultiClassSVM：实现用于多类分类的支持向量机（SVM）集成的类，包含以下公共方法：
-MultiClassSVM.fit：将 SVM 集成拟合到训练数据上，输入为训练数据矩阵（每行是一个训练样本，列包含特征值）和标签向量。
-MultiClassSVM.evaluate：在训练后将 SVM 集成应用于测试数据以评估性能，输入为测试数据矩阵和标签向量，返回三个性能指标：准确率、精确率和召回率。
2. 监督学习
监督学习是机器学习
