10 2021 档案
摘要：KNN实现手写识别 任务介绍 本实例利用sklearn来训练一个K最近邻（k-NearestNeighbor， KNN）分类器，用于识别数据集DBRHD的手写数字。 比较KNN的识别效果与多层感知机的识别效果。 KNN的输人 DBRHD数据集的每个图片是一个由0或1组成的32*32的文本矩阵； KN
阅读全文
摘要：神经网络实现手写识别 任务介绍 手写数字识别是一个多分类问题，共有10个分类，每个手写数字图像的类别标签是0~9中的其中一个数。例如下面这三张图片的标签分别是0，1，2。 任务：利用sklearn来训练一个简单的全连接神经网络，即多层感知机（Multilayer perceptron，MLP）用于识
阅读全文
摘要：图像识别 图像识别（Image Recognition）是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。 图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。机器学习领域一般将此类识别问题转化为分类问题。 手写识别 手写识别是常见的图像识别任务。计算
阅读全文
摘要：岭回归及其应用实例 线性回归 对于一般地线性回归问题，参数的求解采用的是最小二乘法，其目标函数如下： 参数w的求解，也可以使用以下矩阵方法进行： 对于矩阵X，若某些列线性相关性较大（即训练样本中某些属性线性相关），就会导致XTX的值接近0，在计算(XTX)-1时就会出现不稳定性。 结论：传统的基于最
阅读全文
摘要：多项式回归 多项式回归(Polynomial Regression)是研究一个因变量与一个或多个自变量间多项式的回归分析方法。如果自变量只有一个时，称为一元多项式回归；如果自变量有多个时，称为多元多项式回归。 一元m次多项式回归方程 二元二次多项式回归方程 在一元回归分析中，如果依变量y与自变量X的
阅读全文
摘要：线性回归 线性回归（Linear Regression）是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。 线性回归利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一个自变
阅读全文
摘要：上证指数涨跌预测 数据介绍：网易财经上获得的上证指数的历史数据，爬取了150天的上证指数数据。 实验目的：根据给出当前时间前150天的历史数据，预测当天上证指数的涨跌。 技术路线：sklearn.svm.svc 数据实例：中核科技1990年到2017年的股票数据部分截图，红框部分为选取的特征值。 文
阅读全文
摘要：运动状态 - 程序编写 算法流程 需要从特征文件和标签文件中将所有数据加载到内存中，由于存在缺失值，此步骤还需要进行简单的数据预处理。 创建对应的分类器,并使用训练数据进行训练。 利用测试集预测，通过使用真实值和预测值的比对，计算模型整体的准确率和召回率，来评测模型。 编写 模块导入 导人numpy
阅读全文
摘要：K近邻分类器(KNN) KNN：通过计算待分类数据点，与已有数据集中的所有数据点的距离。取距离最小的前K个点，根据“少数服从多数”的原则，将这个数据点划分为出现次数最多的那个类别。 举例：计算待分类点Xu和样本数据中每个点的距离，最近的K个样本点，大多数属于红色类别，所以Xu就被分为红色。 skle
阅读全文
摘要：背景介绍 可穿戴式设备的流行，让我们可以更便利地使用传感器获取人体的各项数据,甚至生理数据。 当传感器采集到大量数据后，我们就可以通过对数据进行分析和建模，通过各项特征的数值进行用户状态的判断，根据用户所处的状态提供给用户更加精准、便利的服务。 数据介绍 我们现在收集了来自A，B，C，D，E，5位用
阅读全文
摘要：监督学习的目标 利用一组带有标签的数据，学习从输人到输出的映射，然后将这种映射关系应用到未知数据上，达到分类或回归的目的。 分类：当输出是离散的，学习任务为分类任务。 回归：当输出是连续的，学习任务为回归任务。 分类 分类任务： 分类学习 输人：一组有标签的训练数据（也称观察和评估)，标签表明了这些
阅读全文
摘要：图像分割 图像分割：利用图像的灰度、颜色、纹理、形状等特征，把图像分成若干个互不重叠的区域，并使这些特征在同一区域内呈现相似性，在不同的区域之间存在明显的差异性。然后就可以将分割的图像中具有独特性质的区域提取出来用于不同的研究。 图像分割技术已在实际生活中得到广泛的应用。例如：在机车检验领域，可以应
阅读全文
摘要：NMF方法及实例 非负矩阵分解（NMF） 非负矩阵分解(Non-negative Matrix Factorization，NMF)是在矩阵中所有元素均为非负数约束条件之下的矩阵分解方法。 基本思想：给定一个非负矩阵V，NMF能够找到一个非负矩阵W和一个非负矩阵H，使得矩阵W和H的乘积近似等于矩阵V
阅读全文
摘要：PCA方法及其应用 主成分分析(PCA) 主成分分析(Principal Component Analysis, PCA）是最常用的一种降维方法，通常用于高维数据集的探索与可视化，还可以用作数据压缩和预处理等。 PCA可以把具有相关性的高维变量合成为线性无关的低维变量，称为主成分。主成分能够尽可能保
阅读全文
