m0_46553432的博客

实现PCA算法实例2，要求：1、实现手写数字数据集的降维；2、比较两个模型（64维和10维）的准确率；3、对两个模型分别进行10次10折交叉验证，绘制评分对比曲线。机器学习实验：主成分分析法PCA实现手写数字数据集降维和分类...

机器学习实验：主成分分析法PCA的实现主成分分析是最常用的线性降维方法，它的目标是通过某种线性投影，将高维的数据映射到低维的空间中，并期望在所投影的维度上数据的方差最大，以此使用较少的维度，同时保留较多原数据的维度。代码实现：导入相关库import sysdefaultencoding = 'utf-8'from math import *import random as rdimport numpy as np零均值化矩阵"""矩阵dataMat为原始数据集，dataMat

机器学习实验：朴素贝叶斯算法分别使用3种朴素贝叶斯算法对iris()、breast_cancer()和wine()数据集进行训练，并通过比较其分类效果分析不同算法对不同数据集的适用情况。sklearn提供多个朴素贝叶斯分类器，他们的主要区别在于假设了不同的概率分布，下面介绍三种常用的朴素贝叶斯分类器。高斯朴素贝叶斯分类器（GaussianNB）多项式贝叶斯分类器（MultimomialNB）伯努利贝叶斯分类器（BernoulliNB）

机器学习实验：朴素贝叶斯算法实现对iris鸢尾花数据集的分类实验内容：通过sklearn提供的贝叶斯算法模型实现对iris鸢尾花数据集的分类及预测使用PCA降维，并通过matplotlib对决策边进行绘制代码如下：导入相关库import pandas as pdimport numpy as npimport matplotlib.colors as colorsimport matplotlib as mplimport matplotlib.pyplot as pltimp

机器学习实验：朴素贝叶斯算法编程实现朴素贝叶斯算法，并根据如下训练集输出预测结果：预测样本{Outlook=Sunny，Temp=Cool，Humidity=High，Wind=Strong}是否打球。给出代码与运行结果图。 根据给出的算法naivebayes.py，实现：1、将数据集文件naivebayes_data.csv中的数据替换成14天打球与天气数据；2、预测样本{Outlook=Sunny，Temp=Cool，Humidity=High，Windy=Strong}是否打球。

1、使用sklearn的决策树算法对葡萄酒数据集进行分类，要求：划分训练集和测试集（测试集占20%）对测试集的预测类别标签和真实标签进行对比输出分类的准确率调整参数比较不同算法（ID3，C4.5，CART）的分类效果。2、把ID3算法修改为CART，并实现以下例子的分类。

1、编写代码，实现对iris数据集的KNN算法分类及预测，要求：（1）数据集划分为测试集占20%；（2）n_neighbors=5；（3）评价模型的准确率；（4）使用模型预测未知种类的鸢尾花。2、改进模型，要求：（1）数据集划分采用10折交叉验证；（2）寻找最优的n_neighbors值（在5-10之间）；（3）使用新的模型预测未知种类的鸢尾花。待预测未知数据：X1=[[1.5 , 3 , 5.8 , 2.2], [6.2 , 2.9 , 4.3 , 1.3]]k-近邻算法 KNN算法

机器学习实验：一元线性回归-最小二乘法问题如下：使用最小二乘法进行房价预测：给定训练样本集合如下：求解：当房屋面积为55平方时，租赁价格是多少？给出代码与运行结果图。使用最小二乘法进行贷款额度预测：给定训练样本集合如下：求解：当工资18000、年龄30时，额度是多少？给出代码与运行结果图代码实现：1.使用最小二乘法进行房价预测：(1)引入依赖包import numpy as npfrom numpy import matimport matplotlib.pyplo