朝花夕拾

本文通过对不同机器学习分类算法的实验比较，探讨它们在数据集上的性能差异。实验涵盖了常见的分类算法如决策树、支持向量机、逻辑回归等，并通过准确率、召回率等指标进行评估。读者将了解各算法在不同数据集上的表现，以及选择最适合特定任务的算法的重要性。这些比较有助于指导实际项目中的算法选择和优化。

本次实验聚焦支持向量机（SVM）算法在鸢尾花数据集上的分类任务，特别关注加入和未加入松弛因子的分类效果。通过深入了解SVM的原理和参数设置，我首先训练了一个未加入松弛因子的模型，然后引入了松弛因子，以探索其对分类结果的影响。松弛因子允许样本存在于超平面错误的一侧，增加了模型的容错能力，使其对噪声或异常值更具鲁棒性。

本次实验成功实现了人脸识别的核心步骤，运用机器学习算法进行全面学习与应用。首先，通过fetch_olivetti_faces函数加载人脸数据集，并通过PCA算法将数据降维至50维。随后，进行降维后数据的逆转换，得到了重建后的人脸数据，实现了维度还原。在实验过程中，随机选择了一张人脸图片，展示了原始、重建以及模糊后的人脸图像，生动呈现了降维对图像的影响。

本次实验运用逻辑回归算法进行学生考试成绩和录取结果的分类预测，实现了数据可视化、参数初始化、代价函数计算、梯度下降优化、预测和决策边界绘制等关键步骤。数据可视化阶段通过matplotlib库创建散点图，生动展示通过和不通过考试学生在两次考试成绩上的分布特征，直观呈现数据的分布情况。参数初始化和代价函数计算中，将逻辑回归参数初始化为0，定义sigmoid函数和代价函数，用于映射输入值、度量预测与实际标签的差距，以及评估模型准确性。

在实验中探索数据清洗的重要性以及清洗过程中的一些关键步骤，理解数据清洗是一个必要的预处理过程，用来帮助从原始数据中去除不准确、不完整或不适用于模型的记录，以确保所使用的数据是准确、可靠且适合用于模型训练，也可以帮助发现和纠正数据中的错误、缺失和不一致之处，以提高数据的质量和准确性。

​本次实验是一场聚类算法的深度探索之旅，涵盖了K-means、K-medoids、DBSCAN和凝聚聚类等引人注目的算法。K-means通过巧妙的迭代将样本点划分到K个簇，并通过聚类中心的不断更新优化结果。尽管简单高效，但对初始聚类中心选择敏感，K-means++通过独特方式改善了这一问题，显著提升了聚类效果。