- 博客(23)
- 收藏
- 关注
RSS订阅原创 机器学习实验报告——线性回归和分类
通过线性回归模型，我们可以得到特征（如时间、消费指数等）与目标变量（如物价）的关系。在上述场景中，目标变量（如是否患病、是否流失、是否为垃圾邮件）都是二元的，这使得逻辑回归成为一个合适的选择。在上述场景中，目标变量（如房价、销售额、温度等）都是连续的数值，这使得线性回归成为一个合适的选择。通过对比两种模型在特定数据集上的表现，加深对机器学习算法的理解，并学习如何评估模型的性能。垃圾邮件分类：根据邮件内容的特征（如词频、链接数量等）预测邮件是否为垃圾邮件。对数据进行必要的清洗和转换，如缺失值处理、标准化等。
2024-07-30 19:12:01
1129
原创 机器学习实验报告——模型评估
实验名称：模型评估实验目的：1. 学习数据集的生成和划分方法。2. 掌握交叉验证和自助法的基本概念和实现。3. 学习使用逻辑回归模型进行分类、预测及评估。4. 使用评估指标（如精确率、召回率、准确率）对模型进行评估。5. 通过数据可视化展示模型的分类效果。实验步骤与要求：1. 数据集生成与划分2. 交叉验证3. 自助法4. 模型训练与预测5. 模型评估6. 数据可视化（例如：你认为这个实验可以应用到的现实场景，为什么可以应用？
2024-07-30 19:08:11
930
原创 机器学习实验报告——逻辑回归
实验目的：1. 学习数据预处理和特征工程方法。2. 掌握逻辑回归算法的基本原理和实现。3. 理解模型训练、验证和测试的过程。4. 使用不同的评价指标对模型进行评估。5. 通过数据可视化展示模型效果。实验步骤与要求：1. 数据集预处理与特征工程数据集导入：选择一个适合分类任务的数据集（如Iris数据集、客户购买预测数据等）。数据预处理：处理缺失值、去除异常值等，确保数据质量。特征工程：对数据进行特征选择、特征变换（如独热编码、特征缩放等）。2. 逻辑回归算法实现。
2024-07-29 19:46:18
1378
原创 机器学习实验报告——朴素贝叶斯
朴素贝叶斯模型的简单性和高效性使其成为许多实际问题的首选方法之一，尤其是在数据量大、特征独立性高或需要快速原型开发的场景中表现突出。
2024-07-29 19:39:52
1439
原创 机器学习实验报告——集成回归与分类2
本实验通过使用集成学习中的 Bagging 和 Gradient Boosting 方法，展示了它们在回归和分类任务中的应用，并通过可视化和评估指标展示了它们的预测能力和效果。
2024-07-28 18:14:41
714
原创 机器学习实验报告——集成回归与分类1
学习随机森林和Adaboost两种集成学习算法。掌握在回归和分类任务中应用这两种算法的基本步骤。评估和可视化机器学习模型的性能。数据集生成与预处理使用`make_regression`生成回归数据集，并进行训练集和测试集的划分。使用`make_classification`生成分类数据集，并进行训练集和测试集的划分。回归任务1. 随机森林回归2. Adaboost回归分类任务1. 随机森林分类2. Adaboost分类1. 数据生成与预处理。
2024-07-28 18:08:56
1077
原创 机器学习实验报告——感知机--鸢尾花数据采集
可以应用于各种分类问题的解决，具体场景包括但不限于：(1)医学诊断：例如基于肿瘤细胞的特征（大小、形状等）来判断是否为良性或恶性肿瘤。(2)金融风控：例如基于客户的个人信息（收入、信用记录等）预测其是否有违约风险。(3)图像识别：例如基于图像中的像素点特征来识别图像中的物体属于哪一类别。(4)情感分析：例如基于文本中的单词、情感词等特征来判断文本中表达的情感是正面还是负主要通过感知机模型对鸢尾花数据集进行分类，该数据集是一个非常经典的分类问题。
2024-07-27 17:15:27
521
原创 机器学习实验报告——PCA降维
学习数据预处理和特征工程方法。掌握PCA降维算法的基本原理和实现。理解PCA的降维过程及其在高维数据中的应用。使用不同的评价指标对降维效果进行评估。通过数据可视化展示PCA的效果。
2024-07-27 17:04:42
980
原创 Boston 房价预测分析
学习到的经验是在进行数据预处理时需要仔细检查数据质量， 并采取相应的处理。通过对实验结果的分析， 可以发现不同地区的物价趋势可能受到当地经济发展水。房地产市场分析：可以根据历史房价数据和其他相关特征，预测未来房价的走势，帮助。贷款评估：银行或金融机构可以利用这样的模型评估借款人的贷款申请，确定合适的贷。数设置不当，可能会导致模型过拟合或欠拟合，从而影响预测结果的准确性。因变量，利用历史数据来训练模型， 从而预测未知房屋的价格。(3)模型选择问题：在实验中选择合适的模型对于实现准确。
2024-07-19 08:29:44
413
原创 算法设计与分析基础实验报告(八)
综上所述，随着皇后数量的增加，解决n皇后问题的运行时间会急剧增加。这是因为问题的解空间呈指数级增长，导致搜索树的深度非常深。因此，当需要解决的n皇后问题规模较大时，需要使用更高效的算法或近似算法来解决问题。
2024-01-23 14:21:03
573
1
原创 算法设计与分析基础实验报告(七)
它基于一个简单的思想：每次添加成本最低的两个节点之间的边，直到所有节点都在同一个连通分量中。Kruskal算法的基本思想是以边为主导地位，始终选择当前可用（所选的边不能构成回路）的最小权植边。在Kruskal算法中，每次添加边时，需要检查该边是否与已经添加到最小生成树中的任何边形成环。并查集是一种数据结构，它可以将一组元素分组为不相交的集合，并且可以在常数时间内完成查找和合并操作。3. 遍历排序后的边，对于每个边，如果它不与已经添加到最小生成树中的任何边形成环，则将其添加到最小生成树中。
2024-01-21 17:50:41
517
原创 算法设计与分析基础实验报告(六)
1. 递归的时间复杂度是指数级的，因为递归需要重复计算相同的子问题。这是导致递归在解决大规模0-1背包问题时效率低的主要原因。2. 备忘录方法通过存储已经计算过的子问题的解来避免重复计算，从而提高了效率。但是，由于备忘录需要存储所有子问题的解，当物品数量n或者背包容量W非常大时，备忘录方法仍然可能非常慢。3. 动态规划方法通过只存储需要的子问题的解来避免重复计算，从而提高了效率。动态规划的时间复杂度与备忘录相同，但是动态规划不需要存储所有的子问题的解，因此在处理大规模问题时通常更有效。
2024-01-20 13:31:35
1306
原创 算法设计与分析基础实验报告（五）
递归、备忘录和动态规划都有各自的优缺点。在选择使用哪种策略时，我们需要根据具体的问题和场景进行权衡。如果对算法的理解和实现较为简单，且对时间复杂度要求不高，可以选择递归；如果对算法效率和空间要求较高，且问题可以分解为子问题求解，可以选择动态规划；如果需要避免重复计算，且不需要额外的空间来存储子问题的解，可以选择备忘录。
2024-01-09 20:52:30
566
1
原创 算法实验与分析报告（四）
快速排序和归并排序的时间效率在理论上是相同的，都是O(n log n)。而直接插入排序的时间效率在理论上是较低的，平均为O(n^2)。但在实际应用中，由于直接插入排序算法实现简单，对于小规模的数据排序效率较高，因此在某些情况下可能会比快速排序和归并排序更实用。
2024-01-08 15:13:42
734
1
原创 算法设计与分析基础实验报告（一）
递归算法：递归算法的时间复杂度为O(2^n)，因为它需要递归计算前n-1项斐波那契数，每次递归需要计算两次斐波那契数，所以总共需要计算2^(n-1)次。空间复杂度为O（n），因为递归调用会占用栈空间，栈的深度为n。随着n的增加，递归算法的执行时间呈指数级增长，而迭代算法的执行时间呈线性增长。2.迭代算法：迭代算法的时间复杂度为O(n)，因为它只需要循环n次来计算斐波那契数列的前n项，每次循环只需要进行一次加法运算。因此，当n较大时，递归算法的时间效率会远远低于迭代算法，同时递归算法还会占用更多的内存空间。
2024-01-05 20:24:30
590
1
原创 leetcode(402,44 53)
给你一个输入字符串 (s) 和一个字符模式 (p) ，请你实现一个支持和'*''*'判定匹配成功的充要条件是：字符模式必须能够输入字符串（而不是部分匹配）。false"a" 无法匹配 "aa" 整个字符串。true'*' 可以匹配任意字符串。a"false' 可以匹配 'c', 但第二个 'a' 无法匹配 'b'。p'*'
2024-01-03 10:52:10
629
1
原创 算法设计与分析基础课程设计
因此，大家商量解决办法，有人提出：修筑一圈篱笆，把果园围起来，但是由于我们的经费有限，必须尽量节省资金，所以，我们要找出一种最合理的方案。在求解凸包的问题中，分治法是一种常用的解法。在求解凸包的过程中，对于每个点，算法根据其与凸包上两个端点的位置关系，判断其是否应该被加入到凸包中。对于每个新加入的点P，如果它在当前凸包的右侧，就将凸包的末尾点不断弹出，直到该点在凸包的左侧，然后再将该点加入到凸包的末尾。回溯等)，选用这些设计方法的原因，给出该算法的伪代码，分析该算法的时间复杂度，给出算法实际运行的结果。
2024-01-02 19:18:54
2290
用 DCGAN生成新的Anime卡通图片
2025-03-21
GridSearchCV实现网格搜索batch size、epochs、学习速率和动量因子的超参数优化
2025-03-21
word embedding-RNN-IMDB实战
2025-03-21
ReSent50-CIFAR100-2k迁移学习实战
2025-03-21
Tf.keras ANN模型多分类实战（数据集fashion mnist）
2025-03-21
Tf.keras ANN模型搭建及逻辑回归实战（信誉卡问题）
2025-03-21
VGG 13 CIFAR10实战
2025-03-21
实验11 Tf.keras ANN模型搭建及回归预测实战（广告与销量).doc
2025-03-21
Tf.keras ANN模型搭建及回归预测实战（波士顿房价预测).doc
2025-03-21
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人