mohen_777的博客

"Breast Cancer Wisconsin (Diagnostic) Data Set"数据集是一个著名的机器学习数据集，它通常用于分类任务，即根据肿瘤的特征来预测肿瘤是良性还是恶性。数据类型：结构化数据任务类型：分类样本数量：569特征数量：30 个数值特征目标变量：诊断结果，包含两个类别（良性和恶性）

参数的选择对SVM的性能有很大的影响。确定正则化常数C与核函数及其参数的选择范围（可以在以下常用核函数中选择一种或多种），选用合适的实验评估方法（回顾第2章的内容，如K折交叉验证法等）进行参数选择，并进行参数分析实验。SVM的对偶问题实际是一个二次规划问题，除了SMO算法外，传统二次规划方法也可以用于求解对偶问题。请注意，SVM中的参数通常需要联合选择，特别是对于核函数的参数与正则化参数C。本实验中可以选择较为简单的网格搜索策略或随机搜索策略进行调参。3. 一二两大问分文件作答。

通过对原始图像应用一系列随机变换来生成视觉上可信的新图像，数据增强可以帮助提高模型的泛化能力，即在新、未见过的数据上的表现。卷积层堆叠让每一个维度的小范围 4x4 数据代表原图 32x32 的数据特征，最终再将这些数据特征展平输入到全连接神经网络，最终从 256*4*4 维度的特征中分类出 10 个类别。功能：将图像垂直翻转；：对于数据集较小的情况，数据增强是一个非常有效的方法来扩展数据集，提高模型训练的有效性。数据增强的训练集训练的模型比没有数据增强的模型在测试集上的效果更好，能达到的最高。

本实验需要用到torch及torchvision库，模型架构搭建及模型训练的相关操作都将使用torch库中的函数来进行，请根据自己的电脑环境（是否有GPU）进行安装并熟悉torch的基本操作。在下面的示例中，我们随机更改图像的亮度，随机值为原始图像的50%（1。可以减少模型对某些属性的依赖，从而提高模型的泛化能力。例如，可以以不同的方式裁剪图像，使感兴趣的对象出现在不同的位置，减少模型对于对象出现位置的依赖。在对训练图像进行一系列的变化之后，生成相似但不同的训练样本，从而扩大了训练集的规模。

Fashion-MNIST 图片分类数据集包含 10 个类别的时装图像，训练集有 60,000 张图片，测 试集中有 10,000 张图片。图片为灰度图片，高度（ℎ）和宽度（）均为 28 像素，通道数 （channel）为 1。10 个类别分别为：t-shirt(T 恤), trouser（裤子）, pullover（套衫）, dress（连衣裙）, coat（外套）， sandal（凉鞋），shirt（衬衫），sneaker（运动鞋），bag （包），ankle boot（短靴）。

Fashion-MNIST图片分类数据集 [1] 包含10个类别的时装图像，训练集有60,000张图片，测试集中有10,000张图片。10个类别分别为：t-shirt(T恤), trouser（裤子）, pullover（套衫）, dress（连衣裙）, coat（外套）， sandal（凉鞋），shirt（衬衫），sneaker（运动鞋），bag（包），ankle boot（短靴）。使用训练集数据进行训练，测试集数据进行测试。# 初始化函数，对网路的输入层、隐含层、输出层的大小和使用的函数进行了规定。

如果某个变量与其他变量高度线性相关，那么这个变量可以被其他变量很好地预测，其2将接近 1，导致 VIF 值很高，表明存在多重共线性问题.key 和 time_signature 属性由于其是有序离散属性，我认为其中的顺序关系可直接用于线性模型的训练，并不需要进行连续化。在观察预测值-真实值散点图时也可以发现大部分预测值集中在 50 附近，并没有出现预测值与真实值的正相关关系，这也说明模型没有很好的利用到属性值来进行预测。将数据的属性值和标签值进行可视化，初步观察数据的分布情况。