eyes++的博客

训练代码如下，我在写的过程中为了让代码逻辑更清晰点，所以损失了一些性能；虽然是多次测试，但测试集并没有随机选取。反正是作业，糊弄过去就行。

数据集如下，有两个特征共250条数据。数据集暂不提供下载。代码如下，人工智能小白，大佬轻喷。

如果有兴趣了解更多相关内容，欢迎来我的个人网站看看：瞳孔空间分类(Classification)：分类是找出描述并区分数据类或概念的分类函数或分类模型(也常常称作分类器)，该模型能把数据库中的数据项映射到给定类别中的某一个，以便能便用模型预测类标记未知的对象类。预测(Prediction)：识别对象在特定时刻的状态（带有时间参数的求解）分类的步骤(1)：建立模型分类的步骤(2)：使用模型进行预测分类与预测的案例：分类器评价或比较尺度：保持(holdout)：K-次交叉验证(k-fold cross v

关联规则挖掘是数据挖掘中最活跃的研究方法之一 。最早是由 Agrawal 等人提出的1993最初提出的动机是针对购物篮分析问题提出的，其目的是为了发现交易数据库中不同商品之间的联系规则。这些规则刻画了顾客购买行为模式，可以用来指导商家科学地安排进货，库存以及货架设计等。Apriori算法是一种挖掘关联规则的频繁项集算法，一种最有影响的挖掘布尔关联规则频繁项集的算法。Apriori是由a priori合并而来的，它的意思是后面的是在前面的基础上推出来的，即先验推导。其核心思想是通过候选集生成和情节的向下封闭检

数据挖掘处理的初始数据集描述了一个极大的总体，对数据的分析只基于样本的一个子集。获得数据的子集后，用它来提供整个数据集的一些信息，这个子集通常叫做估计量，它的质量依赖于所选子集中的元素。取样过程总会造成取样误差，取样误差对所有的方法和策略来讲都是固有的、不可避免的，当子集的规模变大时，取样误差一般会降低。数据归约技术可以用来得到数据集的归约表示，它小得多，但仍接近地保持原数据的完整性。数据清理的基本概念：数据清理一般指对数据通用性的处理，旨在提高数据质量，与分析任务关联不大。

这是从老师的PPT里面提取出来的，知识点分布比较零散，可能他做PPT的时候也没想那么多。

相互作用的相邻个体的集合个体的行为简单，既有竞争又有协作智能化的集体行为（1+1>2)个体间不仅能够交互信息，还能够处理信息，根据信息改变自身行为没有一个集中控制中心，分布式、自组织作为群体协同工作时，展现出非常复杂的行为特征—智能鱼聚集成群可以有效地逃避捕食者，因为任何一只鱼发现异常都可带动整个鱼群逃避蚂蚁成群则有利于寻找食物，因为任何一只蚂蚁发现食物都可带领蚁群来共同搬运和进食。

是模仿自然界退火现象而得，利用了物理中固体物质的退火过程与一般优化问题的相似性，从某一初始温度开始，伴随温度的不断下降，结合概率突跳特性在解空间中随机寻找全局最优解。而模拟退火算法从某一较高初温出发，伴随温度参数的不断下降,结合一定的概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优。退火算法的基本思想：在一定温度下，搜索从一个状态随机地变化到另一个状态；温度越低，物体的能量状态越低，到达足够的低点时，液体开始冷凝与结晶，在结晶状态时，系统的能量状态最低。

遗传算法(Genetic Algorithm，GA)最早是由美国的John holland于20世纪70年代提出，该算法是根据大自然中生物体进化规律而设计提出的。是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法通过数学的方式，利用计算机仿真运算，将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时，相对一些常规的优化算法，通常能够较快地获得较好的优化结果。

搜索是人工智能中的一个基本问题，并与推理密切相关。搜索策略的优劣将直接影响到智能系统的性能与推理效率。

机器学习：Machine Learning什么是机器学习？Arthur Samuel（机器学习领域的先驱之一，他编写了世界上第一个棋类游戏的人工智能程序）1959年对机器学习的定义：这里就涉及到了显著式编程的概念：例如识别菊花和玫瑰：显著式编程是需要人为地根据周围的环境、规则、经验等给计算机规定一些机械化步骤或判断依据，比如需要人为规定黄色的是菊花，红色的是玫瑰，计算机就可以通过识别颜色来区别菊花和玫瑰花。而非显著式编程无需人为给出所有的步骤和约束计算机必须总结什么规律，只需给计算机一堆菊花的图片与一堆