weixin_44329278的博客

实验六：SVM基础练习；利用SVM构建垃圾邮件分类器一、实验目的使用支持向量机（SVM）构建垃圾邮件分类器。二、实验环境Window10，Octave三、实验步骤/过程1.支持向量机：1.1样例数据集1：在这个数据集中，正例（用+表示）和负例（用 o 表示）的位置有一段间隔，即该正例和负例数据可由此间隔分开。1.2 高斯核支持向量机：1.2.1高斯核：在 gaussianKernel.m 中添加代码以计算两个示例之间的高斯核：1.2.2 样例数据集2：该数据集无法通过线性决策边界来分隔

实验五：正则化线性回归、偏差 V.S.方差一、实验目的实现正则化线性回归，并用它来研究具有不同偏差-方差性质的模型。二、实验环境Window10，Octave三、实验步骤/过程1.正则化线性回归：1.1可视化数据集：可视化包含水位x变化和大坝流出水量y的历史记录的数据集。1.2正则化线性回归损失函数：在linearRegCostFunction.m 中添加代码：1.3正则化线性回归的梯度：在linearRegCostFunction.m 中添加代码：1.4拟合线性回归：ex5.m运行

实验四：神经网络学习一、实验目的将实现用于神经网络的反向传播算法，并将其应用于手写数字识别的任务中。二、实验环境Window10，Octave三、实验步骤/过程1.神经网络：1.1数据可视化：加载数据并通过调用函数 displayData.m 将其显示在二维图上。1.2模型表示：将存储在ex4weights.mat中的网络参数θ(1),θ(2)由ex4.m加载到Theta1和 Theta2 这两个参数中。1.3前馈与损失函数：在nnCostFunction.m 中添加代码以返回损失：1

实验三：多分类与神经网络一、实验目的通过实现一对多逻辑回归和神经网络来识别手写数字。二、实验环境Window10，Octave三、实验步骤/过程1.多类分类：1.1数据集：在ex3data1.mat中给出了一个包含 5000 个手写数字训练示例的数据集。1.2数据可视化：代码从X中随机选择100行，并将这些行传递给displayData函数。此函数将每一行映射到一个20像素* 20像素的灰度图像，并将图像一起显示。1.3向量化Logistic回归：在lrCostFunction.m中编写非

实验二：逻辑回归一、实验目的实现 logistic 回归，并将其应用于两个不同的数据集。二、实验环境Window10，Octave三、实验步骤/过程1.逻辑回归：1.1可视化数据：在plotData.m中添加代码：1.2 Sigmoid 函数：在 sigmoid.m中添加代码：g=1./(1+exp(-z));1.3 代价函数和梯度：在costFunction.m 中添加代码：1.4 使用 fminunc 学习参数1.5评价逻辑回归：在predict.m中添加代码：2.正则化

实验一：线性回归一、实验目的实现线性回归，并看到它在数据分析上的作用。二、实验环境Window10，Octave三、实验步骤/过程1．Octave 简单函数练习：在 warmUpExercise.m 中添加代码：A = eye(5)；返回一个 5 x 5 的单位矩阵。2.单变量线性回归：2.1 绘制数据：在plotdata.m中添加代码：2.2梯度下降：在 computeCost.m中添加代码：在 gradientDescent.m中添加代码：2.3调试2.4可视化：为了