# ml_project_seeds
tju机器学习算法与应用大作业——基于预处理的小麦品种的分类和聚类
## 摘要
本项目基于python实现了seeds数据集的预处理与分类、聚类任务,使用了PCA、KPCA、LDA、KLDA四种算法进行数据预处理,使用SVM、逻辑回归、ANN三种方法对预处理与未预处理的数据进行了分类与评估,使用FCM方法对预处理与未预处理的数据进行了聚类与评估,完整地完成了项目的全部要求。实验过程中,对自己实现的预处理算法与sklearn的提供官方算法进行了对比;对比了预处理与否对分类与聚类精度的影响;对所有的算法均实现了可视化;基于pytorch框架使用自行搭建的MLP(多层感知机)神经网络对数据进行分类处理并总结效果。经过本次项目的实践,我对机器学习常用算法的理解与编程能力有了进一步提升,了解了预处理的重要性,也进行了不同机器学习算法应用在同一个问题上的对比,并认识到了各种算法的优劣,在日后解决科研难题的过程中,应当具体问题具体分析,选择最适合解决问题的那种算法。
## 环境配置
- 项目环境基于python3.6构建,为确保不报错,请使用python>=3.6的版本
- 建议使用conda命令进行python环境构建与依赖包的安装
```buildoutcfg
conda create -n ml_test python=3.6
activate ml_test
```
- 所需要的基本依赖包安装命令如下
```buildoutcfg
conda install numpy
conda install scikit-learn
conda install matplotlib
```
- 为运行KLDA,需要使用pip安装mlxtend扩充包
```buildoutcfg
pip install mlxtend
```
- 为运行神经网络,需要安装pytorch,使用cpu版本即可
```buildoutcfg
conda install pytorch
```
## 代码说明
- `1_1_pca_analysis.py` 自己实现的PCA预处理与sklearn实现的PCA预处理效果对比
- `1_2_kpca_analysis.py` 自己实现的KPCA预处理与sklearn实现的KPCA预处理效果对比
- `1_3_lda_analysis.py` 自己实现的LDA预处理与sklearn实现的LDA预处理效果对比
- `1_4_klda_analysis.py` sklearn未实现KLDA,这里只有自己实现的KLDA,部分源码参考[博客链接](https://blog.csdn.net/m0_37692918/article/details/102975453)
- `2_1_1_svm_raw.py` 使用SVM对原始数据直接进行分类,包括不同kernel的选取对比
- `2_1_2_svm_pca.py` 使用SVM对PCA预处理后的数据进行分类,包括不同kernel的选取对比
- `2_1_3_svm_lda.py` 使用SVM对LDA预处理后的数据进行分类,包括不同kernel的选取对比
- `2_2_1_svm_raw.py` 使用逻辑回归对原始数据直接进行分类
- `2_2_2_svm_pca.py` 使用逻辑回归对PCA预处理后的数据进行分类
- `2_2_3_svm_lda.py` 使用逻辑回归对LDA预处理后的数据进行分类
- `2_3_ann.py` 使用MLP(多层感知机)对小麦品种分类
- `3_fcm_analysis.py` 使用FCM对小麦进行聚类并评估
- `dataset.py` 读取小麦数据集的工具包
没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
环境配置 - 项目环境基于python3.6构建,为确保不报错,请使用python>=3.6的版本 - 建议使用conda命令进行python环境构建与依赖包的安装 ```buildoutcfg conda create -n ml_test python=3.6 activate ml_test ``` - 所需要的基本依赖包安装命令如下 ```buildoutcfg conda install numpy conda install scikit-learn conda install matplotlib ``` - 为运行KLDA,需要使用pip安装mlxtend扩充包 ```buildoutcfg pip install mlxtend ``` - 为运行神经网络,需要安装pytorch,使用cpu版本即可 ```buildoutcfg conda install pytorch ``` 代码说明 - `1_1_pca_analysis.py` 自己实现的PCA预处理与sklearn实现的PCA预处理效果对比 - `1_2_kpca_analysis.py` 自己实现的KP
资源推荐
资源详情
资源评论
收起资源包目录
机器学习算法与应用大作业-基于预处理的小麦品种的分类和聚类源码+数据+使用说明.zip (15个子文件)
code
2_2_1_logregress_raw.py 2KB
seeds_dataset.txt 9KB
2_1_1_svm_raw.py 5KB
1_4_klda_analysis.py 5KB
dataset.py 342B
2_2_3_logregress_lda.py 3KB
2_1_3_svm_lda.py 5KB
2_1_2_svm_pca.py 5KB
1_3_lda_analysis.py 2KB
3_fcm_analysis.py 4KB
1_1_pca_analysis.py 1KB
1_2_kpca_analysis.py 2KB
README.md 3KB
2_3_ann.py 4KB
2_2_2_logregress_pca.py 2KB
共 15 条
- 1
资源评论
生活家小毛.
- 粉丝: 6036
- 资源: 7290
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功