新建一个窗口项目。

PM> Install-Package Accord -Version 3.8.0
正在尝试收集与目标为“.NETFramework,Version=v4.6”的项目“learnai”有关的包“Accord.3.8.0”的依赖项信息
正在尝试解析程序包“Accord.3.8.0”的依赖项,DependencyBehavior 为“Lowest”
正在解析操作以安装程序包“Accord.3.8.0”
已解析操作以安装程序包“Accord.3.8.0”GET https://api.nuget.org/v3-flatcontainer/accord/3.8.0/accord.3.8.0.nupkgOK https://api.nuget.org/v3-flatcontainer/accord/3.8.0/accord.3.8.0.nupkg 84ms
正在安装 Accord 3.8.0。
正在将程序包“Accord.3.8.0”添加到文件夹“E:\pro\books\AI_.net\src\AI_learn\learnai\packages”
已将程序包“Accord.3.8.0”添加到文件夹“E:\pro\books\AI_.net\src\AI_learn\learnai\packages”
已将程序包“Accord.3.8.0”添加到“packages.config”
已将“Accord 3.8.0”成功安装到 learnaiPM> Install-Package Accord.MachineLearning
PM> Install-Package Accord.Controls

先从C#程序开始,建立一个c#控制台程序,注意引入System.Windows.Forms

using System;
using Accord.Controls;
using Accord.MachineLearning.VectorMachines.Learning;
using Accord.Math.Optimization.Losses;
using Accord.Statistics;
using Accord.Statistics.Kernels;namespace GettingStarted
{class Program{[MTAThread]static void Main(string[] args){double[][] inputs ={/* 1.*/ new double[] { 0, 0 },/* 2.*/ new double[] { 1, 0 }, /* 3.*/ new double[] { 0, 1 }, /* 4.*/ new double[] { 1, 1 },};int[] outputs ={ /* 1. 0 xor 0 = 0: */ 0,/* 2. 1 xor 0 = 1: */ 1,/* 3. 0 xor 1 = 1: */ 1,/* 4. 1 xor 1 = 0: */ 0,};// Create the learning algorithm with the chosen kernelvar smo = new SequentialMinimalOptimization<Gaussian>(){Complexity = 100 // Create a hard-margin SVM };// Use the algorithm to learn the svmvar svm = smo.Learn(inputs, outputs);// Compute the machine's answers for the given inputsbool[] prediction = svm.Decide(inputs);// Compute the classification error between the expected // values and the values actually predicted by the machine:double error = new AccuracyLoss(outputs).Loss(prediction);Console.WriteLine("Error: " + error);// Show results on screen ScatterplotBox.Show("Training data", inputs, outputs);ScatterplotBox.Show("SVM results", inputs, prediction.ToZeroOne());Console.ReadKey();}}
}


下面是vb.net版本的

    Imports Accord.ControlsImports Accord.MachineLearning.VectorMachines.LearningImports Accord.Math.Optimization.LossesImports Accord.StatisticsImports Accord.Statistics.KernelsImports SystemPublic Class Form1'异或运算的SVM分类'定义样本Dim inputs As Double()() ={New Double() {0, 0},New Double() {1, 0},New Double() {0, 1},New Double() {1, 1}}Dim outputs As Integer() ={0,' 1. 0 Xor 0 = 01, ' 2. 1 Xor 0 = 11,' 3. 0 Xor 1 = 10' 4. 1 Xor 1 = 0}'创建高斯核的SVM分类Dim smo As New SequentialMinimalOptimization(Of Gaussian)Private Sub Button1_Click(sender As Object, e As EventArgs) Handles Button1.Clicksmo.Complexity = 100Dim svm = smo.Learn(inputs, outputs)Dim prediction As Boolean() = svm.Decide(inputs)Dim trainError As Double = New AccuracyLoss(outputs).Loss(prediction)Label1.Text = "Error: " + Str(trainError)ScatterplotBox.Show("Training data", inputs, outputs)ScatterplotBox.Show("SVM results", inputs, prediction.ToZeroOne())End Sub

下面的示例演示了泛型类的主干定义。

Public Class classHolder(Of t)Public Sub processNewItem(ByVal newItem As t)Dim tempItem As t' Insert code that processes an item of data type t.End Sub
End Class

在上面的主干中, t 是一个 类型形参,即你在声明此类时提供的数据类型的占位符。 在代码中的其他地方,可以通过为 classHolder 提供不同的数据类型来声明不同版本的 t 下面的示例演示了两个此类声明。

Public integerClass As New classHolder(Of Integer)
Friend stringClass As New classHolder(Of String)

上面的语句声明了 构造类,在这些类中,特定的类型替换了类型形参。 此类替换会在构造类中的代码内进行传播。 下面的示例显示了 processNewItem 过程在 integerClass中的外观。

Public Sub processNewItem(ByVal newItem As Integer)Dim tempItem As Integer' Inserted code now processes an Integer item.
End Sub

vb.net2019-Accord.Net机器学习库安装与SVM简单分类相关推荐

  1. python sklearn机器学习库 安装

    1.准备工作 安装sklearn之前,我们需要先安装numpy,scipy函数库. Numpy下载地址:http://sourceforge.net/projects/numpy/files/NumP ...

  2. .net随笔-vb.net Accord.Net机器学习之SVM分类

    线性核分类 Imports Accord.ControlsImports Accord.IOImports Accord.MathImports Accord.Statistics.Distribut ...

  3. 2.3 KNN-采用机器学习库来预测鸢尾花的分类

    如下图,一朵花由很多部分组成,比如由有萼片,花被等,而山鸢尾, 杂色鸢尾和 维吉尼亚鸢尾 它们的区别在于萼片长度和宽度以及花瓣长度和宽度,根据这些特征来判断到底是哪种花 首先导入机器学习库里的数据,数 ...

  4. 机器学习实战5-sklearn训练SVM模型分类回归(make_moons数据集)

    先上公式推导吓吓萌新...嘻嘻 上图中两个决策边界(虚线)的间隔为,可以把它看做求两条平行直线的距离,只是这里是超直线罢了, 例如:两平行线方程分别是:Ax+By+C1=0和Ax+By+C2=0 则它 ...

  5. Dlib机器学习库安装

    昨天使用了一下dlib的人脸检测功能,效果出奇的好.下面给出dlib整个的安装过程和使用指导. 下载安装 我们可以从dlib的官网下载最新的版本,我的是dlib18.18.然后我们需要使用cmake编 ...

  6. .net随笔-vb.net Accord.Net机器学习之贝叶斯分类

    1.Accord.IO/ExcelReader.cs读取excel文件,源码如下: https://github.com/accord-net/framework/blob/792015d0e2ee2 ...

  7. 【Python学习系列九】Python机器学习库scikit-learn实现SVM案例

    学习网址:http://scikit-learn.org/stable/modules/svm.html SVM案例代码: # -*- coding: utf-8 -*- __author__ = ' ...

  8. python机器学习库sklearn——支持向量机svm

    分享一个朋友的人工智能教程.零基础!通俗易懂!风趣幽默!还带黄段子!大家可以看看是否对自己有帮助:点击打开 全栈工程师开发手册 (作者:栾鹏) python数据挖掘系列教程 支持向量机svm的相关的知 ...

  9. python的svm库_[Python] 机器学习库 Scikit-learn之SVM

    0. SVM简介 SVM是最常用的分类器之一,其可以用来做分类,回归以及异常检测. 其模型定义和学习如下: 原始问题: minw,b,ζ12wTw+C∑ni=1ζi subject toyi(wT?( ...

最新文章

  1. unity加载ab后,场景shader不起效问题(物件表现黑色)
  2. hdu 4503 找全是朋友或全不是朋友
  3. 并不对劲的bzoj2820:p2257:YY的GCD
  4. [2014NoDEA]An Osgood type regularity criterion for the liquid crystal flows
  5. jsp中%@ % 与% % 与%! %
  6. python文件操作小总结
  7. 面试题 03.06. 动物收容所
  8. iOS中确认网络的方法
  9. paip.C#.NET图形按钮制做
  10. SpringBoot配置文件实现数据库连接
  11. 双管道(CreatePipe)与本地cmd.exe进程通信(附源代码及编译好的程序,免费下载)
  12. Mysql CPU占用100%查询
  13. 如何免费下载论文资料
  14. 串口接收完整一帧数据包的3种方法
  15. 小牛电动IPO:四年跌宕起伏 一代天才少年李一男终圆梦
  16. 基于springboot+bootstrap+mysql+redis搭建一套完整的权限架构【八】【完善整个项目】
  17. 虚拟机安装报错-启动失败-Intel VT-x 处于禁用状态
  18. linux usb 打印机命令
  19. Activiti核心API
  20. git 列出远程标签_Git 标签管理

热门文章

  1. centos7 php7 httpd
  2. 转 用户注册及输入框js检测范例(reg.asp)
  3. mybatis自我总结
  4. 【UVA1378】A Funny Stone Game (博弈-求SG值-输出方案)
  5. PuTTY 命令行改进 有效解决 中文乱码
  6. 经典排序算法 - 冒泡排序Bubble sort
  7. Web架构师成长之路
  8. [转]掌控像素的虚实
  9. StringBuilder的实现与技巧
  10. 服务器事件刷新消息,Windows Server 2003 中的 DNS 事件消息 1616 到 6702