图像分类之食物分类（NCWU机器学习课程设计）
2024-05-14 04:09:49
目录
1.实验要求
1.任务描述
2.数据集说明
2.实验分为两块，机器学习和深度学习
2.1 机器学习方法
2.1.1 机器学习数据处理
2.1.2 机器学习训练模型
2.1.3 机器学习数据分析
2.1.4 机器学习模型部署
2.2 深度学习方法
2.1.1 深度学习数据处理
2.1.2 深度学习模型训练
2.2.3 深度学习数据分析
2.2.4 深度学习模型部署
1.实验要求
1.任务描述
数据分为训练集、验证集和测试集，其中，训练集包含1500张食物图像与1500张非食物图像，验证集和测试集均包含500张食物图像和500张非食物图像，建立模型完成食物与非食物图像分类。（难度：简单）
2.数据集说明
数据集包含：
Validation文件夹：验证集
Training文件夹：训练集
Evaluation文件夹：测试集
数据集下载：data.zip_免费高速下载|百度网盘-分享无限制 (baidu.com)
https://pan.baidu.com/s/1WXDyi1UjVXsXkja7nhvocA?pwd=xp3y
2.实验分为两块，机器学习和深度学习
2.1 机器学习方法
2.1.1 机器学习数据处理
# 导包
import random
import cv2
import joblib
import numpy
import warnings
from sklearn.metrics import classification_report
warnings.filterwarnings("ignore")
from sklearn.naive_bayes import BernoulliNB
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.svm import SVC
import matplotlib.pyplot as plt
import os
from tqdm import tqdm
warnings.filterwarnings("ignore")
plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号
# def mk_dataset( # 图像数据化
train= '//training'
test= '//evaluation'
validation= '//validation'
# ):
train_path = os.getcwd()+train # 训练集的绝对路径
test_path = os.getcwd()+test # 测试集的绝对路径
vail_path = os.getcwd()+validation # 验证集的绝对路径
print(train_path)
print(test_path)
print(vail_path)label = {'food': 0, 'non_food': 1}
LABEL = ['food','non_food']
def get_data(path): ## 参数是图像文件夹的路径di = os.listdir(path)X = [] # 用作装数据Y = [] # 用作装标签for i in di:for j in list(os.walk(os.path.join(path, i)))[-1][-1]:img = cv2.imread(os.path.join(path, i) + '\\' + j)img = cv2.resize(img, (24, 24), interpolation=cv2.INTER_CUBIC)X.append(img.flatten())Y.append(label[i])return X,Y# 生成并打乱数据和标签
X_train,Y_train = get_data(train_path) # 训练集数据和标签
X_test,Y_test = get_data(test_path) # 测试集数据和标签
V_data,V_label = get_data(vail_path) # 验证集数据和标签
c = list(zip(X_train, Y_train))
random.shuffle(c)
X_train, Y_train = zip(*c)
X_train, Y_train = list(X_train), list(Y_train)
c = list(zip(X_test, Y_test))
random.shuffle(c)
X_test, Y_test = zip(*c)
X_test, Y_test = list(X_test), list(Y_test)
c = list(zip(V_data, V_label))
random.shuffle(c)
V_data, V_label = zip(*c)
V_data, V_label = list(V_data), list(V_label)
Y_train = numpy.array(Y_train)
Y_test = numpy.array(Y_test)
V_label = numpy.array(V_label)
#
print('数据初始化完成！')
# # return X_train_path, X_test_path, X_train, Y_train, XX_test, Y_test, V_data, V_label, di## 查看数据集及其标签
print(X_train[0].shape)
for i in range(10):plt.subplot(1,10,i+1)img = X_train[i].reshape(24,24,3) # 重构plt.imshow(img[:,:,::-1]) # BGR->RGBplt.title(str(Y_train[i]))plt.axis('off') # 不显示坐标轴
plt.show()
2.1.2 机器学习训练模型
models = {'Bayes': BernoulliNB(),'tree': DecisionTreeClassifier(),'KNN': KNeighborsClassifier(),'SVM': SVC(kernel='rbf')}
epochs = 500
# 定义调参的超参数
C = [i/10 for i in range(1,11)] # SVM的惩罚系数0.1到1
K = [j for j in range(1,11)] # KNN的近邻参数1到10
SVM_ACC = {} # 记录SVM的超参数以及在该超参数训练期间模型最好效果的准确率
KNN_ACC = {} # 记录KNN的超参数以及在该超参数训练期间模型最好效果的准确率for model in models.keys(): # 遍历字典的键，依次来索引模型c = list(zip(X_train, Y_train)) # 每一轮训练之前打乱数据顺序random.shuffle(c)X_train, Y_train = zip(*c)X_train, Y_train = list(X_train), list(Y_train)
Acc = 0 # 初始正确率，用于迭代if model == 'SVM':for epoch in range( epochs):clf = SVC(C=C[epoch // 50],kernel='rbf').fit(X_train, Y_train) # C影响因子随着epoch变化acc = clf.score(V_data, V_label) # 求当前模型在验证集上的精度print('\n')print(model+'第%d轮，训练集上准确率：' % epoch, clf.score(X_train, Y_train))print(model+'第%d轮，测试集上准确率：' % epoch, clf.score(X_test, Y_test))print(model+'第%d轮，验证集上准确率：' % epoch, acc)print('')if acc > Acc: # 精度出现新高，就保存当前模型，并将该精度赋给Acc继续迭代joblib.dump( clf,'./models/' + model + '_best.pt')print(model + '准确度新高：', acc,end='\t')Acc = accif epoch % 50 == 0: # 每50轮换一次影响因子，并记录这50轮中精度最高的模型print("惩罚系数C=%.1f在验证集上准确率:" % C[(epoch // 50)], acc)SVM_ACC[str(C[epoch // 50])] = acc
elif model == 'KNN': #同上for epoch in range(epochs):clf = KNeighborsClassifier(n_neighbors=K[epoch // 50]).fit(X_train, Y_train)acc = clf.score(V_data, V_label)print('\n')print(model + '第%d轮，训练集上准确率：' % epoch, clf.score(X_train, Y_train))print(model + '第%d轮，测试集上准确率：' % epoch, clf.score(X_test, Y_test))print(model + '第%d轮，验证集上准确率：' % epoch, acc)if acc > Acc:joblib.dump( clf,'./models/' + model + '_best.pt')print(model+'准确度新高：',acc,end='\t')Acc = accif epoch % 50 == 0:print("邻居数K=%.1f在验证集上准确率:" % K[epoch // 50], acc)KNN_ACC[str(K[epoch // 50])] = accelse:for epoch in range(1,epochs+1):clf = models[model].fit(X_train, Y_train)acc = round(clf.score(V_data, V_label), 4)print('\n')print(model + '第%d轮，训练集上准确率：' % epoch, clf.score(X_train, Y_train))print(model + '第%d轮，测试集上准确率：' % epoch, clf.score(X_test, Y_test))print(model + '第%d轮，验证集上准确率：' % epoch, acc)if acc > Acc:joblib.dump(clf, './models/' + model + '_best.pt')print(model + '准确度新高：', acc,end='\t')Acc = accpredictions_labels = clf.predict(X_test)print(u'预测结果:')print(predictions_labels)print(u'算法评价:')print(classification_report(Y_test, predictions_labels))
plt.subplot(1, 2, 1)
plt.plot([float(i) for i in list(SVM_ACC.keys())], list(SVM_ACC.values()), c='red') # 模型随超参数精度的变化曲线
plt.xlabel('惩罚因子C')
plt.ylabel('验证集上的准确率')
plt.title('SVM调参图')
plt.savefig('SVM.jpg')
plt.subplot(122)
plt.plot([float(i) for i in list(KNN_ACC.keys())], list(KNN_ACC.values()), c='red') # 模型随超参数精度的变化曲线
plt.xlabel('邻居值K')
plt.ylabel('验证集上的准确率')
plt.title('KNN调参图')
plt.savefig('KNN.jpg')
plt.show() # 显示出图像，由于我不是在本机上训练的，结果图键Figure_1
#这一趟遍历下来一共运行了2000轮训练，最后保存了4个最好的模型。据观察，这些模型在训练集上的效果只是在80%+，属于是欠拟合的状态，锁着训练轮数的不断增加能达到最终你和的效果2.1.3 机器学习数据分析
model_name = 'Bayes_best.pt'#KNN_best.pt/SVM_best.pt/tree_best.pt
clf = joblib.load('models/'+model_name)
correct = 0
pre = []
for i in tqdm(range(len(X_test))):if clf.predict([X_test[i]])[0] == Y_test[i]:correct += 1p = correct / (i+1)pre.append(p)
wrong = 0
right = 0
rec = []
for i in tqdm(range(len(X_test))):if clf.predict([X_test[i]])[0] == Y_test[i] and Y_test[i] == 0:right += 1if clf.predict([X_test[i]])[0] != Y_test[i] and Y_test[i] == 0:wrong += 1rec.append(right/(right+wrong+1))
X = [i+1 for i in range(len(X_test))]
Y = [j for j in pre]
Y_rec = [j for j in rec]
plt.plot(X,Y,c='red',label='精确度')
plt.plot(X,Y_rec,c='green',label='召回率')
plt.text(X[-1],Y[-1],s='ACC:%.2f'%Y[-1])
plt.text(X[-1],Y_rec[-1],s='REC:%.2f'%Y_rec[-1])
plt.grid(True, linestyle='--', alpha=0.5)
plt.xlabel('测试集数量/张',fontsize=13)
plt.ylabel('模型在测试集上的准确度和召回率',fontsize=13)
plt.title('Prediction&&Recall@'+model_name,fontsize=15)
plt.legend(loc="lower right")
plt.savefig('figures/'+model_name.split('.')[0]+'.jpg')
plt.show()
2.1.4 机器学习模型部署
2.1.4.1 本地部署摄像头
下载方式：获取下载
使用方式：data.zip_免费高速下载|百度网盘-分享无限制 (baidu.com)https://pan.baidu.com/s/1WXDyi1UjVXsXkja7nhvocA?pwd=xp3y
LABEL = ['food','non_food']
cap = cv2.VideoCapture(0) # 获取摄像头，传入0表示获取系统默认摄像头
cap.open(0) # 打开cap
text = ''
while cap.isOpened(): # 无限循环，直到break被触发success, frame = cap.read() # 获取画面if not success:print('Error')breakimg0 = cv2.resize(img, (24, 24), interpolation=cv2.INTER_CUBIC).flatten()text = LABEL[clf.predict([img0])[0]]cv2.putText(frame, text, (20, 40), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2, cv2.LINE_AA)cv2.imshow('111', frame) # 展示处理后的三通道图像if cv2.waitKey(100) in [ord('q'), 27]: # 按键盘上的q或esc退出（在英文输入法下）break
cap.release() # 关闭摄像头
cv2.destroyAllWindows() # 关闭图像窗口2.1.4.2 文件夹下的图像分类
dic_name = 'test/'
pic = [dic_name+i for i in os.listdir(dic_name)] # dic_name下所有图像路径
for i in tqdm(range(len(pic))):path = pic[i]img = cv2.imread(path)img0 = cv2.resize(img, (24, 24), interpolation=cv2.INTER_CUBIC).flatten()text = LABEL[clf.predict([img0])[0]]cv2.putText(img, text, (20, 40), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2, cv2.LINE_AA)cv2.imshow('111',img ) # 展示处理后的三通道图像if cv2.waitKey(1000) in [ord('q'), 27]: # 按键盘上的q或esc退出（在英文输入法下）break
cv2.destroyAllWindows() # 关闭图像窗口2.1.4.3 视频识别
video_path = 'videos/be787af4c405e2e5c31f60437f2f59b4.mp4' # 视频的URL,0,或者移动摄像头的URL
cap = cv2.VideoCapture(video_path)
while True:res, image = cap.read() # 读出图片。res表示是否读取到图片，image表示读取到的每一帧图片if not res:print('图片提取结束')breakImg = cv2.resize(image, (24, 24), interpolation=cv2.INTER_CUBIC).flatten()text = LABEL[clf.predict([Img])[0]]cv2.putText(image, text, (20, 40), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2, cv2.LINE_AA)cv2.imshow('Gosling can not be more handsome', image) # 展示处理后的三通道图像if cv2.waitKey(100) in [ord('q'), 27]: # 按键盘上的q或esc退出（在英文输入法下）break
cap.release() # 关闭摄像头
cv2.destroyAllWindows() # 关闭图像窗口2.1.4.4 移动端部署
需要下载一个移动摄像头，并用电脑开热点让手机连接，使二者在同一局域网下。
url_path = 'http://192.168.137.35:8081/' # 视频服务器端口的网址。也可以是在线视频链接
cap = cv2.VideoCapture(url_path)
while True:res, image = cap.read() # 读出图片。res表示是否读取到图片，image表示读取到的每一帧图片if not res:print('图片提取结束')breakImg = cv2.resize(image, (24, 24), interpolation=cv2.INTER_CUBIC).flatten()text = LABEL[clf.predict([Img])[0]]cv2.putText(image, text, (20, 40), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2, cv2.LINE_AA)cv2.imshow('Gosling can not be more handsome', image) # 展示处理后的三通道图像if cv2.waitKey(100) in [ord('q'), 27]: # 按键盘上的q或esc退出（在英文输入法下）break
cap.release() # 关闭摄像头
cv2.destroyAllWindows() # 关闭图像窗口2.2 深度学习方法
# 导包
import os
import numpy as np
from tqdm import tqdm
from torchvision import datasets
import torch
import torch.nn as nn
from torchvision import models
import torch.optim as optim
from torch.utils.data import DataLoader
from torchvision import transforms
import matplotlib.pyplot as plt
from torch.optim import lr_scheduler
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
print('device', device)# 训练集图像预处理：缩放裁剪、图像增强、转 Tensor、归一化
train_transform = transforms.Compose([transforms.RandomResizedCrop(224),transforms.RandomHorizontalFlip(),transforms.ToTensor(),transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])
# 测试集图像预处理-RCTN：缩放、裁剪、转 Tensor、归一化
test_transform = transforms.Compose([transforms.Resize(256),transforms.CenterCrop(224),transforms.ToTensor(),transforms.Normalize(mean=[0.485, 0.456, 0.406],std=[0.229, 0.224, 0.225])])2.1.1 深度学习数据处理
dataset_dir = ''
train_path = os.path.join(dataset_dir, 'training')
test_path = os.path.join(dataset_dir, 'validation')
print('训练集路径', train_path)
print('测试集路径', test_path)
# 载入训练集
train_dataset = datasets.ImageFolder(train_path, train_transform) # 返回训练数据与标签(标签是文件夹名字）
# 载入测试集
test_dataset = datasets.ImageFolder(test_path, test_transform)
train_dataset.class_to_idx # 类别以及对应的标签（自动生成不用自己标注）
idx_to_labels = {y:x for x,y in train_dataset.class_to_idx.items()}
idx_to_labels # 改变映射关系，因为最终是要根据预测的结果（键）来对应类别（值）
BATCH_SIZE = 32
# 训练集的数据加载器
train_loader = DataLoader(train_dataset,batch_size=BATCH_SIZE, # 每次计算32个样本shuffle=True, # 在每个epochs计算式打乱数据num_workers=4 # 进程数，相当于在同一时刻计算4*32=108张图片)
# 测试集的数据加载器
test_loader = DataLoader(test_dataset,batch_size=BATCH_SIZE,shuffle=False,num_workers=4)
"""上述以dataloader为单位将数据喂给模型"""2.1.2 深度学习模型训练
model = models.resnet18(pretrained=True)
model.fc = nn.Linear(model.fc.in_features, 2) # 改变全连接层，映射到n_class维度，这里是二分类，n_class=2，model.fc是整个网络
optimizer = optim.Adam(model.fc.parameters()) # 构造优化器，用来保存当前的状态，并能够根据计算得到的梯度来更新参数
model = model.to(device) # 这一步很奇妙，就18个字母，就能把这么庞大的，几百层的深度神经网络加到GPU/CPU
criterion = nn.CrossEntropyLoss()
# 训练轮次 Epoch
EPOCHS = 3000
Acc = 0
lr_scheduler = lr_scheduler.StepLR(optimizer, step_size=5, gamma=0.5)
for epoch in tqdm(range(EPOCHS)):model.train()for images, labels in train_loader: # 获得一个 batch 的数据和标注images = images.to(device)labels = labels.to(device)outputs = model(images)loss = criterion(outputs, labels) # 计算当前 batch 中，每个样本的平均交叉熵损失函数值"""反向传播三部曲，梯度清零、反向传播，优化迭代"""optimizer.zero_grad()loss.backward()optimizer.step()
lr_scheduler.step()
model.eval()with torch.no_grad():correct = 0total = 0for images, labels in tqdm(test_loader):images = images.to(device)labels = labels.to(device)outputs = model(images)_, preds = torch.max(outputs, 1)total += labels.size(0)correct += (preds == labels).sum()acc = correct / totalprint("acc=",acc)if acc > Acc:torch.save(model, 'resnet18_best.pth')Acc = acc2.2.3 深度学习数据分析
from PIL import Image
def process_frame_pth(img, model):model = torch.load(model, map_location=torch.device(device))model = model.eval().to(device)img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # BGR转RGBimg_pil = Image.fromarray(img_rgb) # array 转 PILinput_img = test_transform(img_pil).unsqueeze(0).to(device) # 预处理pred_logits = model(input_img) # 执行前向预测，得到所有类别的 logit 预测分数_, pred_ids = torch.max(pred_logits, 1)img = np.array(img_pil) # PIL 转 arrayimg = cv2.cvtColor(img, cv2.COLOR_RGB2BGR) # RGB转BGR# 图片，添加的文字，左上角坐标，字体，字体大小，颜色，线宽，线型cv2.putText(img, idx_to_labels[int(pred_ids)], (20, 40), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 0, 255), 2, cv2.LINE_AA)# return img, idx_to_labels[int(pred_ids)] # 部署return img, idx_to_labels[int(pred_ids)],int(pred_ids) # 返回标签值from tqdm import tqdm
import cv2
model_name = 'resnet18_best.pth'
model_name1 = 'models/'+model_name
# model = torch.load(model_name, map_location=torch.device(device))
img = 'evaluation/' # 测试集路径
labels = os.listdir(img)
# print(labels) #['food', 'non_food']
pic_path = [] # 所有测试集图像的路径
X = [] # 测试集向量化的数据
Y = [] # 测试集标签
for label in labels: # 遍历类别文件夹path = img+labelfor pic in os.listdir(path):pic_path.append(path+'/'+pic)Y.append(labels.index(label))
ID = []
for i in tqdm(range(len(pic_path))):pic = pic_path[i]im = cv2.imread(pic)_,_,a = process_frame_pth(im,model_name1)ID.append(a)
print('图像处理完毕！')correct = 0
pre_pth = []
for i in tqdm(range(len(ID))):correct += ID[i]==Y[i]pre_pth.append(correct/(i+1))
X_label = [i+1 for i in range(len(ID))]
Y_label = [j for j in pre_pth]
right=0
wrong = 0
rec_pth = []
for i in range(len(ID)):if ID[i] == Y[i] and Y[i] == 0:right += 1if ID[i] != Y[i] and Y[i] == 0:wrong += 1rec_pth.append(right/(wrong+right+1))
print(rec_pth)plt.plot(X_label,pre_pth,c='red',label='精确度')
plt.plot(X_label,rec_pth,c='green',label='召回率')
plt.text(X_label[-1],pre_pth[-1],s='ACC:%.3f'%pre_pth[-1])
plt.text(X_label[-1],rec_pth[-1],s='REC:%.2f'%rec_pth[-1])
plt.grid(True, linestyle='--', alpha=0.5)
plt.xlabel('测试集数量/张',fontsize=13)
plt.ylabel('模型在测试集上的准确度和召回率',fontsize=13)
plt.title('Prediction&&Recall@'+model_name,fontsize=15)
plt.legend(loc="lower right")
plt.savefig('figures/'+model_name.split('.')[0]+'.jpg')
plt.show()
2.2.4 深度学习模型部署
2.2.4.1 本地摄像头部署
cap = cv2.VideoCapture(0) # 获取摄像头，传入0表示获取系统默认摄像头
cap.open(0) # 打开cap
text = ''
while cap.isOpened(): # 无限循环，直到break被触发success, frame = cap.read() # 获取画面if not success:print('Error')breakframe, text,_ = process_frame_pth(frame, model_name1) ## !!!处理帧函数cv2.imshow('Gosling can not be more handsome', frame) # 展示处理后的三通道图像if cv2.waitKey(100) in [ord('q'), 27]: # 按键盘上的q或esc退出（在英文输入法下）break
cap.release() # 关闭摄像头
cv2.destroyAllWindows() # 关闭图像窗口2.2.4.2 文件夹下的图像识别
dic_name = 'test/'
pic = [dic_name+i for i in os.listdir(dic_name)] # dic_name下所有图像路径
for i in tqdm(range(len(pic))):path = pic[i]img = cv2.imread(path)im, text,_ = process_frame_pth(img, model_name1)cv2.imshow("Gosling can not be more handsome", im)if cv2.waitKey(1000) in [ord('q'), 27]: # 按键盘上的q或esc退出（在英文输入法下）break
cv2.destroyWindow("Predicting")2.2.4.3 视频识别
video_path = 'videos/be787af4c405e2e5c31f60437f2f59b4.mp4'
cap = cv2.VideoCapture(video_path)
while True:res, image = cap.read() # 读出图片。res表示是否读取到图片，image表示读取到的每一帧图片if not res:print('图片提取结束')breakim, text, _= process_frame_pth(image, model_name1)cv2.imshow('Gosling can not be more handsome', im) # 展示处理后的三通道图像if cv2.waitKey(1) in [ord('q'), 27]: # 按键盘上的q或esc退出（在英文输入法下）break
cap.release() # 关闭摄像头
cv2.destroyAllWindows() # 关闭图像窗口2.2.4.4 移动端部署
url_path = ''
cap = cv2.VideoCapture(url_path)
while True:res, image = cap.read() # 读出图片。res表示是否读取到图片，image表示读取到的每一帧图片if not res:print('图片提取结束')breakim, text, _= process_frame_pth(image, model_name1)cv2.imshow('Gosling can not be more handsome', im) # 展示处理后的三通道图像if cv2.waitKey(1) in [ord('q'), 27]: # 按键盘上的q或esc退出（在英文输入法下）break
cap.release() # 关闭摄像头
cv2.destroyAllWindows() # 关闭图像窗口图像分类之食物分类（NCWU机器学习课程设计）相关推荐
- 人工智能与机器学习课程设计
笑脸识别,口罩识别 一.人脸图像特征提取的各种方法(至少包括HoG.Dlib和卷积神经网络特征) 1.HOG:(方向梯度直方图) 2.Dlib: 3.卷积神经网络(CNN): 二.dlib安装与使用 ...
- 【毕业设计_课程设计】基于机器学习的情感分类与分析算法设计与实现（源码+论文）
文章目录 0 项目说明 1 研究目的 2 研究方法 3 研究结论 4 项目流程 4.1 获取微博文本 4.2 SVM初步分类 4.3 使用朴素贝叶斯分类 4.4 AdaBoost 4.4.1 二分类A ...
- Python课程设计大作业:获取比赛数据并进行机器学习智能预测NBA的比赛结果
前言 该篇是之前遗漏的大三上的Python课程设计.刚好今天有空就补发了一篇文章.全部的代码在最后附录中.爬虫类的代码直接全部放到一起了,读者可以自行研究.百度网盘可以私聊我进行获取. 一.课程设计项 ...
- 新闻文本分类（课程设计）
目 录 一 课程设计的目的 3 二 课程设计的内容和要求 3 三 详细设计 3 算法介绍 3 实验及分析 3 2.1数据集介绍 3 2.2数据预处理 4 2.3 模型介绍 6 2.4 模型评估 8 结 ...
- 李宏毅机器学习课程４~~~分类：概率生成模型
分类问题用回归来解决? 当有右图所示的点时,这些点会大幅改变分类线的位置.这时候就会导致整体的回归结果变差.当把多分类当成回归问题,类别分别为1,2,3,4--,因为回归的问题是预测具体的值,这样定义 ...
- 设树采用孩子兄弟表示法存放.用类c语言设计算法计算树的高度.,(数据结构课程设计分类题目.doc...
(数据结构课程设计分类题目 线性表 顺序表: 1.设有一元素为整数的线性表L=(a1,a2,a3,-,an),存放在一维数组A[N]中,设计一个算法,以表中an作为参考元素,将该表分为左.右两部分,其 ...
- 3. 吴恩达机器学习课程-作业3-多分类和神经网络
fork了别人的项目,自己重新填写,我的代码如下 https://gitee.com/fakerlove/machine-learning/tree/master/code 代码原链接 文章目录 3. ...
- 【机器学习和数据分析与可视化课程设计】基于天气预报的数据分析与可视化课程设计（Python实现）
前言 天气预报我们每天都会关注,天气情况会影响到我们日常的增减衣物.出行安排等.每天的气温.相对湿度.降水量以及风向风速是关注的焦点.数据可视化方面,使用matplotlib.numpy.pandas ...
- dna序列分类数学建模matlab,MATLAB软件课程设计---MATLAB实现DNA序列的分类识别
MATLAB软件课程设计---MATLAB实现DNA序列的分类识别 装 订 线 装 订 线 数学软件实践 课程设计报告 题 目MATLAB 实现 DNA 序列的分类识别 学 号 姓 名 教 师 日 期 ...
最新文章
- 【转】《iOS7 by Tutorials》系列：iOS7的设计精髓(上)
- 不能跳过的《程序员的职业素养》（The Clean Coder）中的一个章节
- 语音写出（wavwrite）
- 怎样开发一个 Node.js 命令行工具包
- 一加7T Pro渲染图曝光：后置相机出乎意料
- redis多服务器共享_基于redis和shedlock实现分布式锁（超简单）
- vue ---- vue简介
- Go 网络 TCP Client (一)
- 台大李宏毅Machine Learning 2017Fall学习笔记 (3)Bias and Variance (v2)
- 谱图理论-拉普拉斯矩阵理解
- 如何将CAD图纸在线转换成JPG图片格式
- 【软考】（五）网络互联设备
- php redis stream,php redis-close() 之后为什么还能使用 $redis-get('key') 获取数据？
- postgres 退出_Postgresl选择正确的关闭模式
- 秒懂，Java 注解 （Annotation）你可以这样学
- xheditor form java_xheditor 上传图片 Jfinal处理 出现异常
- IDEA免费教育申请（不需要教育邮箱，只要你是学生！！！）
- 前端、后台、客户端以及服务器
- lammps教程：径向分布函数g(r)的计算与输出方法
- 1251:丛林中的路