摘要：
1. 算法伪代码 # 导入必要的库 导入 numpy 导入 sklearn.datasets 导入 sklearn.model_selection 导入 sklearn.linear_model 导入 sklearn.metrics # 1. 加载 Iris 数据集 iris = 加载 iris 数 阅读全文
posted @ 2025-01-06 15:21
柟
阅读(7)
评论(0)
推荐(0)
摘要：
算法伪代码 BEGIN // (1) 加载Iris数据集并将其拆分为训练集和测试集 加载iris数据集 设置 X 为 iris 特征 设置 y 为 iris 标签 将 (X, y) 拆分为 (X_train, y_train) 和 (X_test, y_test)，测试集占1/3，按 y 进行分层， 阅读全文
posted @ 2025-01-06 15:21
柟
阅读(6)
评论(0)
推荐(0)
摘要：
算法伪代码 BEGIN // (1) 加载Iris数据集并留出1/3样本作为测试集 加载 iris 数据集 设置 X = iris 特征 设置 y = iris 标签 使用 留出法 拆分 (X, y) 进入 (X_train, y_train) 和 (X_test, y_test)，测试集占1/3， 阅读全文
posted @ 2025-01-06 15:21
柟
阅读(10)
评论(0)
推荐(0)
摘要：
上机实验五：BP 神经网络算法实现与测试 1、实验目的 深入理解 BP 神经网络的算法原理，能够使用 Python 语言实现 BP 神经网络的训练与测 试，并且使用五折交叉验证算法进行模型训练与评估。 2、实验内容 （1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/ 阅读全文
posted @ 2025-01-06 15:20
柟
阅读(19)
评论(0)
推荐(0)
摘要：
上机实验六：朴素贝叶斯算法实现与测试 1、实验目的 深入理解朴素贝叶斯的算法原理，能够使用 Python 语言实现朴素贝叶斯的训练与测试， 并且使用五折交叉验证算法进行模型训练与评估。 2、实验内容 （1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测 阅读全文
posted @ 2025-01-06 15:20
柟
阅读(8)
评论(0)
推荐(0)
摘要：
上机实验七：K 均值聚类算法实现与测试 1、实验目的 深入理解 K 均值聚类算法的算法原理，进而理解无监督学习的意义，能够使用 Python推荐参考书：[1] 范淼, 李超. Python 机器学习及实践, 清华大学出版社. [2] Peter Harrington. 机器学习实战, 人民邮电出版社 阅读全文
posted @ 2025-01-06 15:20
柟
阅读(31)
评论(0)
推荐(0)
摘要：
上机实验八：随机森林算法实现与测试 1、实验目的 深入理解随机森林的算法原理，进而理解集成学习的意义，能够使用 Python 语言实现 随机森林算法的训练与测试，并且使用五折交叉验证算法进行模型训练与评估。 2、实验内容 （1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 阅读全文
posted @ 2025-01-06 15:20
柟
阅读(19)
评论(0)
推荐(0)
摘要：
上机实验一：数据准备与模型评估 1、实验目的 熟悉 Python 的基本操作，掌握对数据集的读写实现、对模型性能的评估实现的能力； 加深对训练集、测试集、N 折交叉验证、模型评估标准的理解。 2、实验内容 （1）利用 pandas 库从本地读取 iris 数据集； （2）从 scikit-learn 阅读全文
posted @ 2025-01-06 15:19
柟
阅读(17)
评论(0)
推荐(0)
摘要：
上机实验二：逻辑回归算法实现与测试 1、实验目的 深入理解对数几率回归（即逻辑回归的）的算法原理，能够使用 Python 语言实现对数 几率回归的训练与测试，并且使用五折交叉验证算法进行模型训练与评估。 2、实验内容推荐参考书：[1] 范淼, 李超. Python 机器学习及实践, 清华大学出版社. 阅读全文
posted @ 2025-01-06 15:19
柟
阅读(28)
评论(0)
推荐(0)
摘要：
上机实验三：C4.5（带有预剪枝和后剪枝）算法实现与测试 1、实验目的 深入理解决策树、预剪枝和后剪枝的算法原理，能够使用 Python 语言实现带有预剪枝 和后剪枝的决策树算法 C4.5 算法的训练与测试，并且使用五折交叉验证算法进行模型训练 与评估。 2、实验内容 （1）从 scikit-lea 阅读全文
posted @ 2025-01-06 15:19
柟
阅读(13)
评论(0)
推荐(0)
浙公网安备 33010602011771号