Machine-Learning

机器学习笔记

---

运行环境: python3.6
常用第三方库: numpy, pandas, matplotlib, sicpy, sklearn, skiamge, PIL, TensorFlow
使用工具: Sublime Text3, Pycharm, Jupyter Lab,Spyder, Anaconda3

机器学习(分类)基本步骤:

1. 准备数据
2. 特征提取
3. 分类器分类

特征提取方法:

• PCA(主成分分析, Principal_Component_Analysis)
• LBP(局部二值模式, Local_Binary_Patterns)
• HOG(方向梯度直方图, Histogram_of_Oriented_Gradient)
• ...

分类器模型:

• KNN(K最近邻, K-NearestNeighbor)
• SVM(支持向量机, Support_Vector_Machine)
• ...

---

scineo库说明:

调用库: numpy, matplotlib, sklearn, time

scineo库将机器学习中常用的功能封装成函数,测试和实验时直接调用函数,不用重复编写.

已实现功能:

• PCA
• KNN
• SVM

---

---

纺织品瑕疵检测实验

数据集介绍

• 样本共计2131份
• 样本分为四类别
• 原始数据为128*128大小bmp格式Image文件
• 数据存储为npy格式文件

实验方法: PCA + KNN

进行PCA主成分提取出K个特征维度,分别使用不同n值的KNN分类器进行分类

实验的训练样本个数为1321,测试样本个数为789

k的取值为(1,100), n的取值为(1,3,5,7,9)

k取13, n取5时有最高的识别率99.24%

• 实验结论:

1. 识别率p会随着k的增加先升高后下降
2. k达到一定值后,p随着n的变大而降低

实验方法: PCA + SVM

进行PCA主成分提取出K个特征维度,分别使用不同核函数为的SVM分类器进行分类

实验的训练样本个数为1321,测试样本个数为789

k的取值为(1,100), n的取值为(1,3,5,7,9)

k取49, 52, 55, 58时均有最高的识别率99.75%

• 实验结论:

1. 识别率p会随着k的增加先升高后下降

实验说明

---

$$Laplace Operator: ∆f = \frac{1}{r^2} \frac{𝝏}{𝝏r}(r^2 \frac{𝝏f}{𝝏r}+\frac{1}{{r^2}{sin𝝋}}\frac{𝝏}{𝝏𝝋}(sin\frac{𝝏}{𝝏𝝋}))+\frac{1}{{r^2}{sin^2}𝝋}\frac{{𝝏^2}f}{𝝏{𝜽^2}} $$

---