【预测模型】基于蚱蜢算法优化支持向量机实现预测分类模型matlab源码.md

人工智能人脸表情分类，google官方模型， TensorFlow学习人工智能人脸表情分类，google官方模型， TensorFlow学习

贷款违约数据集含有 年龄、教育、工龄、地址、收入、负债率、信用卡负债、其他负债以及违约情况的字段。通过各特征来判断用户的违约情况。用到的技术模型如下 逻辑回归 面对一个回归或者分类问题，建立代价函数，然后通过优化方法迭代求解出最优的模型参数，然后测试验证我们这个求解的模型的好坏。 k近邻法（k-nearest neighbor，k-NN） 一种基本的分类和回归方法，是监督学习方法里的一种常用方法。k近邻算法假设给定一个训练数据集，其中的实例类别已定。分类时，对新的实例，根据其k个最近邻的训练实例类别，通过多数表决等方式进行预测。 决策树 一种基于树结构来进行决策的分类算法，我们希望从给定的训练数据集学得一个模型（即决策树），用该模型对新样本分类。决策树可以非常直观展现分类的过程和结果，一旦模型构建成功，对新样本的分类效率也相当高。 SVM(Support Vector Machine) 中文名为支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。 模型评估 可以根据混淆矩阵。得到其Accuracy准确率以及F1 score

在本文中，我们将ResNet模型转换为Core ML格式。

本数据对应文章：《机器学习进行数据分类模型的预测》

基于RBM的深度学习算法 基于多层RBM模型，实现二分类学习算法，目前针对该问题是采用2层RBM,特征输入只有8维，效果并不理想。 功能框架： DBN.py：深度学习主框架，包括数据输入、输入sigmoid转换，RBM层堆叠，softmax层输出。 RBM.py：RBM层框架，包括gibss采样、交叉熵误差验证 dA.py:这个是降噪自动编码器，目前还在研究 SdA.py:，堆叠降噪自动编码器，目前仍在研究 HiddenLayer.py:隐层主要是权值计算与更新 util.py：这主要是最后的softmax函数计算及输出 normal_8.py：输入数据归一化到[0,1] train.txt:训练数据 text.txt:测试数据 基于复杂语言网络的文本分类： 这里面主要包括两部分，一部分是语言网络的生成，另一部分是语言网络的特征抽取。 第一部分采用的数据是twenty-news-group

训练CNN分类模型-pokemon 任务： 1.尝试修改模型，加入归-化层，DropOut层 2.尝试可视化每层的输出内容 3.尝试收集新的分类数据集来体验训练过程 4.记得提交docx,或pdf文件

flowers102数据集用于分类模型训练，flower102数据集链接地址为：http://www.robots.ox.ac.uk/~vgg/data/flowers/102/，如果下载太慢可以在此处下载

ResNet50分类训练模型，使用flowers102数据集利用paddlepaddle平台训练，此处包含paddle、onnx、ir、engine四种格式模型文件，可以在Paddle Inference\OpenVINO、NVIDIA TensorRT以及ONNX runtime等部署平台使用。

鸢尾花数据集的各指标为100%,西瓜数据集的准确率为71%