作业一（Matlab） 假设x=(1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20),y=( 2.94, 4.53, 5.96, 7.88, 9.02, 10.94, 12.14, 13.96, 14.74, 16.68, 17.79, 19.67, 21.20, 22.07, 23.75, 25.22, 27.17, 28.84, 29.84, 31.78).请写出拟合的直线方程，并画图(包括原数据点及拟合的直线)，请打印出来。 请使用线性回归模型来拟合bodyfat数据。数据集介绍可阅读：https://www.mathworks.com/help/nnet/examples/body-fat-estimation.html 在matlab中，在命令行中输入[X,Y] = bodyfat_dataset; 即可获得一个拥有13个属性，252个样本的数据集。使用前200个样本来获得模型，并写出你所获得的模型。使用后52个样本做测试，汇报你所获得的泛化误差。 编程实现对数回归，并给出教材89页上的西瓜数据集3.0上的结果。要求采用4折交叉验证法来评估结果。因为此处一共17个样本，你可以去掉最后一个样本，也可以用所有数据，然后测试用5个样本。在汇报结果时，请说明你的选择。请在二维图上画出你的结果（用两种不同颜色或者形状来标注类别），同时打印出完整的代码。 作业二 采用信息增益准则，基于表4.2中编号为1、2、3、6、7、9、10、14、15、16、17的11个样本的色泽、根蒂、敲声、文理属性构建决策树。（本次作业可以用笔算，鼓励编程实现，但都需要列出主要步骤，其中log2(3)=1.585,log2(5)=2.322,log2(6)=2.585,log2(7)=2.807,log2(9)=3.17,log2(10)=3.322,log2(11)=3.459） 用表4.2中编号为4、5、8、11、12、13的样本做测试集，对上题的训练数据采用预剪枝策略构建决策树，并汇报验证集精度。 用表4.2中编号为4、5、8、11、12、13的样本做测试集，对题1所构建的决策树进行后剪枝，并汇报验证集精度。 作业三（Matlab） 试编程实现累积BP算法，在西瓜数据集2.0上(用训练数据)训练一个单隐层网络，用验证集计算出均方误差。要自己实现，不能直接调用现成的库函数。 作业四 下载并安装libsvm，http://www.csie.ntu.edu.tw/~cjlin/libsvm/ ，在西瓜数据集3.0a上分别用线性核训练一个SVM。用正类1-6和负类9-14作为训练集，其余作为测试集。C取不同的值，其它参数设为默认值。作出测试正确率随C取值变化的图，C=[1 100 10000 10^6 10^8]。 换成高斯核(宽度设为1)，重复上题的步骤。 作业五 以西瓜数据集2.0（见教材76页表4.1）中样本1--16为训练集训练一个朴素贝叶斯分类器，对测试样本17进行分类。请写出详细的计算过程。 假设x_k是一个班上学生的分数，对应的分数及其分布是 x_1=30, P1=0.5，一共有14个学生; x_2=18, P2=mu，有6个学生; x_3=20, P3=2mu，有9个学生; x_4=23, P4=0.5-3mu，有10个学生; 通过最大对数似然法求出mu的值。 作业六（Python） 1 使用PCA对Yale人脸数据集进行降维，并分别观察前20、前100个特征向量所对应的图像。请随机选取3张照片来对比效果。数据集http://vision.ucsd.edu/content/yale-face-database

机器学习大作业人脸验证.7z

第一次作业：感知机算法实现 要求：手写感知机算法，并在sklearn中的breast_cancer数据集上进行测试。 实现最简易的感知机算法 $y=\text{sign}(\vec{w}\cdot \vec{x} + b)$，损失函数使用误分类点到分类超平面的总距离，使用随机梯度下降方法对模型进行优化。 第二次作业：K近邻算法实现 要求：手写K近邻算法，并在sklearn中的breast_cancer数据集上进行测试。 实现最简易的K近邻算法（不要求实现KD树），K的值自由选择。 参考代码见文件夹knn（助教自己写的，若有疑问欢迎提出issue） 第三次作业：朴素贝叶斯算法实现 要求：手写朴素贝叶斯算法。 实现最简易的朴素贝叶斯算法。 参考代码见文件夹naivebayes（助教自己写的，若有疑问欢迎提出issue）

电子科技大学机器学习大作业.zip

台大机器学习大作业.7z

1.试使用核技巧推广对率回归，产生“核对率回归” 2.有如下室内场景 利用Zigbee，BLE和WIFI无线技术，在三个小黑点处置锚节点，记为A,B,C，坐标位置确定已知。通过测量小红点处的RSSI（接收信号强度），标定各小红点位置。建立位置字典。小红点总数49个。 使用支持向量回归。以“RSSI”为输入，“位置”为输出，在三种无线技术场景下，训练一个SVR，给出实现代码（Matlab或Python）及结果评价

文档内容是关于机器学习课程期末大作业，用Python实现，代码全，文档详细，需要的可以下载