有两个类别的样本 x 和 y，两类样本的分布规律服从正态分布，其均值和方差 分别为（2，2），（-2，4），每个类别里面分别有 100 个样本。可以利用下面阐述的 Matlab 程序产生上述数据。每一类的数据都是二维数据形式，若设数据格式为第一 行为横坐标，相应的下一行对应的是纵坐标请使用 k-近邻法判断下列 sample 中样本的分类情况 （-0.7303，2.1624），（1.4445，-0.1649），（-1.2587，0.9187），（1.2617，-0.2086），（0.7302， 1.6587） 1、要求用 Matlab 编程，来确定分类的情况，并以图形的方式表示出来。附 Matlab 程序以及对应程序说明。 2、分析k值的不同对分类的情况是否有影响，并把结果用图形的方式表示出来。 3、 请根据剪辑方法近邻的原理，对样本的空间进行剪辑，再确定上述样本点的 分类情况。并对两种分类结果进行分析（选作）。

5种不同的哺乳动物(猫，狗，大象，马，狮子)数据集，它包含大约15K中等质量的动物图片，每类2700张图片，属于10个类别狗，猫，马，大象，狮子。 5种不同的哺乳动物(猫，狗，大象，马，狮子)数据集，它包含大约15K中等质量的动物图片，每类2700张图片，属于10个类别狗，猫，马，大象，狮子。

5种不同瑜伽姿势的分类数据集，每类200张图片左右； 5种不同瑜伽姿势的分类数据集，每类200张图片左右 5种不同瑜伽姿势的分类数据集，每类200张图片左右

8种不同颜色的服装类别图片数据集，适用多标签分类 8种不同颜色的服装类别图片数据集，适用多标签分类 8种不同颜色的服装类别图片数据集，适用多标签分类

10种坚果图像数据集。1163张训练数据, 50个测试数据，50个验证文件224 X 224 X 3 jpg格式。取得F1分100%的hs。还提供了一个csv文件树nuts.csv 10种坚果图像数据集。1163张训练数据, 50个测试数据，50个验证文件224 X 224 X 3 jpg格式。取得F1分100%的hs。还提供了一个csv文件树nuts.csv 10种坚果图像数据集。1163张训练数据, 50个测试数据，50个验证文件224 X 224 X 3 jpg格式。取得F1分100%的hs。还提供了一个csv文件树nuts.csv

机器人现场编程-工业机器人的分类.pptx

物流设备的分类.ppt

该文档是模式识别中用近邻函数法进行聚类与分类的一个完整的实验，包括原理，原始数据，结果分析。在文章最后附上作者使用的源代码（matlab版本），亲测2014a正常运行

传统的支持向量机(SVM)算法在数据不均衡的情况下,分类效果很不理想。为了提高SVM算法在不均衡数据集下的分类性能,提出随机下采样与SMOTE算法结合的不均衡分类方法。该方法首先利用随机下采样对多数类样本进行采样,去除样本中大量重叠的冗余样本,使得在减少数据的同时保留更多有用信息;而对少数类样本则是利用SMOTE算法进行过采样。实验部分将其应用在UCI数据集中并同其他采样算法比较,结果表明文中算法不但能有效提高SVM算法在不均衡数据中少数类的分类性能,而且总体分类性能也有所提高。

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