A scikit-learn based module for multi-label et. al. classification

基于matlab的表情识别代码数据挖掘 项目1 在本作业中，您将研究k最近邻，神经网络和SVM分类器在两个实际分类问题上的应用。 用于此分配的数据集已上传到“数据集”文件夹下。 x_train，y_train，x_test和y_test分别表示训练功能，训练标签，测试功能和测试标签。 在x_train和x_test中，每一行代表一个数据样本，每一列代表一个特征。 问题1 人类活动识别数据集是根据对30名志愿者进行的实验而创建的，以使用智能手机数据识别人类活动。 每个人都在腰部佩戴智能手机（三星Galaxy S II）进行六项活动（步行，步行，上楼，下坐，坐着，站立，躺着）。 使用其嵌入式加速度计和陀螺仪，可以以50Hz的恒定速率捕获3轴线性加速度和3轴角速度。 使用信号处理算法处理数据以提取维度561的特征向量。训练集包含7,352个样本，测试集包含2,947个样本。 在此数据集上实现k = 5的k最近邻算法。 使用简单的欧几里德距离度量来计算两个样本之间的距离。 在训练集上训练带有参数2的多项式内核的SVM分类器，并在测试集上进行测试。 您需要为每个课程训练一个SVM。 为了预测测试

具有正负标签成对相关性的成本敏感型多标签学习

减少标签特定功能的多标签学习

mulan数据库中的emotions部分。将原本的java数据文件转换为了txt格式和matlab支持的mat格式，训练样本和测试样本已经分类好，适用于进行多标签学习的数据库