基于预处理的小麦品种的分类和聚类+高分项目+源码

ml_project_seeds

机器学习算法与应用大作业——基于预处理的小麦品种的分类和聚类

本博文提供了完整的代码和使用教程，适合新入门的朋友参考，完整代码资源文件请转至文末的下载链接。

摘要

本项目基于python实现了seeds数据集的预处理与分类、聚类任务，使用了PCA、KPCA、LDA、KLDA四种算法进行数据预处理，使用SVM、逻辑回归、ANN三种方法对预处理与未预处理的数据进行了分类与评估，使用FCM方法对预处理与未预处理的数据进行了聚类与评估，完整地完成了项目的全部要求。实验过程中，对自己实现的预处理算法与sklearn的提供官方算法进行了对比；对比了预处理与否对分类与聚类精度的影响；对所有的算法均实现了可视化；基于pytorch框架使用自行搭建的MLP（多层感知机）神经网络对数据进行分类处理并总结效果。经过本次项目的实践，我对机器学习常用算法的理解与编程能力有了进一步提升，了解了预处理的重要性，也进行了不同机器学习算法应用在同一个问题上的对比，并认识到了各种算法的优劣，在日后解决科研难题的过程中，应当具体问题具体分析，选择最适合解决问题的那种算法。

环境配置

• 项目环境基于python3.6构建，为确保不报错，请使用python>=3.6的版本
• 建议使用conda命令进行python环境构建与依赖包的安装

conda create -n ml_test python=3.6
activate ml_test

• 所需要的基本依赖包安装命令如下

conda install numpy
conda install scikit-learn
conda install matplotlib

• 为运行KLDA，需要使用pip安装mlxtend扩充包

pip install mlxtend

• 为运行神经网络，需要安装pytorch，使用cpu版本即可

conda install pytorch

代码说明

• 1_1_pca_analysis.py 自己实现的PCA预处理与sklearn实现的PCA预处理效果对比
• 1_2_kpca_analysis.py 自己实现的KPCA预处理与sklearn实现的KPCA预处理效果对比
• 1_3_lda_analysis.py 自己实现的LDA预处理与sklearn实现的LDA预处理效果对比
• 1_4_klda_analysis.py sklearn未实现KLDA，这里只有自己实现的KLDA，部分源码参考博客链接
• 2_1_1_svm_raw.py 使用SVM对原始数据直接进行分类，包括不同kernel的选取对比
• 2_1_2_svm_pca.py 使用SVM对PCA预处理后的数据进行分类，包括不同kernel的选取对比
• 2_1_3_svm_lda.py 使用SVM对LDA预处理后的数据进行分类，包括不同kernel的选取对比
• 2_2_1_svm_raw.py 使用逻辑回归对原始数据直接进行分类
• 2_2_2_svm_pca.py 使用逻辑回归对PCA预处理后的数据进行分类
• 2_2_3_svm_lda.py 使用逻辑回归对LDA预处理后的数据进行分类
• 2_3_ann.py 使用MLP（多层感知机）对小麦品种分类
• 3_fcm_analysis.py 使用FCM对小麦进行聚类并评估
• dataset.py 读取小麦数据集的工具包

代码链接：

(https://download.csdn.net/download/mohen_777/89503737?spm=1001.2014.3001.5503)