一个小白的7天CNN之旅

先学经历

• 观看b/站《李宏毅机器学习(2017)》教学视频p1-p20。（直接搜“机器学习”，ps：没错就是刚好看到了CNN）

一、特征提取

因为我用的是DEAP数据集

labels中有4个评价指标。
我直接对每个指标进行一个2分类的划分，由于每个指标的取值是[0,9]，所以简单粗暴地以4.5划分为High和Low。

• 看了一些资料：
  https://www.cnblogs.com/wkslearner/p/8933685.html

因为8064维的维数有点高，我决定训练之前先降个维。

• 降维：决定用PCA
  参考一
  参考二

不能所有数据一起PCA降维，要先分出训练集和测试集，降维之前先标准化。

对于用PCA降维的实现看了些资料：
https://blog.csdn.net/ccblogger/article/details/81866631
matlab_PCA
python_PCA
sklearn_PCA
下面是百度百科中对pca降维的一段解释，还是挺清晰的：

“对于一个训练集，100个对象模板，特征是10维，那么它可以建立一个10010的矩阵，作为样本。求这个样本的协方差矩阵，得到一个1010的协方差矩阵，然后求出这个协方差矩阵的特征值和特征向量，应该有10个特征值和特征向量，我们根据特征值的大小，取前四个特征值所对应的特征向量，构成一个104的矩阵，这个矩阵就是我们要求的特征矩阵，10010的样本矩阵乘以这个104的特征矩阵，就得到了一个1004的新的降维之后的样本矩阵，每个特征的维数下降了。

当给定一个测试的特征集之后，比如110维的特征，乘以上面得到的104的特征矩阵，便可以得到一个1*4的特征，用这个特征去分类。”

PCA原理参考

https://blog.csdn.net/qq_36523839/article/details/82558636

二、训练

这边是直接参考的《李宏毅机器学习(2017)》这里边举得例子。用的是keras。
经典的CNN模型
参数调整

三、画图

混淆矩阵

ps：本人初学，比较菜。有错漏之处，还望交流指正~