cs231n assignment1

最新推荐文章于 2021-03-14 20:12:01 发布
最新推荐文章于 2021-03-14 20:12:01 发布
阅读量430 收藏
点赞数
分类专栏： 计算机视觉 文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zuicong5568/article/details/78248411
版权

KNN

算法概述

http://www.cnblogs.com/ybjourney/p/4702562.html
KNN是通过测量不同特征值之间的距离进行分类。它的的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。K通常是不大于20的整数。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。

下面通过一个简单的例子说明一下：如下图，绿色圆要被决定赋予哪个类，是红色三角形还是蓝色四方形？如果K=3，由于红色三角形所占比例为2/3，绿色圆将被赋予红色三角形那个类，如果K=5，由于蓝色四方形比例为3/5，因此绿色圆被赋予蓝色四方形类。
knn算法
由此也说明了KNN算法的结果很大程度取决于K的选择。

在KNN中，通过计算对象间距离来作为各个对象之间的非相似性指标，避免了对象之间的匹配问题，在这里距离一般使用欧氏距离或曼哈顿距离：

同时，KNN通过依据k个对象中占优的类别进行决策，而不是单一的对象类别决策。这两点就是KNN算法的优势。

接下来对KNN算法的思想总结一下：就是在训练集中数据和标签已知的情况下，输入测试数据，将测试数据的特征与训练集中对应的特征进行相互比较，找到训练集中与之最为相似的前K个数据，则该测试数据对应的类别就是K个数据中出现次数最多的那个分类，其算法的描述为：

  1. 计算测试数据与各个训练数据之间的距离；
  2. 按照距离的递增关系进行排序；
  3. 选取距离最小的K个点；
  4. 确定前K个点所在类别的出现频率；
  5. 返回前K个点中出现频率最高的类别作为测试数据的预测分类。

sklearn实现

http://blog.csdn.net/gamer_gyt/article/details/51232210

# -*- coding: utf-8 -*-
''' 
Created on 2016/4/24 
@author: Gamer Think 
'''  
#导入NearestNeighbor包 和 numpy  
from sklearn.neighbors import NearestNeighbors  
import numpy as np  

#定义一个数组  
X = np.array([[-1,-1],  
              [-2,-1],  
              [-3,-2],  
              [1,1],  
              [2,1],  
              [3,2]  
              ])  
""" 
NearestNeighbors用到的参数解释 
n_neighbors=5,默认值为5，表示查询k个最近邻的数目 
algorithm='auto',指定用于计算最近邻的算法，auto表示试图采用最适合的算法计算最近邻 
fit(X)表示用X来训练算法 
"""  
nbrs = NearestNeighbors(n_neighbors=3, algorithm="ball_tree").fit(X)  
#返回距离每个点k个最近的点和距离指数，indices可以理解为表示点的下标，distances为距离  
distances, indices = nbrs.kneighbors(X)  
print indices  
print distances
#输出的是求解n个最近邻点后的矩阵图，1表示是最近点，0表示不是最近点  
print nbrs.kneighbors_graph(X).toarray()

自己实现

http://www.cnblogs.com/hemiy/p/6155425.html

def file2matrix(filename):
    """
    从文件中读入训练数据，并存储为矩阵
    """
    fr = open(filename)
    arrayOlines = fr.readlines()
    numberOfLines = len(arrayOlines)   #获取 n=样本的行数
    returnMat = zeros((numberOfLines,3))   #创建一个2维矩阵用于存放训练样本数据，一共有n行，每一行存放3个数据
    classLabelVector = []    #创建一个1维数组用于存放训练样本标签。  
    index = 0
    for line in arrayOlines:
        # 把回车符号给去掉
        line = line.strip()    
        # 把每一行数据用\t分割
        listFromLine = line.split('\t')
        # 把分割好的数据放至数据集，其中index是该样本数据的下标，就是放到第几行
        returnMat[index,:] = listFromLine[0:3]
        # 把该样本对应的标签放至标签集，顺序与样本集对应。
        classLabelVector.append(int(listFromLine[-1]))
        index += 1
    return returnMat,classLabelVector

def autoNorm(dataSet):
    """
    训练数据归一化
    """
    # 获取数据集中每一列的最小数值
    # 以createDataSet()中的数据为例，group.min(0)=[0,0]
    minVals = dataSet.min(0) 
    # 获取数据集中每一列的最大数值
    # group.max(0)=[1, 1.1]
    maxVals = dataSet.max(0) 
    # 最大值与最小的差值
    ranges = maxVals - minVals
    # 创建一个与dataSet同shape的全0矩阵，用于存放归一化后的数据
    normDataSet = zeros(shape(dataSet))
    m = dataSet.shape[0]
    # 把最小值扩充为与dataSet同shape，然后作差，具体tile请翻看 第三节 代码中的tile
    normDataSet = dataSet - tile(minVals, (m,1))
    # 把最大最小差值扩充为dataSet同shape，然后作商，是指对应元素进行除法运算，而不是矩阵除法。
    # 矩阵除法在numpy中要用linalg.solve(A,B)
    normDataSet = normDataSet/tile(ranges, (m,1))
    return normDataSet, ranges, minVals

def datingClassTest():
    # 将数据集中10%的数据留作测试用，其余的90%用于训练
    hoRatio = 0.10
    datingDataMat,datingLabels = file2matrix('datingTestSet2.txt')       #load data setfrom file
    normMat, ranges, minVals = autoNorm(datingDataMat)
    m = normMat.shape[0]
    numTestVecs = int(m*hoRatio)
    errorCount = 0.0
    for i in range(numTestVecs):
        classifierResult = classify0(normMat[i,:],normMat[numTestVecs:m,:],datingLabels[numTestVecs:m],3)
        print("the classifier came back with: %d, the real answer is: %d, result is :%s" % (classifierResult, datingLabels[i],classifierResult==datingLabels[i]))
        if (classifierResult != datingLabels[i]): errorCount += 1.0
    print("the total error rate is: %f" % (errorCount/float(numTestVecs)))
    print(errorCount)

KNN文本处理

http://www.letiantian.me/2015-04-03-knn-text-classification/?utm_source=tuicool&utm_medium=referral

SVM

简介

  1. 背景：

    • 最早是由 Vladimir N. Vapnik 和 Alexey Ya. Chervonenkis 在1963年提出
    • 目前的版本(soft margin)是由Corinna Cortes 和 Vapnik在1993年提出，并在1995年发表
    • 深度学习（2012）出现之前，SVM被认为机器学习中近十几年来最成功，表现最好的算法

  2. 机器学习的一般框架：
    训练集 => 提取特征向量 => 结合一定的算法（分类器：比如决策树，KNN）=>得到结果

  3. 介绍：

    • 例子：
      两类？哪条线最好？
    • SVM寻找区分两类的超平面（hyper plane), 使边际(margin)最大
    • 总共可以有多少个可能的超平面？无数条
    • 如何选取使边际(margin)最大的超平面 (Max Margin Hyperplane)？
    • 超平面到一侧最近点的距离等于到另一侧最近点的距离，两侧的两个超平面平行

线性可区分(linear separable) 和 线性不可区分 （linear inseparable)

定义与公式建立

SVM如何找出最大边际的超平面呢(MMH)？
利用一些数学推倒，可变为有限制的凸优化问题(convex quadratic optimization)
利用 Karush-Kuhn-Tucker (KKT)条件和拉格朗日公式，可以推出MMH可以被表示为以下“决定边界 (decision boundary)”

scikit实现

简单例子

from sklearn import svm

X = [[2, 0], [1, 1], [2,3]]
y = [0, 0, 1]
clf = svm.SVC(kernel = 'linear')
clf.fit(X, y)  

print(clf)

# get support vectors
print(clf.support_vectors_)

# get indices of support vectors
print(clf.support_) 

# get number of support vectors for each class
print(clf.n_support_)

sklearn画出决定界限

print(__doc__)

import numpy as np
import pylab as pl
from sklearn import svm

# we create 40 separable points
np.random.seed(0)
X = np.r_[np.random.randn(20, 2) - [2, 2], np.random.randn(20, 2) + [2, 2]]
Y = [0] * 20 + [1] * 20

# fit the model
clf = svm.SVC(kernel='linear')
clf.fit(X, Y)

# get the separating hyperplane
w = clf.coef_[0]
a = -w[0] / w[1]
xx = np.linspace(-5, 5)
yy = a * xx - (clf.intercept_[0]) / w[1]

# plot the parallels to the separating hyperplane that pass through the
# support vectors
b = clf.support_vectors_[0]
yy_down = a * xx + (b[1] - a * b[0])
b = clf.support_vectors_[-1]
yy_up = a * xx + (b[1] - a * b[0])


print "w: ", w
print "a: ", a
# print " xx: ", xx
# print " yy: ", yy
print "support_vectors_: ", clf.support_vectors_
print "clf.coef_: ", clf.coef_

# In scikit-learn coef_ attribute holds the vectors of the separating hyperplanes for linear models. It has shape (n_classes, n_features) if n_classes > 1 (multi-class one-vs-all) and (1, n_features) for binary classification.
# 
# In this toy binary classification example, n_features == 2, hence w = coef_[0] is the vector orthogonal to the hyperplane (the hyperplane is fully defined by it + the intercept).
# 
# To plot this hyperplane in the 2D case (any hyperplane of a 2D plane is a 1D line), we want to find a f as in y = f(x) = a.x + b. In this case a is the slope of the line and can be computed by a = -w[0] / w[1].




# plot the line, the points, and the nearest vectors to the plane
pl.plot(xx, yy, 'k-')
pl.plot(xx, yy_down, 'k--')
pl.plot(xx, yy_up, 'k--')

pl.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1],
           s=80, facecolors='none')
pl.scatter(X[:, 0], X[:, 1], c=Y, cmap=pl.cm.Paired)

pl.axis('tight')
pl.show()
_pureheart
关注
专栏目录
cs231n:assignment1:KNN解答
Tramac的博客
01-19 1165
本篇博客是对斯坦福大学课程cs231n中第一个作业assignment1中对k-Nearest Neighbor部分的解答，解答过程使得对Python库numpy的应用更加熟悉，以及对train/val/test集有了更深的了解，对交叉验证法有了一定的掌握。下面直接进入正题：       KNN算法基本思路：通过测试集与训练集的比较，作业中用的衡量标准是欧氏距离。比如，对于作业中的数据集，其中测
cs231n Assignment 1# KNN详细答案及总结
i_csdn_water的博客
02-16 1189
Assignment 1# KNNKNN分类器简介基本思路：超参数：Part OneTwo loop versionPart TwoOne loop versionTwo loop versionCross Validation预测函数cross validation函数 KNN分类器简介 基本思路： 首先将目标图片（33232）伸展为一维的目标向量向量，然后比较目标向量和训练集中所有样本向量的“”距离“。找出其中距离最小（最相似）的K个样本，找到这些样本所属类别。找出其中最多的作为预测值。 超参数： 这是
CS231n-assignment1(作业1)-knn
tuzixini的博客
11-25 1117
Assignment1介绍页面：http://cs231n.github.io/assignments2017/assignment1/ [TOC]建议开始做作业前熟悉python的基本语法，以及jupyter notebook的基本使用方法，最好也熟悉numpy的API（不过也可以通过做作业学习这些东西） 完成KNN部分的作业需要补充两个文件中的代码缺失，分别是根目录下的knn.ipynb文件
CS231n+assignment1（作业一）
qiangzi的博客
06-25 2488
一、第一个是KNN的代码，这里的trick是计算距离的三种方法，核心的话还是python和machine learning中非常实用的向量化操作，可以大大的提高计算速度。 import numpy as np class KNearestNeighbor(object):#首先是定义一个处理KNN的类 """ a kNN classifier with L2 distance """
cs231n作业assignment1
08-09
CS231N计算机视觉公开课的作业答案，只有assignment1，其中包含了作业，还有作业的答案，还有在网上下载的数据集，都在里面了。这个作业是用的anaconda的jupyter来做的。 如果后期的软件下载，或者如何打开使用，...
CS231n Assignment 1(一)
weixin_43174717的博客
05-17 343
@[TOC](CS231n Assignment 1(一)) 这篇文章就用来说说CS231n A1 Q1-Q3主要教的东西，还有计算SVM、Softmax损失函数和梯度的全矢量化（fully-vectorized）代码吧。 0.图像识别的简单分类器 CS231n是讲卷积神经网络（Convolutional Neural Network,CNN）图像识别的，当然，不可能一开始就来讲CNN（可能也可以吧），所以前面的几个lecture从简单的图像识别器开始讲起。 A1前三问主要讲了两大类图像识别分别器：KNN
cs231n Assignment 1# two layer net详细答案及总结
i_csdn_water的博客
03-14 3365
Forward pass: 这里没有任何技术上的难点，就是写了文件中loss函数中scores和loss部分。 loss函数作用就是如果传入了y就返回loss和对所有w和b的梯度，这里在traning的时候调取。 如果没有传入y，就只返回scores，在predict的时候调用。 backward pass： 这里写了loss函数中计算grads的部分，完成了loss函数的书写内容。 ...
【深度学习】cs231n-assignment1 - KNN
Image
04-23 2508
这一系列主要记录cs231n课程对应的笔记。每学习一个课程，写下来，看看自己理解了多少。cs231n是大牛lifeifei在斯坦福开设的深度学习与计算机视觉课程。 课程地址： http://vision.stanford.edu/teaching/cs231n/syllabus.html 课程ppt： https://github.com/autoliuweijie/DeepLearning
CS231n assignment1 -- knn
donghai_yu的博客
02-22 1434
    正在学习cs231n，记录下自己写作业的过程    自己也是深度学习新手，希望能和大家多多交流学习啦,附上我的作业地址：https://github.com/donghaiyu233/cs231n，欢迎fork~。1.knn（k-Nearest Neighbor）原理思想：训练过程仅仅为记住所有的训练数据，predict过程为在训练数据中找与之最相近的k个图片的标签，k个标签进行一次投票，...
cs231n assignment1 features作业
AIpush的博客
08-16 960
# Use the validation set to tune the learning rate and regularization strength from cs231n.classifiers.linear_classifier import LinearSVM learning_rates = [1e-9, 1e-8, 1e-7] regularization_strength...
cs231n 课程作业 Assignment 1
热门推荐
张小彬的专栏
02-15 7万+
课程资料趁着在学校的时间，跟着 cs231n 的课程做了一下作业，感觉收获特别大，现在汇总在博客里。下面是一些官方的课程资料： 网页 备注 课程主页 主页课程介绍 课程官方笔记 貌似要 fq 软件支持 Syllabus 课件、视频、课程安排表 还有一些其他有用的非官方资料： 网页 备注 课程中文翻译 智能单元公众号提供的翻译 课程视频 网易云课堂提
cs231n-assignment1的笔记
Zamirquito的博客
02-17 9975
在看完cs231n前面几章的内容后，准备做一下assignment1，然后怕之后忘记，所以写博文记录一下......由于我是个low逼程序员，平时能用Windows就绝不用linux，所以在这次作业时使用虚拟机完成了作业，装好ubuntu16.04之后，配好环境，使用jupyter notebook查看相应的要求Q1: k-Nearest Neighbor classifier由于我对matplo...
深度学习-机器学习(5.2支持向量机SVM)
Mogul的博客
05-30 1820
1.SVM如何找出最大边际的超平面呢（MMH）?     利用一些数学推到，以上一节的公式可变为有限的凸优化问题（convex quadratic optimization）    利用Karush-Kuhn-Tucker)(KKT)条件和拉格朗日公式，可以推出MMH可以被表示为以下“决定边界(decision boundary)”   可以表示的公式：                      ...
CS231n #assignment1 新手第一次做作业的准备工作
weixin_43552191的博客
12-21 1684
Assignment #1: Image Classification, kNN, SVM, Softmax, Neural Network http://cs231n.github.io/assignments2018/assignment1/ 1.本地环境配置： Windows10 + Anaconda 4.5.11 + python 3.6.6
cs231n_assignment1_配置作业环境+kNN
ChuanjieZhu
03-03 1万+
作业1：http://cs231n.github.io/assignments2017/assignment1/ 我是在win7电脑上做的。 准备工作： 下载anaconda：https://www.anaconda.com/download/ 打开前修改jupyter notebook启动目录：https://www.zhihu.com/question/31600197/answ...
cs231n作业配置
公独何人，心如止水。
10-03 2068
1，cd assignment1 sudo pip install virtualenv # This may already be installed virtualenv .env # Create a virtual environment source .env/bin/activate # Activate the virtual
CS231n Assignment1总结
qq_33669204的博客
11-21 1401
lecture3一些关于链式法则的基本知识。 下面是对assignment1的代码一些关键点或者有意思实现的总结 参考答案：https://github.com/sharedeeply/cs231n-assignment-solution/blob/master/assignment1/ 数据集读取 对于assigment1中使用的数据集，从其中读出来照片是一张被拉成一维向量的图片，所以输入X_t...
cs231n assignment1 svm
最新发布
03-16
cs231n作业1是关于支持向量机（SVM）的。SVM是一种常用的分类算法，它可以将数据分为两个类别，并找到一个最优的超平面来分割它们。在这个作业中，你将实现一个线性SVM分类器，并使用它来对图像进行分类。你还将学习...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值