1 Проект данных перекрестной проверки Набор данных Iris состоит из 150 выборок 4-мерных векторов с 1 целочисленной меткой. Есть 3 разных этикетки, и на этикетке ровно 50 образцов. Сначала мы хотим провести 5-кратную перекрестную проверку следующим образом:
Для класса 1 разбить данные на 5 крат: выборочные номера 1-10, 11-20, 21-30, 31-40 и 41-50, и они названы как f11, f12, f13, f14 и f15 соответственно.
Для класса 2 его сгибы равны f21, f22, f23,f24 и f25.
Для класса 3 его сгибы: f31, f32, f33, f34 и f35.
Создать тренировкуданные, установленные R1 = {f11,. ,., f14, f21,. ,., f24, f31,. ,., f34} и тест, установленный с помощью T1 = {f15, f25, f35}.
Используйте R1 для обучения 6 вышеуказанных гауссовых классификаторов, рассчитайте точность по T1.
Повторите вышеуказанное с R2-R5 и T2-T5, чтобы получить 5 значений точности.
Найдите среднюю точность и определите лучший гауссовский классификатордля набора данных Iris.
2 Машины опорных векторов Гиперпараметрами SVM являются параметры C (неразделимость) и параметры ядра. Используйте 5-кратную перекрестную проверку для
- Определите лучший C и степень (порядок, ранг и т. Д.) Функций ядра полинома.
- Определите лучший C и стандартное отклонениефункции ядра Гаусса (или называемый
параметр ядра RBF). Этот процесс выбора гиперпараметров называется поиском по сетке, поскольку комбинации дискретного выбора параметров составляют сетку в многомерном векторном пространстве, и мы изучаем каждую сетку, чтобы найти оптимальный набор гиперпараметров. Критическая проблема проектирования - выбор дискретного непрерывного пространства параметров: например, обычный выбор C = {1, 10, 100,. ,.}.