Skip to content

Files

Latest commit

e6e9970 · Dec 10, 2018

History

History
67 lines (45 loc) · 2.56 KB

File metadata and controls

67 lines (45 loc) · 2.56 KB

一、 实验内容

1、 实现感知器算法和最小平方误差算法;

2、 分别使用感知器算法学习区分下列两类样本的线性分类器:

img

3、 MNIST数据集测试:使用TrainSamples中的30000个17维特征手写数字样本训练线性分类器区分10个类别,TrainLabels中包含训练样本的标签;测试线性分类器对TestSamples中10000个样本的识别正确率。

二、 实验结果

1、 仿真数据实验结果:分别给出使用感知器算法和最小平方误差算法得到的线性判别函数。

感知器算法:

F(x1, x2) = 0.26784988x1 + 0.18176198x2 - 0.4

img

最小平方误差算法:

F(x1, x2) = 0.4469281x1 + 0.185913x2 – 0.6

img

2、 MNIST数据集实验结果:(多类别解决方案及分类正确率)

  • 多类别解决方案:使用如下判别准则

img

  • 分类正确率:
    • 感知器算法:

                   precision    recall  f1-score   support
               0      0.902     0.888     0.895      1025
               1      0.917     0.894     0.905      1179
               2      0.767     0.838     0.801       882
               3      0.798     0.755     0.776      1080
               4      0.831     0.833     0.832       958
               5      0.687     0.704     0.695       895
               6      0.895     0.896     0.896       973
               7      0.876     0.864     0.870      1061
               8      0.758     0.726     0.741      1007
               9      0.734     0.777     0.755       940
       
       avg / total      0.821     0.820     0.820     10000
       Test acc: 0.8196
      
    • 最小平方误差算法:

                       precision    recall  f1-score   support
                  0      0.932     0.799     0.860      1176
                  1      0.926     0.740     0.823      1439
                  2      0.619     0.831     0.710       717
                  3      0.790     0.687     0.735      1175
                  4      0.861     0.729     0.789      1135
                  5      0.463     0.822     0.593       517
                  6      0.892     0.802     0.845      1083
                  7      0.864     0.743     0.799      1218
                  8      0.720     0.731     0.725       951
                  9      0.503     0.849     0.632       589
                  
         avg / total      0.802     0.763     0.772     10000
         Test acc: 0.7629