合工大-人工智能原理实验报告

目录

人工智能原理实验报告

源码下载地址 

---

人工智能原理实验报告

实验报告是关于实验教学内容、过程及效果的记录和总结，因此，应注意以下事项和要求：

1．实验报告要求：格式规范，语言表达清楚，数据和程序真实。并能够理论联系实际，认真分析实验中出现的问题与现象，总结经验。

2．实验报告的撰写应独立完成，严禁抄袭或拷贝，否则，一经查实，按作弊论取，并取消理论课考试资格。

3. 可根据实际需要调整每个单元格的篇幅。

4. 请按照要求填写实验报告。算法源代码请放置在附录中。

题目序号_1___   作业名称：      基于knn算法                    

                        实验时间∶  2022 年 10月 29  日  

实验内容

一、题目内容和要求： 使用提供的几种算法训练分类器

问题背景和相关工作介绍 Knn介绍 k近邻法(k-nearest neighbor, k-NN)是1967年由Cover T和Hart P提出的一种基本分类与回归方法。它的工作原理是：存在一个样本数据集合，也称作为训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一个数据与所属分类的对应关系。输入没有标签的新数据后，将新的数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本最相似数据(最近邻)的分类标签。一般来说，我们只选择样本数据集中前k个最相似的数据，这就是k-近邻算法中k的出处，通常k是不大于20的整数。最后，选择k个最相似数据中出现次数最多的分类，作为新数据的分类。 实验数据介绍   实验数据为老师提供的数据，这里使用 diabetes_discrete.data 这个数据集 分类模型介绍   分类模型使用knn模型

三、解题思路   将数据集分为测试集和训练集。向训练好的模型输入测试集的内容，将得到的结果与真实情况对比，最后检测得到模型的准确率为70%左右

四、算法伪代码 数据预处理： # 数据预处理 group=[] label=[] for i in range(len(data)):     temp=[]     for j in range(len(data[0])):         if data[i][j]>=0:             temp.append(int(data[i][j]))     label.append(temp[-1])     group.append(temp[:-1]) test=group group=np.array(group) Knn分类 def classify0(inX, dataSet, labels, k):     #numpy函数shape[0]返回dataSet的行数     dataSetSize = dataSet.shape[0]     #在列向量方向上重复inX共1次(横向)，行向量方向上重复inX共dataSetSize次(纵向)     diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet     #二维特征相减后平方     sqDiffMat = diffMat**2     #sum()所有元素相加，sum(0)列相加，sum(1)行相加     sqDistances = sqDiffMat.sum(axis=1)     #开方，计算出距离     distances = sqDistances**0.5     #返回distances中元素从小到大排序后的索引值     sortedDistIndices = distances.argsort()     #定一个记录类别次数的字典     classCount = {}     for i in range(k):         #取出前k个元素的类别         voteIlabel = labels[sortedDistIndices[i]]         #dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。         #计算类别次数         classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1     #python3中用items()替换python2中的iteritems()     #key=operator.itemgetter(1)根据字典的值进行排序     #key=operator.itemgetter(0)根据字典的键进行排序     #reverse降序排序字典     sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)     #返回次数最多的类别,即所要分类的类别     return sortedClassCount[0][0]

五、实验设置 实验工具： Pycharm,python 实验配置： windows系统

六、实验结果 要求： （1）请以表格或图片的方式给出实验结果。 （2）图片、表格应符合规范：应有标题、并分别编号。 （3）结果内容可包括：测试用例、预计输出结果、实际输出结果、运行时间对比等。鼓励学有余力的同学提供与其他算法的实验结果对比。 当训练集为1：500 测试集为501：768，k=5时

七、实验结果分析 要求：请通过实验结果分析是否已完成实验要求、正确得到预计的实验结果。可分析所采用算法的实际性能以及后续改进空间。以及给出实验过程中遇到的问题及解决方案。鼓励学有余力的同学通过实验结果分析不同算法的性能对比。 根据我们的实验结果，已经可以分别测试集的的类别，准确率达到70%，我们看到训练集的大小和k的取值不同对最后的结果有影响，但在本次实验中影响并不大

八、总结 通过此次实验，学习到了knn算法，对该算法的原理有了更深入的了解，而且通过这个算法训练了模型，准确率在70%以上，希望以后可以在编程的路上越走越远。

九、附录：算法源代码（要求：小五号字体、行距12磅） # -*- coding: UTF-8 -*- import operator import numpy as np import pandas as pd data = pd.read_csv('课程报告数据集/diabetes_discrete.data', sep=' ', names=[i for i in range(590)]) data = np.array(data) """     group - 数据集     labels - 分类标签 """ # 数据预处理 group=[] label=[] for i in range(len(data)):     temp=[]     for j in range(len(data[0])):         if data[i][j]>=0:             temp.append(int(data[i][j]))     label.append(temp[-1])     group.append(temp[:-1]) test=group group=np.array(group) """ 函数说明:kNN算法,分类器 Parameters:     inX - 用于分类的数据(测试集)     dataSet - 用于训练的数据(训练集)     labes - 分类标签     k - kNN算法参数,选择距离最小的k个点 Returns:     sortedClassCount[0][0] - 分类结果 Modify:     2017-07-13 """ def classify0(inX, dataSet, labels, k):     #numpy函数shape[0]返回dataSet的行数     dataSetSize = dataSet.shape[0]     #在列向量方向上重复inX共1次(横向)，行向量方向上重复inX共dataSetSize次(纵向)     diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet     #二维特征相减后平方     sqDiffMat = diffMat**2     #sum()所有元素相加，sum(0)列相加，sum(1)行相加     sqDistances = sqDiffMat.sum(axis=1)     #开方，计算出距离     distances = sqDistances**0.5     #返回distances中元素从小到大排序后的索引值     sortedDistIndices = distances.argsort()     #定一个记录类别次数的字典     classCount = {}     for i in range(k):         #取出前k个元素的类别         voteIlabel = labels[sortedDistIndices[i]]         #dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。         #计算类别次数         classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1     #python3中用items()替换python2中的iteritems()     #key=operator.itemgetter(1)根据字典的值进行排序     #key=operator.itemgetter(0)根据字典的键进行排序     #reverse降序排序字典     sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)     #返回次数最多的类别,即所要分类的类别     return sortedClassCount[0][0] # 训练集大小 l=500 #训练数据集 group, labels = group[0:l],label[0:l] #测试集 group_test=test[l:] label_test=label[l:] #kNN分类 cnt=0 for i in range(len(group_test)):     test_class = classify0(group_test[i], group, labels, 5)     if test_class==label_test[i]:         cnt+=1 # 输出 print(cnt/len(group_test))

感想、体会、建议∶    希望以后可以在编程的路上越走越远。

上机报告成绩、评语∶ 指导教师签名： 年    月   日

源码下载地址 

https://gitee.com/yishangyishang/HFUT_Artificial_Intelligence_Experiment_Report.git