机器学习实验-BP神经网络的实现

机器学习

---

BP网络

（1）按照BP网络结构，编程实现一个带有一个隐层的BP网络,实现对鸢尾花数据集的分类。通过BP网络各项参数的不同设置，观察BP算法的学习效果。观察比较BP网络各项参数变化对于训练结果的影响。

手写字体

（2）手写数字识别是一个多分类问题，共有10个分类，每个手写数字图像的 类别标签是0~9中的其中一个数。利用sklearn来训练一个简单的全连接神经网络，即多层感知机（Multilayer perceptron，MLP）用于识别数据集DBRHD的手写数字。

KNN手写字体

（3）采本实例利用sklearn来训练一个K最近邻（k-Nearest Neighbor，KNN）
分类器，用于识别数据集DBRHD的手写数字。邻居数量K影响分析：设置K为1、3、5、7的KNN分类器，对比他们的实验效果

对比

（4）比较KNN的识别效果与多层感知机的识别效果。
Iris数据集简介：
Iris数据集是常用的分类实验数据集，由Fisher, 1936收集整理。Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。数据集包含150个数据集，分为3类，每类50个数据，每个数据包含4个属性。可通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。
属性：
Sepal.Length（花萼长度），单位是cm；Sepal.Width（花萼宽度），单位是cm;
Petal.Length（花瓣长度），单位是cm；Petal.Width（花瓣宽度），单位是cm;
种类：
Iris Setosa（山鸢尾）（本例中使用数字‘0’表示）
Iris Versicolour（杂色鸢尾）（本例中使用数字‘1’表示）
Iris Virginica（维吉尼亚鸢尾）（本例中使用数字‘2’表示）
当我们使用BP神经网络来对数据进行分类或者预测的时候，每对有连接的神经元之间都有一个权重，记为w；同时还有偏移量，记为b。每个神经元中还有一个激活函数，记为σ（x），要注意的是这不是一个函数，有多个函数可以作为激活函数：Sigmoid、tanh、Relu等。
在每一次迭代计算中，正向运算（输入层开始），我们会计算出一个值，然后计算出该值与标准值的误差；反向运算（输出层开始），按照减小误差方向，修正各连接权。通过一次次的迭代计算，直到误差减小到给定的极小值，就可以结束迭代，完成训练。

实验报告去某海鲜市场

指北：有偿资源：[email protected]