序号

实验项目名称

学时

内容提要

实验类型

基础性

综合设计性

创新性

1

线性回归、模型评估

3

[实验目的]

1.掌握线性回归的原理和应用方法。

[实验内容]

1. 用线性回归找到最佳拟合直线。

2. 局部加权线性回归

3. 岭回归

4. lasso回归

5. 前向逐步回归

6. 示例：预测鲍鱼年龄

[实验方法及原理]

1. 收集数据

2. 准备数据：回归需要数值型数据，标称型数据将被转成二值型数据。

3. 分析数据：绘出数据的可视化二维图将有助于对数据做出理解和分析，在采用缩减法求得新回归系数之后, 可以将新拟合线绘在图上作为对比。

4. 训练算法：找到回归系数。

5. 测试算法：使用R2或者预测值和数据的拟合度，来分析模型的效果。

6. 使用算法：使用回归，可以在给定输入的时候预测出一个数值，这是对分类方法的提升 ，因为这样可以预测连续型数据而不仅仅是离散的类别标签。

√

2

决策树

3

[实验目的]

1.掌握决策树原理与应用方法

[实验内容]

1.决策树的构造：选择划分属性，递归构建决策树。

2.在Python中使用Matplotlib注解绘制树形图

3.测试和存储分类器

4.示例：使用决策树预测隐形眼镜类型

[实验方法及原理]

1.收集数据

2.准备数据：树构造算法只适用于标称型数据，因此数值型数据必须离散化。

3.分析数据：可以使用任何方法，构造树完成之后，应该检查图形是否符合预期。

4.训练算法：构造树的数据结构。

5.测试算法：使用经验树计算错误率。

6.使用算法：此步骤可以适用于任何监督学习算法，而使用决策树可以更好地理解数据的内在含义。

√

3

神经网络

9

[实验目的]

1.掌握神经网络的原理与应用方法

[实验内容]

1.循环神经网络

2.传统序列建模

3.RNN

4.LSTM

5.Word2vec

6.词向量模型，

7.示例：情感分析

[实验方法及原理]

1.收集数据

2.准备数据

3.分析数据

4.训练算法：构造神经网络结构。

5.测试算法：评估神经网络模型。

6.使用算法：使用神经网络模型。

√

4

支持向量机

3

[实验目的]

1.掌握支持向量机的原理与应用方法

[实验内容]

1.基于最大间隔分隔数据

2.寻找最大间隔

3.SMO高效优化算法

4.在复杂数据上应用核函数

5.示例：手写识别

[实验方法及原理]

1.收集数据

2.准备数据：需要数值型数据。

3.分析数据：有助于可视化分隔超平面。

4.训练算法：该过程主要实现两个参数的调优。

5.测试算法

6.使用算法：几乎所有分类问题都可以使用SVM，SVM本身是一个二类分类器，对多类问题应用SVM 需要对代码做一些修改。

√

5

贝叶斯分类

3

[实验目的]

1.掌握贝叶斯分类的原理与应用方法

[实验内容]

1.使用条件概率分类

2.使用朴素贝叶斯进行文档分类

3.从文本中构建词向量

4.从词向量计算概率

5.根据现实情况修改分类器

6.文档词袋模型

7.示例：使用朴素贝叶斯过滤垃圾邮件

[实验方法及原理]

1.收集数据

2.准备数据：需要数值型或者布尔型数据。

3.分析数据：有大量特征时，绘制特征作用不大，此时使用直方图效果更好。

4.训练算法：计算不同的独立特征的条件概率。

5.测试算法：计算错误率。

6.使用算法：一个常见的朴素贝叶斯应用是文档分类。可以在任意的分类场景中使用朴素贝叶斯分类器，不一定非要是文本。

√

6

集成学习

3

[实验目的]

1.掌握集成学习的原理与应用方法

[实验内容]

1.基于数据多重抽样的分类器:bagging,boosting

2.训练算法：基于错误提升分类器的性能

3.基于单层决策树构建弱分类器

4.AdaBoost算法的实现

5.非均衡分类问题

6.示例：在复杂数据集上应用AdaBoost

[实验方法及原理]

1.收集数据

2.准备数据：依赖于所使用的弱分类器类型，本章使用的是单层决策树，这种分类器可以处理任何数据类型。当然也可以使用任意分类器作为弱分类器，作为弱分类器，简单分类器的效果更好。

3.分析数据：可以使用任意方法。

4.训练算法：AdaBoost的大部分时间都用在训练上，分类器将多次在同一数据集上训练弱分类器。

5.测试算法：计算分类的错误率。

6.使用算法：同SVM— 样 ，AdaBoost预测两个类别中的一个。如果想把它应用到多个类别的场合，那么就要像多类SVM中的做法一样对AdaBoost进行修改。

√

√

7

聚类

3

[实验目的]

1.掌握聚类算法的原理与应用方法

[实验内容]

1.利用K-均值聚类算法对未标注数据分组

2.使用后处理提高聚类性能

3.二分K-均值算法

4.示例：对地图上的点进行聚类

[实验方法及原理]

1.收集数据

2.准备数据 ：需要数值型数据来计算距离，也可以将标称型数据映射为二值型数据再用于距离计算。

3.分析数据

4.训练算法：不适用于无监督学习，即无监督学习没有训练过程。

5．测试算法：应用聚类算法、观察结果。可以使用量化的误差指标如误差平方和来评价算法的结果。

6.使用算法：可以用于所希望的任何应用。通常情况下，簇质心可以代表整个簇的数据来做出决策。

√

8

降维与度量学习，特征选择与稀疏学习

5

[实验目的]

1.掌握”K-近邻”算法的原理与应用方法

[实验内容]

1.导入数据

2.从文本文件中解析数据

3.测试分类器

4.示例1：使用K-近邻算法改进约会网站的配对效果

5.示例2：手写识别系统

[实验方法及原理]

1.收集数据：提供文本文件。

2.准备数据: 使用Python解析文本文件。

3.分析数据：使用Matplotlib画二维扩散图。

4.训练算法：此步驟不适用于卜近邻算法。

5.测试算法：使用部分数据作为测试样本。

测试样本和非测试样本的区别在于：测试样本是已经完成分类的数据，如果预测分类与实际类别不同，则标记为一个错误。

6.使用算法：产生简单的命令行程序，然后进行预测。

√

总计

32