现在的结果已经全部在./results文件夹中，如果需要复现结果可以将该文件夹中所有文件删除，并且运行如下：

复现习题一的所有结果，运行代码 cd code && python practice_1.py

复现习题二的所有结果，运行代码 cd code && python practice_2.py

复现习题三的所有结果，运行代码 cd code && python practice_3.py

用不同的随机数和超参，跑了100轮KMeans。

详细结果见"./results/practice_1_kmeans_detail.txt", 包涵初始类中心点；迭代次数；聚类结果（每类包含的样本，类中心）；错误率。

实验结果汇总见"./results/practice_1_kmeans_summary.txt"。 目前最好的超参为迭代9次，平均ACC0.890，最优ACC0.893.

结果放在"./results/practice_1_spectral_cluster_detail.txt" 最优ACC可以打到0.9

结果如图，详细结果放在"./results/practice_2_nearest_neighbors_classifier_detail_results.txt"

结果如图，随着COMPONENTS数目的增多，复原图片之后的损失变得越来越小。

结果如图，详细结果放在"./results/practice_2_pca_lda_detail_results.txt"。

我们可以看到并不是COMPONENTS数目越多越好。

但COMPONENTS=N_C时，分类效果最好。此时ACC=0.93。

结果如图，详细结果放在"./results/practice_2_pca_svm_detail_results.txt"。

和LDA一样，并不是COMPONENTS数目越多越好，但COMPONENTS=N_C时，分类效果最好。此时ACC=0.89

将前十个分类画图如下：

详细结果放在：

• LDA: "./results/practice_3_lle_lda_detail_results.txt"、
• SVM: "./results/practice_3_lle_svm_detail_results.txt"、
• 逻辑回归: "./results/practice_3_lle_lr_detail_results.txt"。

SVM的结果如下图，COMPONENTS=45, 结果最好ACC=0.895 LDA的结果如下图，COMPONENTS=75, 结果最好ACC=0.92 逻辑回归的结果如下图，COMPONENTS=70, 结果最好ACC=0.89