机器学习练习,使用SVM、随机森林、Adaboost算法训练 102 flower 训练集 得到特征提取
- 随机森林Matlab算法:http://blog.csdn.net/jiandanjinxin/article/details/51003840
- 随机森林 Python sklearn:http://blog.csdn.net/a819825294/article/details/51177435
- matlab实现hog+svm图像二分类 http://blog.csdn.net/jcy1009015337/article/details/53763484
- 随机森林 http://blog.csdn.net/dan1900/article/details/39030867
- Matlab使用技巧 http://blog.csdn.net/lqhbupt/article/details/20292113
- 随机森林 介绍 http://www.stat.berkeley.edu/~breiman/RandomForests/cc_home.htm#intro
- 随机森林 原理 http://www.cnblogs.com/maybe2030/p/4585705.html
- 随机森林(原理/样例实现/参数调优) http://blog.csdn.net/y0367/article/details/51501780
- 2017.04.24 谈合作细节,了解项目相关领域知识(SVM CNN RF Adaboost等) 商讨价格,第一次优化 SVM 程序
- 2017.04.25 尝试完成 RF 第一版本程序
- 2017.04.26 第二次优化 SVM 程序
- 2017.04.27 完善 RF 程序 得到 最佳参数: T 100 M 128
- 2017.04.28 交接工作 讲解程序**
- 2017.05.03 先打1500块钱 作为 第一部分交付额
- 2017.05.08~2017.05.12 关于 RF 原理部分的讨论
- MATLAB中的分类器
目前了解到的MATLAB中分类器有:K近邻分类器,随机森林分类器,朴素贝叶斯,集成学习方法,鉴别分析分类器,支持向量机。现将其主要函数使用方法总结如下,更多细节需参考MATLAB 帮助文件。
设
训练样本:train_data % 矩阵,每行一个样本,每列一个特征
训练样本标签:train_label % 列向量
测试样本:test_data
测试样本标签:test_label
-
K近邻分类器 (KNN)
mdl = ClassificationKNN.fit(train_data,train_label,'NumNeighbors',1); predict_label = predict(mdl, test_data); accuracy = length(find(predict_label == test_label))/length(test_label)*100
-
随机森林分类器(Random Forest)
B = TreeBagger(nTree,train_data,train_label); predict_label = predict(B,test_data);
-
朴素贝叶斯 (Na?ve Bayes)
nb = NaiveBayes.fit(train_data, train_label); predict_label = predict(nb, test_data); accuracy = length(find(predict_label == test_label))/length(test_label)*100;
-
集成学习方法(Ensembles for Boosting, Bagging, or Random Subspace)
ens = fitensemble(train_data,train_label,'AdaBoostM1' ,100,'tree','type','classification'); predict_label = predict(ens, test_data);
-
鉴别分析分类器(discriminant analysis classifier)
obj = ClassificationDiscriminant.fit(train_data, train_label); predict_label = predict(obj, test_data);
-
支持向量机(Support Vector Machine, SVM)
SVMStruct = svmtrain(train_data, train_label); predict_label = svmclassify(SVMStruct, test_data)