文件名称：svm算法手写matlab代码-Machine-learning:机器学习
文件大小：15.06MB
文件格式：ZIP
更新时间：2024-06-12 17:44:02
系统开源
svm算法手写matlab代码它是什么？ 该存储库包含在MATLAB中实现的三个项目。 请参考以下提到的文件夹名称。 1.ANN-实现人工神经网络来识别手写数字。 运行ann.m文件以查看其工作。 2. Logistic回归-使用多分类（One-vs-all）分类，该程序还旨在识别手写数字。 运行logsiticregression.m文件。（忽略拼写错误：p） 3，线性回归-具有正则化模型的多元回归模型，用于预测学生的入学情况。运行lr.m和lr_regularized.m。 4.垃圾邮件分类-识别垃圾邮件，而不是使用svm的垃圾邮件。 运行spam.m文件 5.使用SVM绘制决策边界绘制决策边界，使用svm方法分离数据集1,2,3的数据。 运行svm.m 6.测试错误为Logistic回归数据在测试集和交叉验证集上生成错误向量。 重要功能- 向量化方法 安装 由于它们是.m文件，因此安装很容易，因此只需将这些文件夹下载到您的MATLAB目录中即可。 作者 Siddhant Tandon * *大多数代码是我写的，除了几行代码是由Coursera编写的，因为该项目是Andew Ng的
【文件预览】：
Machine-learning-master
----spamclassifier()
--------linearKernel.m(230B)
--------svmPredict.m(1KB)
--------gaussianKernel.m(282B)
--------spamTrain.mat(419KB)
--------spamTest.mat(110KB)
--------getVocabList.m(796B)
--------svmTrain.m(5KB)
--------spamSample1.txt(655B)
--------porterStemmer.m(10KB)
--------emailSample1.txt(393B)
--------vocab.txt(20KB)
--------readFile.m(396B)
--------spam.m(2KB)
--------emailFeatures.m(287B)
--------emailSample2.txt(1KB)
--------processEmail.m(2KB)
--------spamSample2.txt(245B)
----README.md(1KB)
----svmclassification()
--------ex6data2.mat(7KB)
--------linearKernel.m(230B)
--------svmPredict.m(1KB)
--------svm.m(2KB)
--------plotData.m(388B)
--------gaussianKernel.m(282B)
--------svmTrain.m(5KB)
--------visualizeBoundary.m(598B)
--------visualizeBoundaryLinear.m(284B)
--------porterStemmer.m(10KB)
--------readFile.m(396B)
--------ex6data3.mat(6KB)
--------dataset3Params.m(581B)
--------ex6data1.mat(981B)
----Linear Regression()
--------sigmoid.m(99B)
--------mapFeature.m(505B)
--------plotData.m(438B)
--------plotDecisionBoundary.m(1KB)
--------ex2data1.txt(4KB)
--------lr_regularized.m(2KB)
--------lr.m(2KB)
--------costFunctionReg.m(437B)
--------ex2data2.txt(2KB)
--------costFunction.m(303B)
--------predict.m(221B)
----test.m(2KB)
----Bias and variance problem()
--------fmincg.m(9KB)
--------polyFeatures.m(350B)
--------featureNormalize.m(355B)
--------linearRegCostFunction.m(421B)
--------learningCurve.m(861B)
--------validationCurve.m(633B)
--------trainLinearReg.m(644B)
--------biasvsvariance.m(5KB)
--------plotFit.m(662B)
--------ex5data1.mat(1KB)
----Logistic Regression()
--------displayData.m(1KB)
--------ex3data1.mat(7.16MB)
--------sigmoid.m(90B)
--------fmincg.m(9KB)
--------lrCostFunction.m(457B)
--------ex3weights.mat(78KB)
--------oneVsAll.m(629B)
--------predictOneVsAll.m(351B)
--------logsiticregression.m(1KB)
----ANN()
--------displayData.m(1KB)
--------computeNumericalGradient.m(909B)
--------sigmoid.m(90B)
--------fmincg.m(9KB)
--------checkNNGradients.m(1KB)
--------sigmoidGradient.m(164B)
--------nnCostFunction.m(2KB)
--------debugInitializeWeights.m(591B)
--------randInitializeWeights.m(291B)
--------ex4data1.mat(7.16MB)
--------ann.m(5KB)
--------ex4weights.mat(78KB)
--------predict.m(296B)