《大数据分析技术》-课程设计课题 小麦种子的识别问题_第1页
《大数据分析技术》-课程设计课题 小麦种子的识别问题_第2页
《大数据分析技术》-课程设计课题 小麦种子的识别问题_第3页
《大数据分析技术》-课程设计课题 小麦种子的识别问题_第4页
《大数据分析技术》-课程设计课题 小麦种子的识别问题_第5页
已阅读5页,还剩4页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

PAGEPAGE2学号组长成员1成员2成员3大数据分析技术课程设计课题小麦种子的识别问题学生姓名组长成员1成员2成员3院部数学与计算机学院专业班级指导教师二○二三年六月PAGE3目录摘要 3一.问题描述 1二.数学建模 22.1问题分析 22.2符号系统 22.3合理的简化的假设 22.4模型建立 2三.系统开发 33.1系统设计 33.1.1系统参数说明 33.1.2系统架构 33.2系统实现 33.3系统使用说明 4四.结论 5参考文献 6摘要从总体上阐述文章要解决的问题、分析问题的主要思路、针对问题建立的模型以及最终的计算结果,摘要内容不少于500字。关键词:列出文章中出现的关键词汇及数学用语。PAGE7一.问题描述小麦种子数据集(WheatSeedsDataset)包含了3类小麦品种共210条记录,每类小麦品种各70条,每条记录中自第1列至第7列是小麦品种的7个特征,依次是区域、周长、压实度、籽粒长度、籽粒宽度、不对称系数和籽粒腹沟长度,第8列是小麦种子所属品种,有三个品种:冀麦38号、鲁麦15号和渝麦7号。具体信息请见实验所附数据文件“小麦种子数据集.xlsx”中“样本”表。我们可以通过“样本”建立小麦种子判别准则,即通过小麦种子的7个特征预测小麦种子的类别:属于冀麦38号、鲁麦15号,还是渝麦7号。本设计根据所附数据集研究小麦种子的识别规则,并据此对小麦进行识别。(1)对数据先进行描述性统计分析,再进行标准化变换;(2)应用标准化数据建立小麦品种的logistic识别模型及神经网络识别模型;(3)对logistic模型,要求对模型中的参数进行估计,并提取各特征的重要性;(4)对两个模型的精度进行评估,要求输出描述精度的混淆矩阵;(5)现获得一批小麦麦粒在7个特征上的观测值,见“小麦种子数据集.xlsx”中“新样本”表,试识别这批小麦分别来自哪个品种。(6)将上述解决问题的过程封装为一个pythonapi,提供给种业相关单位参考使用。注:需附使用说明。

二.数学建模2.1问题分析2.2符号系统2.3合理的简化的假设2.4模型建立2.5模型求解

三.系统开发将前面研究结果集成为一个系统。3.1系统设计3.1.1系统参数说明一、输入参数二、输出参数3.1.2系统架构AppSVM建模SVC训练fit评估内预测准确率accuracy_score预测3.2系统实现#集成开始#〇、导库fromsklearn.svmimportSVC#导入数据分割函数:将数据分割为训练集和测试集fromsklearn.model_selectionimporttrain_test_split#导入模型评估函数fromsklearn.metricsimportaccuracy_score#一、算法集成defAppSVM(X,y,data,c=1,kernel='rbf',gamma=2,test_size=0.3):#输入参数说明~~~~~~~~~#1.X,y=对象在其特征上的观测数据及其对应的类别,都是数据框,是已经完成预处理的数据。#2.data=待识别对象在其特征上的观测值,是一个数据框,是已经完成预处理的数据。#3.支持向量机参数设置#c=惩罚因子,应用于SVC;默认参数,默认值为1。#kernel=指定支持向量机的核函数;默认参数,默认值为“rbf”(高斯核函数)。#gamma=仅当核函数为“rbf”时有效,是平衡支持向量个数的参数:#gamma越大,支持向量越少,gamma值越小,支持向量越多;#默认参数,默认值为1。#4.test_size=X,y中数据用于测试的比例,默认参数,默认值为0.3。#输出参数说明~~~~~~~~~#1.results=字典型数据,其键为:#labels=对应的预测结果#accuracy=模型的识别准确率,包含回代准确率和测试准确率#套路开始#1.建模model=SVC(C=c,kernel=kernel,gamma=gamma)#2.训练#2.1分割训练集和测试集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=test_size,random_state=42)#2.2训练模型model.fit(X_train,y_train)#3.评估#3.1系统内预测以计算预测准确率#3.1.1回代预测y_pred_train=model.predict(X_train)#3.1.2测试预测y_pred_test=model.predict(X_test)#3.2据内预测结果计算预测准确率#3.2.1回代准确性acc_train=accuracy_score(y_train,y_pred_train)print("训练集预测准确率:",acc_train)#3.2.2测试准确性acc_test=accuracy_score(y_test,y_pred_test)print("测试集预测准确率:",acc_test)#4.预测labels=model.predict(data)#5.输出结果--results={}results['预测类别']=lab

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论