102Flower-Training

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

相关资料

• 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
  

工作记录

• 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 讲解程序思想
  
• 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 分类器

• 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)