ML_classwork

2026 春季研究生《机器学习》课程作业仓库。仓库已按课程实验和大作业整理，重点保留可复现源码、实验报告、论文、运行环境配置、结果表和图像。

远程仓库：

https://github.com/STEYZJ/ML_classwork.git

• 当前版本：2026.05.21.3
• 稳定分支：main
• 远程仓库：https://github.com/STEYZJ/ML_classwork
• GitHub About：2026春季研究生《机器学习》课程作业：四次实验、无监督特征选择大作业、报告与可复现实验源码
• Topics：machine-learning coursework feature-selection regression lda svm neural-network python

目录结构

.
├── dataset/
│   └── dataset/                         # 大作业给定 .mat 数据集
├── 实验/                                # 四次实验原始要求与实验数据
│   ├── 实验一线性回归/
│   ├── LDA实验/
│   ├── SVM 支持向量机人脸识别/
│   └── 第四次实验-神经网络/
├── 大作业/                              # 大作业视频/笔记/要求整理，本地保留大视频
├── 结果/
│   ├── 实验报告/                        # 四次实验报告、源码和输出
│   └── 大作业/                          # 大作业论文、源码和输出
└── README.md

说明：书/、大作业视频、压缩包、网页资源缓存和系统临时文件不进入版本管理，避免仓库体积过大。

四次实验

实验成果位于：

结果/实验报告/
├── README.md
├── 实验一线性回归/
├── 实验二LDA/
├── 实验三SVM人脸识别/
└── 实验四神经网络/

已完成的实验：

1. 线性回归/岭回归；
2. Fisher 线性判别分析 LDA；
3. SVM 支持向量机人脸识别；
4. 全连接神经网络分类器。

每次实验均拆分为独立目录，目录内包含 实验报告.md、实验报告.docx、源码/README.md、独立运行脚本和对应输出结果。

实验一运行：

cd 结果/实验报告/实验一线性回归/源码
conda env create -f environment.yml
conda activate ml-labs

python run_experiment.py --output-dir outputs

实验二、三、四运行方式类似，以实验二为例：

cd 结果/实验报告/实验二LDA/源码
python run_experiment.py \
  --experiment-root /Volumes/Work/学习/作业/机器学习/实验 \
  --output-dir outputs

主要输出：

• 结果/实验报告/实验一线性回归/源码/outputs/linear_regression_metrics.csv
• 结果/实验报告/实验二LDA/源码/outputs/lda_metrics.csv
• 结果/实验报告/实验二LDA/源码/outputs/lda_sonar_feature_curve.csv
• 结果/实验报告/实验三SVM人脸识别/源码/outputs/svm_face_metrics.csv
• 结果/实验报告/实验四神经网络/源码/outputs/neural_network_metrics.csv

当前主要结果：

实验	数据集/任务	主要指标
线性/岭回归	sklearn Diabetes	最佳 R2 = 0.4781
LDA	Iris	ACC = 0.9800
LDA	Sonar	10 折 ACC = 0.7600
SVM	Yale 人脸识别	测试 ACC = 0.7400
神经网络	MNIST	测试 ACC = 0.9033
神经网络	Yale	测试 ACC = 0.5600
神经网络	lung	测试 ACC = 0.8197

大作业

大作业成果位于：

结果/大作业/
├── 论文.md
├── 论文.docx
└── 源码/

题目：基于回归学习与流形结构保持的无监督特征选择。

运行方式：

cd 结果/大作业/源码
conda env create -f environment.yml
conda activate ml-feature-selection

python run_experiment.py \
  --dataset-dir /Volumes/Work/学习/作业/机器学习/dataset/dataset \
  --output-dir outputs \
  --feature-counts 20 50 100 \
  --knn 5 \
  --alpha 0.01 \
  --beta 0.1 \
  --max-iter 12

主要输出：

• outputs/results.csv
• outputs/dataset_summary.csv
• outputs/selected_feature_rankings.json
• outputs/acc_by_dataset.png

环境说明

实验和大作业源码目录均提供独立 Conda 环境文件：

• 四次实验：结果/实验报告/实验*/源码/environment.yml，环境名 ml-labs
• 大作业：结果/大作业/源码/environment.yml，环境名 ml-feature-selection

也可以使用 pip 安装：

pip install -r requirements.txt

自动化管理

当前远程仓库：

git remote -v
# origin  https://github.com/STEYZJ/ML_classwork.git

仓库已经提供自动管理配置：

• .github/repo-meta.json：统一维护仓库 About、Topics、默认分支、允许分支前缀和当前版本；
• VERSION：当前版本号，GitHub Actions 会在 main 分支按该文件自动创建版本标签；
• scripts/repo_manage.py：本地管理脚本，可检查元数据、更新 README、升级版本、创建规范分支、同步 GitHub About；
• .github/workflows/repo-check.yml：每次 push/PR 自动检查版本、README 元信息和分支命名；
• .github/workflows/version-tag.yml：VERSION 变化后自动创建并推送 v版本号 标签；
• .github/workflows/sync-about.yml：配置仓库 Secret REPO_ADMIN_TOKEN 后自动同步 GitHub About 和 Topics。

常用命令：

# 检查版本、README 元数据和当前分支命名
python scripts/repo_manage.py check

# 根据 .github/repo-meta.json 自动更新 VERSION 和 README 元数据块
python scripts/repo_manage.py update

# 按日期升级版本，例如 2026.05.21 -> 2026.05.21.1
python scripts/repo_manage.py bump

# 创建规范分支，可选 work/docs/experiment/fix/release
python scripts/repo_manage.py branch docs "update readme" --push

# 使用 REPO_ADMIN_TOKEN 或 GH_TOKEN 同步 GitHub About
python scripts/repo_manage.py sync-about

# 根据 VERSION 创建并推送版本标签
python scripts/repo_manage.py tag --push

.gitignore 已忽略：

• macOS 元数据 .DS_Store
• Python 缓存 __pycache__/、*.pyc
• Matplotlib/Pytest 缓存
• 课程参考书目录 书/
• 大作业视频
• 压缩包和网页离线资源缓存