摘要：通過小麥的特征數據，采用機器學習預測小麥的種子類型。對提高小麥的種子分類技術水平的具有重要的意義。

機器學習小麥種子分類，收集小麥種子的各種特征類型，匯聚成小麥種子數據集。本數據集包含了210組觀察值，每組數據由七個影響小麥種子類型的因素組成：區域，種子周長，種子壓實度，籽粒長度，籽粒寬度，籽粒不對稱系數，籽粒腹溝長度。

對小麥種子數據集，首先進行數據預處理，包括數據清洗、數據分類、特征縮放等過程。然后使用邏輯回歸，支持向量機和隨機森林創建學習模型。最后通過準確率指標對學習模型進行性能評價。實驗結果證明，在驗證集占比變化的情況下，邏輯回歸算法的準確率最穩定，是完成對小麥種子分類的優選算法。

關鍵詞：機器學習  學習模型  模型預測 

目錄

摘要

Abstract

1 緒論-1

1.1 課題研究背景及意義-1

1.2 課題研究的工具及方法-1

1.3 論文的主要內容-2

2 小麥種子的數據整理-3

3 數據預處理-5

3.1 標準庫及數據庫的導入-5

3.2 導入數據集-6

3.3 重復數據的處理-8

3.4 創建訓練集和測試集-9

3.5 特征縮放-9

3.6 構建混淆矩陣-10

3.7 本章小結-11

4 機器學習分類算法部分-12

4.1 邏輯回歸-12

4.1.1 邏輯回歸算法原理-12

4.1.2 用邏輯回歸創建學習模型-12

4.2 支持向量機-12

4.2.1 支持向量機的原理與應用-12

4.2.2 用支持向量機創建學習模型-12

4.3 隨機森林算法-13

4.3.1 隨機森林算法原理-13

4.4本章小結-13

5 機器學習效果對比分析-14

5.1 非隨機挑選驗證集-14

5.1.1 邏輯回歸算法的學習效果分析-14

5.1.2支持向量機算法學習效果分析-15

5.1.3 隨機森林算法學習效果分析-15

5.1.4 三種算法之間學習效果比較-16

5.2 隨機挑選驗證集-17

5.2.1 邏輯回歸算法學習效果分析-17

5.2.2 支持向量機算法學習效果分析-19

5.2.3 隨機森林算法學習效果分析-19

5.3.4 三種算法之間學習效果比較-20

6 總結-22

參考文獻-23

致謝-25

附錄一-26

附錄二-29