目录
1. 问题分析 3
2. 问题求解 3
2.1. 数据预处理 3
2.1.1. 预处理流程 3
2.1.2. 预处理实现 4
2.2. 降维可视化 4
2.2.1. 降维流程分析 4
2.2.2. PCA 方法降维 4
从图中给出的结果得到各个阶段的用时 6
2.2.3. t-SNE 方法求解 7
1. 随机产生初始解，得到在低维空间中的映射样本𝑌 7
3. 通过梯度下降和动量法对结果进行更新 7
4. 算法在达到指定的迭代步数时，停止迭代 7
2.2.3.3.t-SNE 实现结果 7
2.2.4. LDA 方法求解 10
2.2.4.1. LDA 算法原理 10
2.2.4.2. LDA 实现过程 10
5. 则降维后的结果为𝑧𝑖 = 𝑊𝑇𝑥𝑖 10
2.2.4.3. LDA 实现结果 10
2.2.4.4. LDA 模型性能 12
从图中给出的结果得到各个阶段的用时 12
2.2.5. 自编码器方法求解 13
2.2.5.1 .自编码器算法原理 13
2.2.5.2 .自编码器实现过程 13
2.2.5.3 .自编码器实现结果 14
2.2.5.4 .自编码器模型性能 15
2.2.6. 不同降维可视化方法比较和分析 16
2.2.6.1 .不同降维可视化方法比较 16
2.2.6.2 .不同降维可视化方法分析 16
2.3. 聚类分析 16
2.3.1. 聚类流程分析 16
2.3.2. 聚类评价标准说明 17
2.3.2.1 .标准化后的互信息 17
2.3.2.2 .调整后的兰德系数 17
2.3.2.3.Fowlkes-Mallows 分数 17
2.3.2.4.准确率 17
2.3.3. K-Means 方法聚类 17
2.3.3.1.K-Means 聚类原理 17
2.3.3.2.K-Means 聚类实现过程 18
1. 初始划分 K 个聚类，选择中心点 18
2.3.3.3.K-Means 聚类结果 18
2.3.3.4.K-Means 聚类性能 18
2.3.4. K-Means++方法聚类 18
2.3.4.1.K-Means++聚类原理 18
2.3.4.2.K-Means++聚类实现过程 18
2.3.4.3.K-Means++聚类结果 19
2.3.4.4.K-Means++聚类性能 19
2.3.5. SOM 方法聚类 19
2.3.5.1. SOM 聚类原理 19
2.3.5.2. SOM 聚类实现过程 19
2.3.5.3. SOM 聚类结果 20
2.3.5.4. SOM 聚类性能 20
2.3.6. PCA+K-Means 方法聚类 20
2.3.7. PCA+K-Means++方法聚类 20
2.3.8. PCA+SOM 方法聚类 21
2.3.9. 聚类方法对比和总结 21
2.4. 深度学习和非深度学习识别分类 22
2.4.1. 非深度学习识别分类 22
2.4.1.1 .数据处理 22
1. PCA 降维原理：在降维中已经做过说明，这里不再阐述 22
2.4.1.3 .实现过程 22
2.4.1.4 .实验结果 22
2.4.1.5 .模型性能 23
2.4.2. 深度学习识别分类 23
2.4.2.1 .数据处理 23
2.4.2.2 .算法原理 23
2.4.2.3 .实现过程 25
2.4.2.4 .实验结果与模型性能结果 25
2.4.2.5 .模型性能分析 26
3. 总结 26
1.问题分析
本次任务以花卉识别为题，借用机器学习方法，完成降维可视化、聚类分析、识别分类等任务。
降维可视化是在以 PCA、tSNE 等方法，将花卉数据进行降维，得到降维后的二维图像， 这样便可以将其在平面上展示出来。聚类分析是利用合适的聚类方法，对花卉数据进行聚类， 将聚类之后的结果与标签进行对应，讨论不同聚类方法的结果。使用非深度学习和深度学习的方法，对已经标注完成但是可能含有误标数据的花卉样本进行分类，得到最终的花卉识别准确率。
2.问题求解
2.1.数据预处理
2.1.1.预处理流程
给定的数据集为 jpg 格式的数据，由于读取 jpg 格式的图片比较慢，所以将 jpg 格式存储在 numpy 的多维数组中，将提取出的多维数组存储在磁盘中，并且在下一次读取数据时， 先判断是否存在已经打包好的多维数组文件。如果存在，那么直接读取多维数组的数据；如果不存在，那么读取源文件，并将数据存到多维数组中，再存到磁盘里，供下次使用。
