实现1NN分类器与朴素贝叶斯算法在MATLAB上的作业指南

资源摘要信息:"本资源涉及使用MATLAB语言实现的1nn分类器代码，以及与之相关的作业要求和指南。它与COMP3308课程的"Introduction to Artificial Intelligence"相关，并被标记为“系统开源”。本文档包含了详细的作业描述和评分标准，强调了截止期限和逾期提交政策，以及如何通过PASTA系统提交作业和报告，也提到了在Canvas中的额外提交要求以进行学术诚信检查。" 知识点: 1. K最近邻（KNN）算法： - KNN是一种基本的分类与回归算法。 - 它通过测量不同特征间的距离进行分类。 - 在分类任务中，输出为一个类别，通过计算测试数据与训练集中所有数据的距离，并进行排序，选取最近的K个点的多数类别作为预测结果。 2. 朴素贝叶斯算法： - 朴素贝叶斯是一种基于贝叶斯定理的简单概率分类器。 - 它假设特征之间相互独立。 - 适用于大样本数据集，在文本分类和邮件过滤等领域有广泛应用。 3. 分层交叉验证方法： - 该方法通过将数据集分成具有相同比例的子集来进行交叉验证。 - 保证每个训练集和验证集都有相似的类别分布。 - 提升了模型评估的准确性和稳定性。 4. Weka工具使用： - Weka是一个流行的机器学习软件，提供了多种数据挖掘任务的实现方法。 - 包括数据预处理、分类、回归、聚类、关联规则以及在数据上的可视化。 - 允许用户应用多种机器学习算法于真实数据集，并对算法性能进行评估。 5. 特征选择： - 特征选择是机器学习中的一个过程，用于减少用于训练模型的特征数量。 - 基于关联的特征选择（CFS）方法是从数据集的特征子集中选择有用的特征，同时去除不相关和冗余的特征。 - 优化模型性能和减少训练时间。 6. 编程语言要求： - 支持实现的编程语言包括Python、Java、C、C++和MATLAB。 - 不允许使用内置的分类库，需要从零开始实现算法。 7. 提交和评分： - 作业占最终成绩的20%。 - 可以单独完成或者与一名同伴一起完成（最多2人一组）。 - 截止时间是2019年5月10日晚上11:59。 - 逾期提交将受到惩罚，超过三天的作业不予接受。 8. 作业提交平台： - 代码和报告通过PASTA系统提交。 - 报告还需在Canvas中单独提交以进行学术诚信检查。 9. 系统开源： - 表示与本次作业相关的软件代码或资料是开源的，可自由获取和使用。 总结： 这份文档包含了关于COMP3308课程的第二次作业的所有重要细节，强调了实现KNN和朴素贝叶斯算法的重要性，并介绍了分层交叉验证以及如何使用Weka工具评估数据集。同时，该文档也对编程语言的选择、提交截止时间、评分标准和作业提交流程给出了明确的指示。这些信息对于完成作业和理解课程要求至关重要。此外，提到的“系统开源”标签表明相关的代码或资料是开源的，这可能意味着学生可以访问额外的资源，如示例代码或教学辅助材料。