通过条件模糊向量与模糊关系R的合成进行模糊推理，得到结论的模糊向量，然后采用“清晰化”方法将模糊结论转换为精确量。其中SD（污泥少）、MD（污泥中）、LD（污泥多）、NG（油脂少）、MG（油脂中）、LG（油脂多）、VS（洗涤时间很短）、S（洗涤时间短）、M（洗涤时间中等）、L（洗涤时间长）、VL（洗涤时间很长）。目前，在人工智能领域的自动控制、模式识别、自然语言理解、机器人及专家系统研制等方面，模

在这次实验中，我们实现了一个基于产生式规则的动物识别系统。通过该实验，我进一步熟悉了一阶谓词逻辑和产生式表示法，掌握了产生式系统的运行机制以及基于规则推理的基本方法。此外，我们分析上述产生式规则可以看出，虽然系统是用来识别七种动物的，但它并不是简单的只设计7条规则，而是设计了15条规则。基本想法是从粗到细进行分类，随条件增加逐步缩小范围，最终给出识别7种动物的规则。这样做有两个好处：一是已知事实不

西南交通大学 机器学习实验8 集成学习（1）掌握集成学习思想，掌握boosting和bagging策略;（2）基于Adaboost实现多分类任务；（3）参考随机森林，以决策树为基学习器，构建bagging集成器用于多分类任务。

西南交通大学 机器学习实验5 线性回归编程实现线性回归模型，使用批梯度下降优化算法，基于MAE评估模型性能，对比不同学习率，绘制损失函数曲线图。

已知f(n)=g(n)+h(n)，g(n)代表从初始节点到n节点的实际代价，h(n)代表从n节点到目的节点的最佳路径的估计代价。h(n)=w(n)，估计最优代价为“不在位”的数码数量，且满足h(n)

西南交通大学 机器学习实验4 逻辑回归给定一个二分类数据集，编程实现逻辑回归模型，包括数据处理模块、前向计算模块、损失函数模块、梯度计算模块、参数优化模块、预测模块等，使用混淆矩阵评估逻辑回归模型性能表现。

西南交通大学 机器学习实验2 朴素贝叶斯分类器（1）了解朴素贝叶斯与半朴素贝叶斯的区别与联系，掌握高斯分布、多项式分布和伯努利分布的朴素贝叶斯计算方法。（2）编程实现朴素贝叶斯分类器，基于多分类数据集，使用朴素贝叶斯分类器实现多分类预测，通过精确率、召回率和F1值度量模型性能。

西南交通大学 机器学习实验5 线性回归编程实现线性回归模型，使用批梯度下降优化算法，基于MAE评估模型性能，对比不同学习率，绘制损失函数曲线图。

西南交通大学 机器学习实验1 分类与回归模型评估（1） 给定二分类数据集，包含了真实标签和多个算法的预测结果，编程实现混淆矩阵评测，根据指标评价算法的分类性能。（2）给定回归任务数据集，包含真实标签和多个算法的预测结果，编程实现RMSE、MAE、MAPE三种评测，根据指标评价算法的预测性能。（1）混淆矩阵评测\qquad混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，也是除了ROC曲线和AUC

西南交通大学 机器学习实验2 朴素贝叶斯分类器（1）了解朴素贝叶斯与半朴素贝叶斯的区别与联系，掌握高斯分布、多项式分布和伯努利分布的朴素贝叶斯计算方法。（2）编程实现朴素贝叶斯分类器，基于多分类数据集，使用朴素贝叶斯分类器实现多分类预测，通过精确率、召回率和F1值度量模型性能。