机器学习期末大作业满分攻略：六次作业代码与报告全指南

简介这份资源是机器学习期末大作业的六次作业合集面向高校学生、课程设计者及需要快速完成机器学习实践任务的学习者涵盖从基础分类到概率建模的完整实验链路。包内共340个文件以109个Python源码、107张结果图、22份CSV数据集为主辅以13份PDF实验报告、10份Markdown说明及少量R脚本、Jupyter笔记本与PPT压缩包约63.56MB结构清晰便于按项目检索。六次作业分别对应基于KNN的手写数字识别、回归模型、参数估计与非参数估计、朴素贝叶斯分类器、层次聚类和决策树分类器每项均含源码与实验报告代码附有注释新手也能理解部署。目前已有84人学习下载。读者可直接获得六套可运行的完整方案、配套数据集与结果图表用于课程设计参考、实验复现或期末冲刺省去从零搭建与调试的时间。1. 机器学习期末大作业合集六次作业怎么从零跑到满分每到期末机器学习大作业就成了分水岭。有人六次作业一路绿灯有人第一次交完就被助教打回重做。这个标题指向的是一套完整的六次大作业合集包含可运行代码和配套实验报告覆盖从数据预处理、传统机器学习模型到深度学习模型的典型任务链路。它解决的不是某个算法怎么写而是六次作业怎么排期、每份报告怎么写出得分点、代码怎么组织才能复用。适合两类人一是正在赶机器学习期末、需要一份能对照复现的参考二是想系统过一遍机器学习入门到应用流程的自学者。下面按我实际带人做作业的顺序拆开讲重点放在能直接抄的代码骨架、报告结构以及那些让分数从 80 掉到 60 的细节。2. 六次作业的任务拆解与代码目录怎么组织2.1 先看清六次作业通常覆盖哪些算法机器学习期末大作业的六次任务不同学校命名不同但内核高度重合。常见组合是第一次数据清洗与特征工程第二次线性模型线性回归/逻辑回归第三次决策树与集成学习第四次支持向量机与核方法第五次无监督学习聚类/降维第六次深度学习模型CNN 或简单神经网络。也有学校把第六次换成计算机视觉大作业或图像处理作业本质还是用机器学习检测/分类。我一般建议先做一张任务映射表把每次作业的输入、输出、评估指标、报告页数要求列清楚。这张表决定了你后面代码目录怎么分、报告模板怎么复用。很多同学翻车就翻在每次作业单独建一个文件夹代码复制粘贴改一改到第六次发现前面写的预处理函数有 bug六份报告全要返工。作业序号典型任务核心算法评估指标报告重点1数据清洗与特征工程缺失值填充、标准化、独热编码数据质量报告特征分布图、处理前后对比2线性回归/逻辑回归最小二乘、梯度下降、正则化MSE / 准确率 / F1损失曲线、正则化系数对比3决策树与集成ID3/C4.5/CART、随机森林、GBDT准确率、特征重要性树深度与过拟合关系4SVM 与核方法线性核、RBF 核、软间隔准确率、支持向量数核函数选择依据、C 与 gamma 影响5聚类与降维K-Means、DBSCAN、PCA、t-SNE轮廓系数、方差解释率聚类可视化、降维前后对比6深度学习模型MLP、CNN、迁移学习准确率、混淆矩阵网络结构图、训练曲线这张表不是让你照抄而是让你在拿到题目后先填一遍。填不出来的格子就是你要去查资料的地方。2.2 代码目录按数据-模型-报告三层分六次作业如果各自为政最后一定乱。我习惯用一个仓库管六次作业目录结构如下ml-homework/ ├── data/ │ ├── raw/ # 原始数据只读 │ ├── processed/ # 清洗后数据 │ └── external/ # 外部数据集 ├── src/ │ ├── common/ │ │ ├── io.py # 读写、路径管理 │ │ ├── preprocess.py # 通用预处理 │ │ └── metrics.py # 评估指标 │ ├── hw1/ │ │ ├── run.py # 入口 │ │ └── config.yaml # 参数 │ ├── hw2/ │ └── ... ├── reports/ │ ├── hw1.md │ └── figures/ # 所有图统一放这 ├── requirements.txt └── README.md这样分的好处是common里的预处理和评估函数只写一次六次作业共用每次作业的config.yaml只改参数不改逻辑报告里的图统一从reports/figures/引用不会出现图在哪个文件夹的尴尬。2.3 用一份配置驱动六次作业的参数很多同学把超参数硬编码在代码里换一次作业就改一次代码改到最后自己都不知道哪个版本是对的。我一般用 YAML 配置把参数抽出来# src/hw2/config.yaml data: path: data/processed/hw2_train.csv target: label test_size: 0.2 random_state: 42 model: name: logistic_regression params: C: 1.0 penalty: l2 solver: lbfgs max_iter: 1000 output: model_path: outputs/hw2_model.pkl report_path: reports/hw2.md对应的读取代码import yaml from pathlib import Path def load_config(path: str) - dict: 读取 YAML 配置路径统一转成绝对路径避免相对路径踩坑。 with open(path, r, encodingutf-8) as f: cfg yaml.safe_load(f) base Path(path).resolve().parent.parent.parent cfg[data][path] str(base / cfg[data][path]) cfg[output][model_path] str(base / cfg[output][model_path]) return cfg逻辑说明load_config把配置里的相对路径统一转成基于项目根目录的绝对路径。参数说明path是配置文件路径base取的是项目根目录根据你的目录层级调整.parent次数。这样无论从哪个目录运行脚本数据路径都不会错。这是六次作业能复用的第一个基础设施后面每次作业只需要换config.yaml。3. 实验报告怎么写才能拿到满分结构、图表与得分点3.1 报告结构按问题-方法-实验-分析四段走实验报告不是代码说明书。助教看报告的时间通常只有几分钟结构清晰比内容多更重要。我一般用这个骨架问题描述用两三句话写清任务目标、输入输出、评估指标。方法写清用了什么算法、为什么选它、关键公式不用推导写结论即可。实验设置数据规模、划分方式、超参数、运行环境。结果与分析表格放指标图放曲线和可视化每张图下面写一句从图中可以看出……。问题与改进写一两个实际遇到的坑和你的处理这是拉开分差的地方。很多同学把方法写成教科书摘抄把分析写成效果很好。助教一眼就能看出你有没有真跑过。分析部分一定要有具体数字比如当 C 从 0.1 增到 10训练集准确率从 0.82 升到 0.97但验证集准确率在 C1 后开始下降说明模型进入过拟合。3.2 图表规范每张图都要能独立看懂报告里的图标准是截出来单独发给别人对方也能看懂。这意味着标题、坐标轴标签、图例、单位一个都不能少。用 matplotlib 时我固定一套样式import matplotlib.pyplot as plt plt.rcParams.update({ figure.dpi: 150, savefig.dpi: 150, font.size: 11, axes.titlesize: 13, axes.labelsize: 11, axes.grid: True, grid.alpha: 0.3, figure.autolayout: True, }) def save_fig(fig, name: str): 统一保存到 reports/figures避免图散落各处。 out freports/figures/{name}.png fig.savefig(out, bbox_inchestight) print(fsaved: {out})逻辑说明rcParams统一了所有图的字体、网格、分辨率避免每张图风格不一致。save_fig强制图片输出到固定目录。参数说明dpi150是报告打印的够用值再高文件会很大bbox_inchestight去掉多余白边。六次作业所有图都走这个函数报告里引用路径统一不会出现图裂。3.3 得分点藏在对比实验和失败分析里满分报告和及格报告的差距往往不在主实验而在附加分析。我一般会加两组对比参数对比同一个模型换 3 到 5 个关键参数画一张指标变化表。模型对比至少两个算法在同一数据上的表现说明为什么选最终那个。失败分析更关键。比如聚类作业里 K-Means 对非球形簇效果差你可以补一张 DBSCAN 的对比图写清K-Means 在月牙形数据上轮廓系数只有 0.31DBSCAN 达到 0.58原因是 K-Means 假设簇为凸形。这种分析助教一看就知道你真做了实验不是抄的。提示报告里的所有数字必须和代码输出一致。我见过有人手改报告里的准确率结果助教跑代码对不上直接判抄袭。跑完代码把指标打印到日志报告里从日志复制。4. 六次作业常见算法的最小可运行代码骨架4.1 传统机器学习模型以逻辑回归和随机森林为例第二次和第三次作业通常落在传统机器学习模型上。下面是一个可复用的训练评估骨架逻辑回归和随机森林都能套import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score, f1_score, classification_report def train_eval(cfg: dict): df pd.read_csv(cfg[data][path]) X df.drop(columns[cfg[data][target]]) y df[cfg[data][target]] X_train, X_test, y_train, y_test train_test_split( X, y, test_sizecfg[data][test_size], random_statecfg[data][random_state], stratifyy, ) scaler StandardScaler() X_train_s scaler.fit_transform(X_train) X_test_s scaler.transform(X_test) if cfg[model][name] logistic_regression: clf LogisticRegression(**cfg[model][params]) else: clf RandomForestClassifier(**cfg[model][params]) clf.fit(X_train_s, y_train) pred clf.predict(X_test_s) print(accuracy:, accuracy_score(y_test, pred)) print(f1:, f1_score(y_test, pred, averageweighted)) print(classification_report(y_test, pred)) return clf, scaler逻辑说明先划分训练测试集stratifyy保证类别比例一致标准化只在训练集上fit测试集只transform避免数据泄漏。参数说明test_size常用 0.2数据少时用 0.3random_state固定后结果可复现报告里写清楚这个值C是逻辑回归正则化强度的倒数越小正则越强。随机森林的n_estimators从 100 起步max_depth不设或设 10 到 20 之间。4.2 深度学习模型一个能跑通的 MLP 训练循环第六次作业如果是深度学习模型很多同学卡在环境配置和训练循环上。下面是一个最小 MLP 骨架用 PyTorchimport torch import torch.nn as nn from torch.utils.data import DataLoader, TensorDataset class MLP(nn.Module): def __init__(self, in_dim: int, hidden: int, n_class: int): super().__init__() self.net nn.Sequential( nn.Linear(in_dim, hidden), nn.ReLU(), nn.Dropout(0.3), nn.Linear(hidden, hidden // 2), nn.ReLU(), nn.Linear(hidden // 2, n_class), ) def forward(self, x): return self.net(x) def train_mlp(X_train, y_train, X_val, y_val, cfg: dict): device torch.device(cuda if torch.cuda.is_available() else cpu) model MLP(X_train.shape[1], cfg[hidden], cfg[n_class]).to(device) opt torch.optim.Adam(model.parameters(), lrcfg[lr]) loss_fn nn.CrossEntropyLoss() train_ds TensorDataset(torch.tensor(X_train, dtypetorch.float32), torch.tensor(y_train, dtypetorch.long)) train_loader DataLoader(train_ds, batch_sizecfg[batch_size], shuffleTrue) for epoch in range(cfg[epochs]): model.train() total_loss 0.0 for xb, yb in train_loader: xb, yb xb.to(device), yb.to(device) opt.zero_grad() loss loss_fn(model(xb), yb) loss.backward() opt.step() total_loss loss.item() model.eval() with torch.no_grad(): val_logits model(torch.tensor(X_val, dtypetorch.float32).to(device)) val_pred val_logits.argmax(dim1).cpu().numpy() val_acc (val_pred y_val).mean() print(fepoch {epoch1}: loss{total_loss/len(train_loader):.4f} val_acc{val_acc:.4f}) return model逻辑说明MLP用两层隐藏层加 Dropout防止小数据集过拟合训练循环里每个 epoch 后在验证集上评估方便画训练曲线。参数说明hidden从 128 或 256 起步lr用 1e-3batch_size用 32 或 64epochs先跑 50 看曲线没收敛再加。注意X_train要提前标准化神经网络对尺度敏感。4.3 无监督学习聚类和降维的可视化套路第五次作业常要求聚类可视化。高维数据直接画不了标准做法是先 PCA 降到 2 维再画from sklearn.decomposition import PCA from sklearn.cluster import KMeans import matplotlib.pyplot as plt def cluster_visualize(X, n_clusters: int 3): X_pca PCA(n_components2, random_state42).fit_transform(X) labels KMeans(n_clustersn_clusters, random_state42, n_init10).fit_predict(X) fig, ax plt.subplots(figsize(6, 5)) scatter ax.scatter(X_pca[:, 0], X_pca[:, 1], clabels, cmapviridis, s20) ax.set_title(fK-Means clustering (k{n_clusters}) on PCA-reduced data) ax.set_xlabel(PC1) ax.set_ylabel(PC2) fig.colorbar(scatter, axax, labelcluster) return fig逻辑说明PCA 只用于可视化聚类仍在原始特征上做避免降维丢失信息影响结果。参数说明n_components2是为了画图n_init10让 K-Means 多跑几次取最优避免陷入局部最优random_state固定保证图可复现。报告里要写清PCA 仅用于可视化聚类基于原始特征。5. 避坑与排查六次作业里最容易翻车的五件事5.1 数据泄漏标准化在划分之前做现象验证集准确率高得离谱测试集一跑就崩。原因先对整个数据集做了标准化或归一化再划分训练测试集测试集的统计量泄漏到了训练过程。解决永远先train_test_split再在训练集上fit预处理器测试集只transform。这个坑在第一次作业就要养成习惯后面五次都靠它。5.2 随机种子没固定报告数字对不上现象报告里写准确率 0.91助教跑代码得到 0.88。原因random_state没设或者不同库的随机种子没统一。解决在入口脚本开头统一设种子import random import numpy as np import torch def set_seed(seed: int 42): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed)参数说明seed用 42 或 2024 都行关键是六次作业统一。报告里写清所有实验随机种子设为 42。5.3 类别不平衡准确率虚高但 F1 很低现象准确率 0.95但少数类几乎全预测错。原因数据类别比例悬殊准确率被多数类主导。解决看classification_report里的 F1 和召回率必要时用class_weightbalanced或过采样。报告里要同时给准确率和 F1只给准确率会被扣分。5.4 过拟合训练集完美验证集拉胯现象训练准确率 0.99验证准确率 0.72。原因模型太复杂、数据太少、训练太久。解决先加正则化L2、Dropout再减模型容量最后考虑数据增强。报告里画训练/验证曲线标出过拟合开始的 epoch这本身就是得分点。5.5 环境依赖换台机器就跑不起来现象本地跑通助教机器上报ModuleNotFoundError或版本冲突。原因没写requirements.txt或者用了本地特有的包。解决项目根目录放requirements.txt只写核心依赖和版本范围numpy1.24 pandas2.0 scikit-learn1.3 matplotlib3.7 torch2.0 pyyaml6.0提交前在干净虚拟环境里pip install -r requirements.txt跑一遍确认能复现。6. 把六次作业压成一套可复用模板的进阶做法六次作业做完如果只是交完就扔那这套代码的价值就浪费了。我一般会做一件事把六次作业抽象成一套数据-模型-评估流水线模板下次遇到新任务直接套。具体做法是定义一个Experiment类把配置、数据加载、模型构建、训练、评估、报告生成串起来。class Experiment: def __init__(self, cfg: dict): self.cfg cfg self.model None self.scaler None def run(self): X_train, X_test, y_train, y_test self.load_data() self.build_model() self.fit(X_train, y_train) metrics self.evaluate(X_test, y_test) self.dump_report(metrics) return metrics def load_data(self): # 按 cfg 读取并划分复用第 4 章的骨架 ... def build_model(self): # 按 cfg[model][name] 分发到不同模型 ... def fit(self, X, y): ... def evaluate(self, X, y): ... def dump_report(self, metrics: dict): # 把指标和图表路径写进 reports/hwX.md ...逻辑说明Experiment把六次作业的公共流程固定下来每次作业只需要实现或覆盖build_model和load_data。参数说明cfg就是第 2 章的 YAML 配置metrics是评估指标字典。这样第六次作业的深度学习模型和第二次的逻辑回归走同一套流程报告模板也能复用。验证这套模板是否可靠我一般做两个检查一是换一个随机种子跑指标波动在合理范围内二是把训练集缩小到 50%看流程是否仍然跑通。如果缩小数据后代码报错说明某处硬编码了数据规模需要修掉。最后一个习惯每次作业提交前把reports/里的图和src/里的代码对一遍确认报告里每个数字都能在代码输出里找到。我吃过一次亏报告里写了一个手算的 F1结果和代码输出差 0.02被助教追问了半天。从那以后报告里的数字一律从日志复制不手打。希望帮到你。本文还有配套的精品资源点击获取