摘要：通过小麦的特征数据，采用机器学习预测小麦的种子类型。对提高小麦的种子分类技术水平的具有重要的意义。

机器学习小麦种子分类，收集小麦种子的各种特征类型，汇聚成小麦种子数据集。本数据集包含了210组观察值，每组数据由七个影响小麦种子类型的因素组成：区域，种子周长，种子压实度，籽粒长度，籽粒宽度，籽粒不对称系数，籽粒腹沟长度。

对小麦种子数据集，首先进行数据预处理，包括数据清洗、数据分类、特征缩放等过程。然后使用逻辑回归，支持向量机和随机森林创建学习模型。最后通过准确率指标对学习模型进行性能评价。实验结果证明，在验证集占比变化的情况下，逻辑回归算法的准确率最稳定，是完成对小麦种子分类的优选算法。

关键词：机器学习  学习模型  模型预测 

目录

摘要

Abstract

1 绪论-1

1.1 课题研究背景及意义-1

1.2 课题研究的工具及方法-1

1.3 论文的主要内容-2

2 小麦种子的数据整理-3

3 数据预处理-5

3.1 标准库及数据库的导入-5

3.2 导入数据集-6

3.3 重复数据的处理-8

3.4 创建训练集和测试集-9

3.5 特征缩放-9

3.6 构建混淆矩阵-10

3.7 本章小结-11

4 机器学习分类算法部分-12

4.1 逻辑回归-12

4.1.1 逻辑回归算法原理-12

4.1.2 用逻辑回归创建学习模型-12

4.2 支持向量机-12

4.2.1 支持向量机的原理与应用-12

4.2.2 用支持向量机创建学习模型-12

4.3 随机森林算法-13

4.3.1 随机森林算法原理-13

4.4本章小结-13

5 机器学习效果对比分析-14

5.1 非随机挑选验证集-14

5.1.1 逻辑回归算法的学习效果分析-14

5.1.2支持向量机算法学习效果分析-15

5.1.3 随机森林算法学习效果分析-15

5.1.4 三种算法之间学习效果比较-16

5.2 随机挑选验证集-17

5.2.1 逻辑回归算法学习效果分析-17

5.2.2 支持向量机算法学习效果分析-19

5.2.3 随机森林算法学习效果分析-19

5.3.4 三种算法之间学习效果比较-20

6 总结-22

参考文献-23

致谢-25

附录一-26

附录二-29