现在的结果已经全部在./results文件夹中，如果需要复现结果可以将该文件夹中所有文件删除，并且运行如下：
复现习题一的所有结果，运行代码
cd code && python practice_1.py
复现习题二的所有结果，运行代码
cd code && python practice_2.py
复现习题三的所有结果，运行代码
cd code && python practice_3.py
用不同的随机数和超参，跑了100轮KMeans。
详细结果见"./results/practice_1_kmeans_detail.txt", 包涵初始类中心点；迭代次数；聚类结果（每类包含的样本，类中心）；错误率。
实验结果汇总见"./results/practice_1_kmeans_summary.txt"。 目前最好的超参为迭代9次，平均ACC0.890，最优ACC0.893.
结果放在"./results/practice_1_spectral_cluster_detail.txt" 最优ACC可以打到0.9
结果如图，详细结果放在"./results/practice_2_nearest_neighbors_classifier_detail_results.txt"
结果如图，随着COMPONENTS数目的增多，复原图片之后的损失变得越来越小。
结果如图，详细结果放在"./results/practice_2_pca_lda_detail_results.txt"。
我们可以看到并不是COMPONENTS数目越多越好。
但COMPONENTS=N_C时，分类效果最好。此时ACC=0.93。
结果如图，详细结果放在"./results/practice_2_pca_svm_detail_results.txt"。
和LDA一样，并不是COMPONENTS数目越多越好，但COMPONENTS=N_C时，分类效果最好。此时ACC=0.89
将前十个分类画图如下：
详细结果放在：
- LDA: "./results/practice_3_lle_lda_detail_results.txt"、
- SVM: "./results/practice_3_lle_svm_detail_results.txt"、
- 逻辑回归: "./results/practice_3_lle_lr_detail_results.txt"。
SVM的结果如下图，COMPONENTS=45, 结果最好ACC=0.895
LDA的结果如下图，COMPONENTS=75, 结果最好ACC=0.92
逻辑回归的结果如下图，COMPONENTS=70, 结果最好ACC=0.89
