注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 基于支持向量数据描述的无标签数据多类分类

  2. 基于支持向量数据描述的无标签数据多类分类

  3. 所属分类：专业指导

    • 发布日期：2010-04-02
    • 文件大小：346112
    • 提供者：heu06151220

  1. Web Data Mining (英文)

  2. 目录回到顶部↑ 第一部分 数据挖掘基础. 第1章 概述3 1.1 什么是万维网3 1.2 万维网和互联网的历史简述4 1.3 web数据挖掘5 1.3.1 什么是数据挖掘6 1.3.2 什么是web数据挖掘7 1.4 各章概要8 1.5 如何阅读本书10 文献评注10 第2章 关联规则和序列模式12 2.1 关联规则的基本概念12 2.2 apriori算法14 2.2.1 频繁项目集生成14 2.2.2 关联规则生成17 2.3 关联规则挖掘的数据格式19 2.4 多最小支持度的关联规则挖掘

  3. 所属分类：专业指导

    • 发布日期：2012-05-02
    • 文件大小：8388608
    • 提供者：chen_767

  1. javaSE代码实例

  2. 第一篇　起步篇 第1章　初识Java　3 1.1　Java简介　3 1.1.1　Java的不同平台　3 1.1.2　Java发展的历程　3 1.1.3　Java的特点　4 1.2　安装开发工具包　5 1.2.1　下载JDK　5 1.2.2　安装JDK　6 1.2.3　安装后Java目录的解读　7 1.3　学会使用API　7 1.4　第一个Java程序　8 1.4.1　开发源代码　8 1.4.2　编译运行　9 1.5　小结　11 第2章　基本数据类型——构建Java 大厦的基础　12 2.1　源

  3. 所属分类：Java

    • 发布日期：2016-06-21
    • 文件大小：6291456
    • 提供者：zuichengyu

  1. sklearn0.19中文文档

  2. sklearn0.19中文文档 PDF格式高清。 .1. 广义线性模型 1.1.1. 普通最小二乘法 1.1.1.1. 普通最小二乘法复杂度 1.1.2. 岭回归 1.1.2.1. 岭回归的复杂度 1.1.2.2. 设置正则化参数：广义交叉验证 1.1.3. Lasso 1.1.3.1. 设置正则化参数 1.1.3.1.1. 使用交叉验证 1.1.3.1.2. 基于信息标准的模型选择 1.1.3.1.3. 与 SVM 的正则化参数的比较 1.1.4. 多任务 Lasso 1.1.5. 弹性网络

  3. 所属分类：机器学习

    • 发布日期：2018-10-30
    • 文件大小：14680064
    • 提供者：hardpen2013

  1. 使用超声波的智能手机手势识别.pdf

  2. 利用超声波技术，在智能手机上实现手势识别功能。非常实用的一篇论文徐曾春,吴凯娇,胡平:使用超声波的智能手机手势识别 ()挥手向前 ()挥手向后 ()挥手向左 ()挥手向右 图不同的手势时频图 特征均为先靠近发射源,然后远离发射源,但是细节方 面咯有不同。 实现细节 系统流程 获得反射的超声波数据集 图为系统流程图。首先,通过话筒获取 最初,系统先获得手势运动的时间序列片段,此时 段时间序列,经过快速傅里叶()变换将此序列从时片段已经经过处理,结果如图所示。出于本实验 域信号转换为频域信号。接着搜

  3. 所属分类：Android

    • 发布日期：2019-10-15
    • 文件大小：946176
    • 提供者：xiaokala_2011

  1. scikit-learn-0.21.3-中文文档.pdf

  2. scikit-learn 是基于 Python 语言的机器学习工具 简单高效的数据挖掘和数据分析工具 可供大家在各种环境中重复使用 建立在 NumPy ，SciPy 和 matplotlib 上 开源，可商业使用 - BSD许可证1.监督学习 1广义线性模型 °1.1.1普通最小二乘法 1.1.2岭回归 1.1.3LaSs0 o1.1.4多任务 Lasso 115弹性网络 o116多任务弹性网络 1.1.7最小角回归 1.1. 8 LARS Lasso 1.19正交匹配追踪法(OMP 1.1.1

  3. 所属分类：机器学习

    • 发布日期：2019-08-24
    • 文件大小：41943040
    • 提供者：h394266861

  1. 机器学习算法基础学习总结

  2. 机器学习算法基础学习总结2.基本算法 2.1 Logistic回归 优点:计算代价不高,易于理解和实现。 缺点:容易欠拟合,分类精度可能不高 适用数据类型:数值型和标称型数据。 类别:分类算法。 试用场景:解决二分类问题。 简述: Logistic回归算法基于 Sigmoid函数,或者说 Sigmoid就是逻辑回归函数。 Sigmoid函数定义如下:1/(1-exp(-z))。函数值域范围(0,1)。可以用来做分 类器。 Sigmoid函数的函数曲线如下: 逻辑凹归模型分解如下:(1)首先将不同

  3. 所属分类：机器学习

    • 发布日期：2019-07-02
    • 文件大小：312320
    • 提供者：abacaba