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. 数据挖掘--概念与技术

  2. 目录 第一章 引言 ......................................................................................................................................................... 8 1.1 什么激发数据挖掘？为什么它是重要的？.............................................................

  3. 所属分类：Web开发

    • 发布日期：2010-09-06
    • 文件大小：1048576
    • 提供者：huanghyw

  1. 数据挖掘分类算法研究

  2. 本文首先介绍了数据分类的相关概念，分析了数据挖掘中的几种分类技术: 决策树分类、贝叶斯分类、神经网络分类、支持向量机分类，对其中最常用的 决策树分类算法进行了深入地研究。决策树是分类应用中采用最广泛的模型之 一，与神经网络和贝叶斯方法相比，一决策树无须花费大量的时间和进行上千次 的迭代来训练模型，适用于大规模数据集，除了训练数据中的信息外，不再需 要其他额外信息，表现了很好的分类精确度，以其规则易于提取和容易理解的 学硕士学位论文第一章绪论 优点得到了广泛应用。其核心问题是测试属性选择的策略，

  3. 所属分类：其它

    • 发布日期：2012-12-15
    • 文件大小：3145728
    • 提供者：ygjundzxl

  1. VC++数字图像模式识别技术及工程实践

  2. 目录 第1章 绪论 1.1 模式和模式识别的概念 1.2 模式空间、特征空间和类型空间 1.3 模式识别系统的构成 1.3.1 信息获取 1.3.2 预处理 1.3.3 特征提取和选择 1.3.4 分类决策 1.4 物体的结构表示 1.5 图片识别问题 第2章 模式识别中的基本决策方法 2.1 基于最小错误率的贝叶斯决策 2.2 分类器设计 2.2.1 多类情况 2.2.2 两类情况 2.3 关于分类器的错误率 2.4 关于贝叶斯决策 2.5 线性判别函数的基本概念 2.6 设计线性分类器的主

  3. 所属分类：C++

    • 发布日期：2013-05-16
    • 文件大小：14680064
    • 提供者：a121649982

  1. Visual C++数字图像模式识别技术及工程实践工程源代码

  2. 第1章 绪论 1.1 模式和模式识别的概念 1.2 模式空间、特征空间和类型空间 1.3 模式识别系统的构成 1.3.1 信息获取 1.3.2 预处理 1.3.3 特征提取和选择 1.3.4 分类决策 1.4 物体的结构表示 1.5 图片识别问题 第2章 模式识别中的基本决策方法 2.1 基于最小错误率的贝叶斯决策 2.2 分类器设计 2.2.1 多类情况 2.2.2 两类情况 2.3 关于分类器的错误率 2.4 关于贝叶斯决策 2.5 线性判别函数的基本概念 2.6 设计线性分类器的主要步骤

  3. 所属分类：C++

    • 发布日期：2013-05-17
    • 文件大小：14680064
    • 提供者：a121649982

  1. Pi-Sigma神经网络的几种梯度学习算法

  2. 到目前为止，人们提出了许多神经网络模型，其中应用最广泛的是前馈神经网络．早期前馈神经网络中只含有求和神经元，在处理复杂非线性问题时效率很低．后来，人们将求积神经元引入到前馈神经网络中，用以增加网络的非线性映射能力，提高网络的学习效率．这样的网络可以统称为高阶前馈神经网络．但是，如果只通过输入节点值的简单乘积构造求积神经元以增加网络的非线性映射能力，随着输入样本维数的增加，所需权值的数量呈指数阶增加，即出现“维数灾难”．Pi-Sigma 神经网络是1991 年Y．Shin提出的一种具有多项式乘积

  3. 所属分类：专业指导

    • 发布日期：2013-08-21
    • 文件大小：2097152
    • 提供者：samcrazy

  1. 数据挖掘18大算法实现以及其他相关经典DM算法

  2. 数据挖掘算法 算法目录 18大DM算法 包名 目录名 算法名 AssociationAnalysis DataMining_Apriori Apriori-关联规则挖掘算法 AssociationAnalysis DataMining_FPTree FPTree-频繁模式树算法 BaggingAndBoosting DataMining_AdaBoost AdaBoost-装袋提升算法 Classification DataMining_CART CART-分类回归树算法 Classifica

  3. 所属分类：专业指导

    • 发布日期：2016-01-05
    • 文件大小：225280
    • 提供者：huangyueranbbc

  1. 数据挖掘18大算法实现以及其他相关经典DM算法

  2. 数据挖掘算法 算法目录 18大DM算法 包名 目录名 算法名 AssociationAnalysis DataMining_Apriori Apriori-关联规则挖掘算法 AssociationAnalysis DataMining_FPTree FPTree-频繁模式树算法 BaggingAndBoosting DataMining_AdaBoost AdaBoost-装袋提升算法 Classification DataMining_CART CART-分类回归树算法 Classifica

  3. 所属分类：Java

    • 发布日期：2017-04-08
    • 文件大小：225280
    • 提供者：q6115759

  1. 决策树与随机森林

  2. 决策树是一种基本的分类与回归方法，学习通常包含三个步骤：特征选择、决策树的生成和决策树的剪枝。 决策树由结点和有向边组成，结点包括内部结点和叶节点，内部结点表示一个特征或属性，叶节点表示一个类。 决策树学习本质是从训练数据集中归纳出一组分类规则；决策树学习的损失函数通常是正则化的极大似然函数，学习策略是由训练数据集估计条件概率模型。

  3. 所属分类：机器学习

    • 发布日期：2018-07-20
    • 文件大小：2097152
    • 提供者：u010333974

  1. 统计学习方法_李航

  2. 统计学习是计算机及其应用领域的一门重要的学科。本书全面系统地介绍了统计学习的主要方法，特别是监督学习方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、em算法、隐马尔可夫模型和条件随机场等。除第1章概论和最后一章总结外，每章介绍一种方法。叙述从具体问题或实例入手，由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。为满足读者进一步学习的需要，书中还介绍了一些相关研究，给出了少量习题，列出了主要参考文献。 《统计学习方法

  3. 所属分类：机器学习

  1. IOI国家集训队论文集1999-2019

  2. # 国家集训队论文列表（1999-2019） ___点击目录快速跳转：___ - _国家集训队论文列表（1999-2019）_ * [_1999_](#1999) * [_2000_](#2000) * [_2001_](#2001) * [_2002_](#2002) * [_2003_](#2003) * [_2004_](#2004) * [_2005_](#2005) * [_2006_](#2006) * [_2007_](#2007) * [_2008_](#2008) * [_2

  3. 所属分类：讲义

    • 发布日期：2019-09-20
    • 文件大小：110100480
    • 提供者：jiazhendong

  1. 总结：Bootstrap(自助法)，Bagging，Boosting(提升) - 简书.pdf

  2. 关于机器学习方面的集成算法，包括boosting和bagging，里面讲解详细，值得下载2019/4/27 总结: Bootstrap(白助法), Bagging, Boosting(提升)-简书 assiier 1 -9 Decition boundary Classifier 2 Decislon boundary 2 Classifier 3 o Decision boundary 3 ▲△▲ △6▲ Feature 1 Feature 1 Featur (∑ g Feature Ense

  3. 所属分类：机器学习

    • 发布日期：2019-10-13
    • 文件大小：2097152
    • 提供者：qq_15141977

  1. 煤矸智能分选的机器视觉识别方法与优化

  2. 煤矸图像的在线准确快速识别是煤矸智能分选的关键，深度卷积神经网络能够解决这一问题。以实际生产状态下采集的煤与矸石图像为训练与测试样本，基于ResNet等经典网络与SqueezeNet等先进轻量级网络建立了煤矸图像识别模型，分析了各模型的训练收敛情况。基于k-means++判断模型中不同卷积核所提取特征的相似程度，基于模型剪枝技术对相似度高的卷积核进行裁剪，实现了识别模型的优化与压缩。以识别精度、模型规模和模型运算复杂度为评价指标，定量衡量了压缩前后各模型的测试性能。分析了压缩后的模型对煤矸难、易

  3. 所属分类：其它

    • 发布日期：2020-06-10
    • 文件大小：1048576
    • 提供者：weixin_38680308

  1. 利用扩展概念格进行关联分类的算法

  2. 针对关联分类规则产生的候选规则过多导致效率不高的问题,提出一种基于频繁闭项集组成的扩展概念格的分类规则获取方法.利用频繁闭项集提出一种新的概念格模型,通过性质和定理对概念格结点进行剪枝,以抽取分类尽量少且最有效的关联分类规则.研究结果表明:该算法能挖掘出高质量且包含重要信息的关联分类规则,并大大减少关联分类规则的数量,在分类准确率上比现有的关联分类典型算法更高.

  3. 所属分类：其它

    • 发布日期：2020-06-28
    • 文件大小：693248
    • 提供者：weixin_38706294

  1. pytorch模型剪枝

  2. 在cifar数据集上做图像分类的训练，并以此演示怎样进行模型剪枝，pytorch版本必须大于1.4.0

  3. 所属分类：Linux

    • 发布日期：2020-07-17
    • 文件大小：4096
    • 提供者：longma666666

  1. 基于深层卷积神经网络的剪枝优化

  2. 随着近几年来深度学习的兴起，其在目标检测、图像分类、语音识别、自然语言处理等机器学习领域都取得了重大的突破，其中以卷积神经网络在深度学习中的运用较多。自VGGNet出现以来，深度学习逐渐向深层的网络发展，网络越来越深，这不仅增大了对硬件平台存储、运行内存的需求，还大大增加了计算量，对硬件平台资源的要求越来越高。因此将深度学习应用于嵌入式平台尤为困难。对此，通过对模型进行剪枝的方法将训练好的网络模型压缩处理，在基本保证准确率的情况下去除不重要的参数，缩减模型，减小网络的计算复杂度，将深度学习应用于

  3. 所属分类：其它

    • 发布日期：2020-10-15
    • 文件大小：546816
    • 提供者：weixin_38547397

  1. 基于业务安全策略需求的路由模型研究

  2. 首先对业务进行分类，不同的业务对网络不同的要求使其具有不同的QoS参数约束。然后研究并提出了基于智能业务识别的QoS路由模型和路由结构，根据动态配置的安全/QoS策略，在业务识别的基础上，标志数据包，根据DiffServ代码点DSCP值选择合适的路由算法。并针对带宽-时延-时延抖动-丢包率限制路由提出了一种改进的启发式路由算法，将丢包率转化为可加性条件，并把带宽限制作为剪枝条件，最后通过实验证明了其可行性。

  3. 所属分类：其它

    • 发布日期：2020-10-23
    • 文件大小：242688
    • 提供者：weixin_38592611

  1. 模型剪枝2015-2020论文合集|已分类已整理

  2. 模型剪枝领域，2015-2020论文合集，根据github上awesome-pruning 下载整理的，包括基本所有的论文和综述，已分类整理重命名（如CVPR2020-论文名）十分全，强烈建议下载阅读~

  3. 所属分类：深度学习

    • 发布日期：2020-10-25
    • 文件大小：87031808
    • 提供者：qq_31622015

  1. 树模型学习笔记整理

  2. 树模型学习笔记整理一、原理二、特征选择2.1信息增益2.2信息增益比三、生成算法3.1 ID3算法3.2 C4.5的生成算法四、决策树的剪枝五、CART算法5.1 CART生成5.2 分类树的生成5.3 CART剪枝六、提升树6.1 AdaBoost算法6.2 提升树6.2.1 提升树模型6.2.2 提升树算法6.2.3 梯度提升6.2.4 随机森林 VS 梯度提升树6.3 xgboost6.3.1 结构分6.3.2 分解结点6.3.2.1 贪心算法6.3.2.2 近似算法6.3.3 加权分桶6

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：189440
    • 提供者：weixin_38605144

  1. 统计学习方法 读书笔记（五）

  2. 读书笔记仅供个人学习使用 本文主要参考书籍为《统计学习方法》（李航）第二版 参考 Sunning_001的博客 决策树决策树的定义if-then 的理解条件概率分布的理解决策树学习特征选择信息增益信息增益比基尼指数决策树的生成ID3C4.5剪枝CART算法 决策树是一种基本的分类与回归方法。 决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。 （1）是if-then规则的集合 （2）是定义在特征空间与类空间上的条件概率分布 模型的主要优点有：具有可读性，分类速度快 显然，决

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：685056
    • 提供者：weixin_38710557

  1. 集成分类器单细胞测序 python3机器学习 单一决策树、随机森林分类器、梯度提升决策树

  2. 原理： 决策树生成算法： 是递归地生成决策树，它往往分类精细，对训练数据集分类准确，但是对未知数据集却没有那么准确，有比较严重的过拟合问题。因此，为了简化模型的复杂度，使模型的泛化能力更强，需要对已生成的决策树进行剪枝。 集成分类算法： 集成（Ensemble）分类模型综合考量多个分类器的预测结果，从而做出决策。 随机森林分类器用相同的训练数据同时搭建多个独立的分裂模型，然后通过投票的方式，以少数服从多数的原则作出最终分类的决策。在相同的训练数据上同时搭建多棵决策树，每棵决策树会放弃固定的排序算

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：282624
    • 提供者：weixin_38738977
« 12 »