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. KNN算法源码

  2. 通过Python来实现几个比较常用的机器学习算法之一，KNN采用测量不同特征值之间的距离方法进行分类。

  3. 所属分类：机器学习

    • 发布日期：2017-11-02
    • 文件大小：1048576
    • 提供者：gang5340071

  1. 基于支持向量机的图片分类程序

  2. 对图片的分类主要包含以下四个步骤：1.用尺度不变特征转换（SIFT）算法来提取训练集中图片的特征值。2.用K-means算法将这些特征值聚成n类。这n类中的每一类就相当于是图片的单词，所有的n个类别构成词汇表。3.对训练集中的图片构造词汇表，就是将图片中的特征值归到不同的类中，然后统计每一类的特征值的频率。4. 用支持向量机（SVM）训练一个多类分类器，将每张图片的词汇表作为特征向量。对于未知类别的图片，计算它的词汇表，使用训练的SVM分类器进行分类。

  3. 所属分类：机器学习

    • 发布日期：2018-01-25
    • 文件大小：27262976
    • 提供者：tuye1361

  1. bayes实现水果分类（python，包含数据集）

  2. 使用bayes算法实现水果分类，附件中包含数据集 #根据测试数据进行提取数据特征， 分类，求方差，均值，然后对每类进行特征值提取

  3. 所属分类：Python

    • 发布日期：2018-09-25
    • 文件大小：2048
    • 提供者：qq_37885745

  1. 主成分分析(Principal components analysis)(Python)

  2. 主成分分析(Principal components analysis)是最常用的降维方法 算法步骤： （1）对所有样本进行中心化操作 （2）计算样本的协方差矩阵 （3）对协方差矩阵做特征值分解 （4）取最大的d个特征值对应的特征向量，构造投影矩阵

  3. 所属分类：机器学习

    • 发布日期：2019-05-31
    • 文件大小：2048
    • 提供者：aioo11

  1. 基于内容的图像检索技术——基于颜色、形状、纹理三种方式.zip

  2. 基于内容的图像检索技术： 1、基于颜色的图像检索：用的是二分K-means算法实现的 2、基于纹理的图像检索：用的是灰度共生矩阵实现的 3、基于形状的图像检索：用的是形状不变矩法实现的 语言：python 工具：VS code 数据库：没用数据库，图像特征值直接放在txt文件里 图像来源：Corel 图像库中 2 000 幅图像（资源里放在image.orig文件夹里） 该项目可以直接使用！

  3. 所属分类：搜索引擎

    • 发布日期：2019-07-11
    • 文件大小：29360128
    • 提供者：qq_42520962

  1. 人工智能。大数据与复杂系统课件.zip

  2. 课程大纲 01-复杂系统 02-大数据与机器学习 03-人工智能的三个阶段 04-高等数学—元素和极限 05-复杂网络经济学应用 06-机器学习与监督算法 07-阿尔法狗与强化学习算法 08-高等数学—两个重要的极限定理 09-高等数学—导数 10-贝叶斯理论 11-高等数学—泰勒展开 12-高等数学—偏导数 13-高等数学—积分 14-高等数学—正态分布 15-朴素贝叶斯和最大似然估计 16-线 17-数据科学和统计学（上） 18-线代数—矩阵、等价类和行列式 19-Python基础课程（上）

  3. 所属分类：互联网

    • 发布日期：2020-08-05
    • 文件大小：75497472
    • 提供者：qq_45832050

  1. python实现梯度下降算法

  2. 梯度下降（Gradient Descent）算法是机器学习中使用非常广泛的优化算法。当前流行的机器学习库或者深度学习库都会包括梯度下降算法的不同变种实现。 本文主要以线性回归算法损失函数求极小值来说明如何使用梯度下降算法并给出python实现。若有不正确的地方，希望读者能指出。  梯度下降 梯度下降原理：将函数比作一座山，我们站在某个山坡上，往四周看，从哪个方向向下走一小步，能够下降的最快。 在线性回归算法中，损失函数为 在求极小值时，在数据量很小的时候，可以使用矩阵求逆的方式求最优的θ值。

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：259072
    • 提供者：weixin_38648037

  1. K-近邻算法的python实现代码分享

  2. k-近邻算法概述： 所谓k-近邻算法KNN就是K-Nearest neighbors Algorithms的简称，它采用测量不同特征值之间的距离方法进行分类 用官方的话来说，所谓K近邻算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例（也就是上面所说的K个邻居）， 这K个实例的多数属于某个类，就把该输入实例分类到这个类中。 k-近邻算法分析 优点：精度高、对异常值不敏感、无数据输入假定。 缺点：计算复杂度高、空间复杂度高。 适用数据范围：数值型和标称

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：150528
    • 提供者：weixin_38730767

  1. Python代码实现KNN算法

  2. kNN算法是k-近邻算法的简称，主要用来进行分类实践，主要思路如下： 1.存在一个训练数据集，每个数据都有对应的标签，也就是说，我们知道样本集中每一数据和他对应的类别。 2.当输入一个新数据进行类别或标签判定时，将新数据的每个特征值与训练数据集中的每个数据进行比较，计算其到训练数据集中每个点的距离（下列代码实现使用的是欧式距离）。 3.然后提取k个与新数据最接近的训练数据点所对应的标签或类别。 4.出现次数最多的标签或类别，记为当前预测新数据的标签或类别。 欧式距离公式为： distanc

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：50176
    • 提供者：weixin_38604916

  1. Python语言描述机器学习之Logistic回归算法

  2. 本文介绍机器学习中的Logistic回归算法，我们使用这个算法来给数据进行分类。Logistic回归算法同样是需要通过样本空间学习的监督学习算法，并且适用于数值型和标称型数据，例如，我们需要根据输入数据的特征值（数值型）的大小来判断数据是某种分类或者不是某种分类。 一、样本数据 在我们的例子中，我们有这样一些样本数据： 样本数据有3个特征值：X0X0，X1X1，X2X2 我们通过这3个特征值中的X1X1和X2X2来判断数据是否符合要求，即符合要求的为1，不符合要求的为0。 样本数据分类存放在一个

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：342016
    • 提供者：weixin_38672840

  1. Python决策树之基于信息增益的特征选择示例

  2. 本文实例讲述了Python决策树之基于信息增益的特征选择。分享给大家供大家参考，具体如下： 基于信息增益的特征选取是一种广泛使用在决策树(decision tree)分类算法中用到的特征选取。该特征选择的方法是通过计算每个特征值划分数据集获得信息增益，通过比较信息增益的大小选取合适的特征值。 一、定义 1.1 熵 信息的期望值，可理解为数据集的无序度，熵的值越大，表示数据越无序，公式如下： 其中H表示该数据集的熵值， pi表示类别i的概率， 若所有数据集只有一个类别，那么pi=1，H=0。因此

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：60416
    • 提供者：weixin_38695471

  1. 特征值算法python

  2. 初学者 函数特征值算法求极小值

  3. 所属分类：Python

    • 发布日期：2020-12-21
    • 文件大小：3072
    • 提供者：qq_34475195

  1. 利用Python实现kNN算法的代码

  2. 邻近算法（k-NearestNeighbor) 是机器学习中的一种分类（classification）算法，也是机器学习中最简单的算法之一了。虽然很简单，但在解决特定问题时却能发挥很好的效果。因此，学习kNN算法是机器学习入门的一个很好的途径。 kNN算法的思想非常的朴素，它选取k个离测试点最近的样本点，输出在这k个样本点中数量最多的标签（label）。我们假设每一个样本有m个特征值（property），则一个样本的可以用一个m维向量表示: X =（ x1，x2，… , xm ),  同样地，测

  3. 所属分类：其它

    • 发布日期：2020-12-31
    • 文件大小：57344
    • 提供者：weixin_38632916

  1. Python:通过scikit-learn了解机器学习

  2. 本文来自于csdn，文章详细介绍了SupervisedLearning(有监督学习)以及ROC曲线等相关知识。MachineLearning分为有监督学习与无监督学习，这个系列重在介绍有监督学习，即，通过告知算法有关Features和对应的输出Labels，然后当有新的feature数据时，做label预测。首选Anaconda安装，Mac下可以用brew直接装。Iris是sklearn中内嵌的一组数据，可以用以学习通过特征值对鸢尾花进行分类。1上面两个数据都是numpy中ndarray类型。n

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：176128
    • 提供者：weixin_38556189

  1. Python语言实现机器学习的K-近邻算法

  2. 写在前面 额、、、最近开始学习机器学习嘛，网上找到一本关于机器学习的书籍，名字叫做《机器学习实战》。很巧的是，这本书里的算法是用Python语言实现的，刚好之前我学过一些Python基础知识，所以这本书对于我来说，无疑是雪中送炭啊。接下来，我还是给大家讲讲实际的东西吧。 什么是K-近邻算法？ 简单的说，K-近邻算法就是采用测量不同特征值之间的距离方法来进行分类。它的工作原理是：存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系

  3. 所属分类：其它

    • 发布日期：2021-01-21
    • 文件大小：96256
    • 提供者：weixin_38722193

  1. win10+Python3.7.3+OpenCV3.4.1入门学习（二十章 K近邻算法）————20.4 自定义函数手写数字识别

  2. Python版本是Python3.7.3，OpenCV版本OpenCV3.4.1，开发环境为PyCharm 20.4 自定义函数手写数字识别 OpenCV提供了函数cv2.KNearest()用来实现K近邻算法，在OpenCV中可以直接调用该函数。为了进一步了解K近邻算法及其实现方式，本节首先使用Python和OpenCV实现一个识别手写数字的实例。 eg：编写程序，演示K近邻算法。 在本例中，0~9的每个数字都有10个特征值。例如，数字“0”的特征值如下图所示。为了便于描述，将所有这些用于判断

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：281600
    • 提供者：weixin_38518722

  1. python实现C4.5决策树算法

  2. C4.5算法使用信息增益率来代替ID3的信息增益进行特征的选择，克服了信息增益选择特征时偏向于特征值个数较多的不足。信息增益率的定义如下： # -*- coding: utf-8 -*- from numpy import * import math import copy import cPickle as pickle class C45DTree(object): def __init__(self): # 构造方法 self.tree = {} # 生成树 self.d

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：87040
    • 提供者：weixin_38706782

  1. python k-近邻算法实例分享

  2. 简单说明 这个算法主要工作是测量不同特征值之间的距离，有个这个距离，就可以进行分类了。 简称kNN。 已知：训练集，以及每个训练集的标签。 接下来：和训练集中的数据对比，计算最相似的k个距离。选择相似数据中最多的那个分类。作为新数据的分类。 python实例 复制代码 代码如下:# -*- coding: cp936 -*- #win系统中应用cp936编码，linux中最好还是utf-8比较好。from numpy import *#引入科学计算包import operator #经典pyth

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：52224
    • 提供者：weixin_38623000

  1. K最近邻算法(KNN)—sklearn+python实现方式

  2. k-近邻算法概述 简单地说，k近邻算法采用测量不同特征值之间的距离方法进行分类。 k-近邻算法 优点：精度高、对异常值不敏感、无数据输入假定。 缺点：计算复杂度高、空间复杂度高。 适用数据范围：数值型和标称型。 k-近邻算法（kNN)，它的工作原理是：存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：359424
    • 提供者：weixin_38727579

  1. MachineLearning_Pratice:机器学习算法案例实战，python实现-源码

  2. 机器学习算法案例实战（python实现） 一。 1.加载数据 用熊猫加载 2.数据探索性分析及可视化 用matplotlib和seaborn对数据的标注（结果）进行。 3.特征处理 用pandas去除无关特征 用StandardScaler对数据进行标准化 4.模型训练 用train_test_split划分训练集和测试集 选择模型：SVM，决策树，随机森林，KNN 用GridSearchCV优化模型参数 用管道管道机制定制化分类器训练流程 5.模型评估 用对不同模型进行评估， 。 二。 1.

  3. 所属分类：其它

    • 发布日期：2021-03-29
    • 文件大小：2097152
    • 提供者：weixin_42106765
« 12 »