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. LINGO软件的学习

  2. LINGO是用来求解线性和非线性优化问题的简易工具。LINGO内置了一种建立最优化模型的语言，可以简便地表达大规模问题，利用LINGO高效的求解器可快速求解并分析结果。 §1 LINGO快速入门 当你在windows下开始运行LINGO系统时，会得到类似下面的一个窗口： 外层是主框架窗口，包含了所有菜单命令和工具条，其它所有的窗口将被包含在主窗口之下。在主窗口内的标题为LINGO Model – LINGO1的窗口是LINGO的默认模型窗口，建立的模型都都要 在该窗口内编码实现。下面举两个例子

  3. 所属分类：C

    • 发布日期：2009-08-08
    • 文件大小：319488
    • 提供者：huxlaylyx

  1. 遗传算法-特征选择-9

  2. 集成学习和特征选择是当前机器学习领域中的研究热点. 集成学习通过重复采样可产生个体学习器之间差异度, 从而提高个体学习器的泛化能力, 特征选择应用到集成学习可进一步提高集成学习技术的效果

  3. 所属分类：其它

    • 发布日期：2011-04-27
    • 文件大小：150528
    • 提供者：likl_hbu

  1. 最全VS2010初级教程学习手册

  2. 目录 《Visual C++ 2010入门教程》系列二：安装、配置和首次使用VS2010 1 写在前面 第一章 关于Visual Studio、VC和C++的那些事 1 第二章 安装、配置和首次使用VS2010 2 安装 2 配置 10 HelloWorld. 18 VS2010正式到手，说说几点试用体会 29 VS2010 中使用main函数作为C++的入口函数本篇文章 32 vs2010中怎么写个简单的C++程序? 32 vs 2010中VC++的6个新特点 34 一、Visual C++

  3. 所属分类：Web开发

    • 发布日期：2012-04-15
    • 文件大小：2097152
    • 提供者：xxzxgl2012

  1. 基于多种LBP特征集成学习的人脸识别

  2. 最新文章，观点值得借鉴，，多种LBP特征集成学习的人脸识别

  3. 所属分类：机器学习

    • 发布日期：2017-12-09
    • 文件大小：715776
    • 提供者：v1986642073

  1. 于超声特征集成学习

  2. python书籍包括Python开发实战.pdf、Python Web开发实战.pdf及源码。综合评分:4(3位用户评分) 收藏(5)评论(2)举报 所需: 2积分/C币 下载个数: 35 开通... https://download.csdn.net/down... - 百度快照

  3. 所属分类：机器学习

    • 发布日期：2018-03-28
    • 文件大小：234496
    • 提供者：qq_34375643

  1. AI学习知识点.xmind

  2. *AI学习知识点* 1. 基础知识 概率论 微积分与逼近论 极限、微分、积分的基本概念 利用逼近的思想理解微积分，利用积分的方式理解概率论 概率论的基础 古典模型 常见的概率分布 大数定理和中心极限定理 协方差和相关系数 最大似然估计和最大后验估计 凸优化 凸优化的基本概念 凸函数 凸集 凸优化问题的标准形式 线性代数及矩阵 线性空间及线性变化 矩阵的基本概念 状态转移矩阵 特征

  3. 所属分类：Python

    • 发布日期：2019-07-15
    • 文件大小：240640
    • 提供者：lingfeian

  1. 集成特征选择方法在基因表达数据上的应用

  2. 基因表达数据的研究是生物医学上的一个重要课题。基于其高维度、小样本的特点,特征选择已经成为数据预处理阶段的关键步骤。单一特征选择方法得到的特征子集可能会有偏差,本研究在特征选择上引入集成学习的思想,构建集成特征选择模型,并将此模型应用到3个不同的基因表达数据集上。为了评价特征子集的分类预测性能,使用支持向量机作为分类器进行测试。实验结果表明:相对于单一的特征选择方法,集成特征选择能够有效提高分类模型准确度。

  3. 所属分类：其它

    • 发布日期：2020-04-24
    • 文件大小：374784
    • 提供者：weixin_38555229

  1. 机器学习中的权重学习与差分演化

  2. 机器学习是人工智能的核心研究问题,是计算机获得智能的根本途径。自从20世纪50年代人工智能学科建立以来,人们已经提出了大量的机器学习算法,如决策树、神经网络、支持向量机、K均值聚类及KNN算法等。而实际问题中的真实数据往往具有以下的一个或几个特点:含噪音的、具有缺失数据、数据类别分布不平衡、特征重要程度不同、大数据以及数据含有不确定性等,特别是当前随着计算机技术及通讯网络的迅猛发展,这些问题变得更加突出。为了处理这些不完美的数据,人们提出了许多改进的算法,比如可以集成多个学习器的集成学习系统,能

  3. 所属分类：机器学习

    • 发布日期：2020-01-15
    • 文件大小：4194304
    • 提供者：sunearlier

  1. 机器学习知识图谱 中国科学院大学机器学习导论课程总结

  2. 内容包括线性模型、SVM、神经网络、聚类方法、降维与度量学习、集成学习、特征选择与稀疏学习、半监督学习、概率图模型、强化学习、深度学习等主要内容的知识点和关联关系，PDF文件

  3. 所属分类：机器学习

    • 发布日期：2020-09-10
    • 文件大小：57671680
    • 提供者：whuKK

  1. 基于深度集成学习的人脸智能反馈认知方法

  2. 人脸识别技术是深度学习的重要研究领域。为了克服传统开环人脸认知模式以及深层神经网络结构的缺陷，模仿人类实时评测认知结果自寻优调节特征空间和分类认知准则的认知模式，借鉴闭环控制理论思想，探索了一种基于深度集成学习的人脸智能反馈认知方法。首先，基于DEEPID网络建立人脸图像由全局到局部具有确定映射关系的非结构化特征空间；其次，基于特征可分性评测和变精度粗糙集理论，从信息论角度建立非结构化动态特征表征的人脸认知决策信息系统模型，以约减非结构化特征空间；再次，采用集成随机权向量函数连接网络，构建简约非

  3. 所属分类：其它

    • 发布日期：2020-10-15
    • 文件大小：604160
    • 提供者：weixin_38517122

  1. 针对弱标记的多标记数据集成学习分类方法

  2. 提出一种针对弱标记的多标记数据集成学习分类方法，它通过采用基于相似性成对约束投影的方法来处理数据，更好地利用了弱标记样本的特征，从而提高了分类性能。

  3. 所属分类：其它

    • 发布日期：2020-10-18
    • 文件大小：236544
    • 提供者：weixin_38748210

  1. 机器学习——基于Bagging的集成学习：随机森林（Random Forest）及python实现

  2. 基于Bagging的集成学习：随机森林的原理及其实现引入Bagging装袋随机森林随机森林分类随机森林回归python实现随机森林分类随机森林回归 引入 “三个臭皮匠赛过诸葛亮”——弱分类器组合成强分类器。 Q1.什么是随机森林？ 随机森林顾名思义就是一片森林，其中有各种各样的树，其实，随机森林是基于决策树构成的，一片森林中的每一颗树就是一个决策树。想了解决策树算法详情请戳☞决策树原理及其实现☜ Q2.为什么叫随机森林？ 随机森林中“随机”一词主要在于两点：“随机”取样；“随机”抽取特征。 了解

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：238592
    • 提供者：weixin_38663443

  1. 学习邻近关系以进行特征选择

  2. 这项工作提出了一种基于邻近关系学习的特征选择方法。 每个功能都被视为二进制分类器，它针对X，A和B中的任何三个对象预测X是否接近A或B。分类器的性能是直接的功能质量的度量。 基于特征的二进制分类器的任何线性组合自然都对应于特征选择。 因此， 特征选择问题转化为集成学习问题，将许多弱分类器组合成一个优化的强大的分类器。 我们对所提出方法的泛化误差进行了理论分析，验证了有效性我们提出的方法。 对合成数据，四个UCI数据集和十二个微阵列数据集进行了各种实验， 并证明我们的方法应用于特征选择的成功。 我

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：53248
    • 提供者：weixin_38678773

  1. 面向不平衡问题的集成特征选择

  2. 传统的特征选择方法基本上是以精度为优化目标,没有充分考虑数据样本类别分布倾斜性,在数据分布不平衡的数据集上性能表现不理想。在不平衡数据集上通过有放回的抽样方法独立地从数据集大类样本集中随机抽取多个样本子集,使每次随机抽取的样本数量与小类样本数量一致,然后将各抽取的样本子集分别与小类样本集组合成多个新的训练样本集。对多个新样本集的特征子集以集成学习的方式采用投票机制进行投票,数据集的最终特征子集以得票数目超过半数的特征共同组合而成。在UCI不平衡数据集上的实验结果显示,提出的方法表现出了较好的性能

  3. 所属分类：其它

    • 发布日期：2021-03-01
    • 文件大小：270336
    • 提供者：weixin_38577200

  1. python机器学习库sklearn——集成方法

  2. 本文来自csdn，本文将介绍sklearn中如何使用集成学习,模块还支持树的并行构建和预测结果的并行计算，希望对您的学习有所帮助。集成方法的目标是把多个使用给定学习算法构建的基估计器的预测结果结合起来，从而获得比单个估计器更好的泛化能力/鲁棒性。在scikit-learn中，bagging方法使用统一的BaggingClassifier元估计器（或者BaggingRegressor），输入的参数和随机子集抽取策略由用户指定。max_samples和max_features控制着子集的大小（对于样

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：227328
    • 提供者：weixin_38690017

  1. 本地化多核学习，用于视频中逼真的人类动作识别

  2. 视频中逼真的人类动作识别一直是一项有用但具有挑战性的任务。 相同动作的视频拍摄可能会在视觉外观，动态模式，视频拍摄和编辑样式方面呈现巨大的类内差异。 视频的异构特征表示对如何有效处理这些特征中的冗余，互补性和异议性提出了另一个挑战。 本文提出了一种本地化的多核学习（L-MKL）算法来解决上述问题。 L-MKL在一个统一的框架中集成了本地化分类器集成学习和多内核学习，以利用两者的优势。 L-MKL的基础是在异构表示的子空间局部上的不同特征上构建多个内核分类器。 L-MKL在本地集成了互补功能的可识

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：807936
    • 提供者：weixin_38715879

  1. 稀疏集合学习的概念检测

  2. 这项工作提出了一种新颖的稀疏整体学习方案，用于视频中的概念检测。 拟议的集成首先利用稀疏非负矩阵分解（NMF）过程来表示零件中的数据实例并将数据空间划分为局部，然后协调各个局部中的各个分类器以进行最终分类。 在稀疏NMF中，数据样本被投影到一组位置基础，其中基础图像的非负叠加重构了原始样本。 这种加法组合可以确保每个地区部分捕获数据样本的特征，从而使本地分类器在自己的专业领域中拥有合理的多样性。 更重要的是，稀疏NMF确保将示例投影到系数为非零的仅几个基数（局部）。 因此，最终的集成模型是稀疏的

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：1048576
    • 提供者：weixin_38688855

  1. 微笑：统计机器智能和学习引擎-源码

  2. 微笑 是Java和Scala中快速而全面的机器学习，NLP，线性代数，图形，插值和可视化系统。 凭借先进的数据结构和算法，Smile可提供最先进的性能。 Smile的文献记录丰富，请查看项目以获取编程指南和更多信息。 Smile涵盖了机器学习的各个方面，包括分类，回归，聚类，关联规则挖掘，特征选择，流形学习，多维缩放，遗传算法，缺失值插补，有效的最近邻搜索等。 Smile实现以下主要的机器学习算法： 分类：支持向量机，决策树，AdaBoost，梯度提升，随机森林，逻辑回归，神经网络，RB

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：109051904
    • 提供者：weixin_42132352

  1. 集成学习

  2. 1.集成学习简介 一个牛逼的算法和10个简单的算法比，后者更好一点。 所以在解决过拟合和欠拟合问题的时候，使用boosting 和bagging 的方法。 欠拟合问题解决：弱弱组合变强 boosting 过拟合问题解决：相互牵制变壮 bagging 2. Bagging bagging集成过程 采样：从所有样本中又放回的采样一部分特征 学习：训练弱n个学习器 集成：平权投票n 个若学习器 随机森林 定义：随机森林 = Bagging + 决策树 流程 在所有样本里选m个数据 在m个数据里选

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：52224
    • 提供者：weixin_38633157

  1. 基于静态多特征融合的恶意软件分类方法

  2. 近年来，恶意软件呈现出爆发式增长势头，新型恶意样本携带变异性和多态性，通过多态、加壳、混淆等方式规避传统恶意代码检测方法。基于大规模恶意样本，设计了一种安全、高效的恶意软件分类的方法，通过提取可执行文件字节视图、汇编视图、PE 视图3个方面的静态特征，并利用特征融合和分类器集成学习2种方式，提高模型的泛化能力，实现了特征与分类器之间的互补，实验证明，在样本上取得了稳定的F1-score（93.56%）。

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：541696
    • 提供者：weixin_38565801
« 12 3 4 5 6 7 8 9 10 ... 13 »