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. 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. 使用深度模型迁移进行细粒度图像分类的方法.pdf

  2. 针对细粒度图像分类方法中存在模型复杂度较高、难以利用较深模型等问题，提出深度模型迁移（ DMT）分类方法。首先，在粗粒度图像数据集上进行深度模型预训练；然后，使用细粒度图像数据集对预训练模型logits层进行不确切监督学习，使其特征分布向新数据集特征分布方向迁移；最后，将迁移模型导出，在对应的测试集上进行测试。实验结果表明，在STANFORD DOGS、CUB -200 -2011、OXFORD FLOWER-102细粒度图像数据集上，DMT分类方法的分类准确率分别达到72.23%、73. 3

  3. 所属分类：其它

    • 发布日期：2019-07-23
    • 文件大小：1048576
    • 提供者：weixin_39841365

  1. 1-2 弱监督学习.pdf

  2. 模式识别就是通过计算机用数学技术方法来研究模式的自动处理和判读，把环境与客体统称为“模式”。随着计算机技术的发展，人类有可能研究复杂的信息处理过程，其过程的一个重要形式是生命体对环境及客体的识别。模式识别以图像处理与计算机视觉、语音语言信息处理、脑网络组、类脑智能等为主要研究方向，研究人类模式识别的机理以及有效的计算方法。

  3. 所属分类：讲义

    • 发布日期：2020-01-03
    • 文件大小：3145728
    • 提供者：weixin_44249704

  1. 基于快速密度聚类的电力通信网节点重要性评估.pdf

  2. 电力通信网的节点重要性评估是电力通信研究的一个重要议题。针对目前电力通信网节点重要性评估存在 的连接权值单一以及评价指标单一等问题，利用电力通信网的带宽和距离作为权值，计算电力通信网节点的多种 评价指标：节点强度、节点紧密度以及节点的介数。基于电力通信网节点的多种评价指标，利用快速密度聚类方 法建立电力通信网的节点重要性评估模型，为电网通信的规划做支撑。通过快速密度聚类方法进行无监督的分类， 将节点分为若干个重要性等级。该方法可以有效地改善基于距离的无监督分类方法的不足。利用某省的实际电

  3. 所属分类：其它

    • 发布日期：2019-09-13
    • 文件大小：403456
    • 提供者：weixin_38743481

  1. wKgADlzIAR6AOIY-AAnHtPtud1w385.pdf

  2. 1. C4.5：是机器学习算法中的一种分类决策树算法，其核心算法是 ID3 算法。 2. K-means 算法：是一种聚类算法。 3.SVM：一种监督式学习的方法，广泛运用于统计分类以及回归分析中 4.Apriori ：是一种最有影响的挖掘布尔关联规则频繁项集的算法。 5.EM：最大期望值法。 6.pagerank：是 google 算法的重要内容。 7. Adaboost：是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器然后把 弱分类器集合起来，构成一个更强的最终分类器

  3. 所属分类：Informix

    • 发布日期：2020-07-05
    • 文件大小：641024
    • 提供者：weixin_46351338