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. bagging and boosting

  2. ensemble learning bagging和boosting都可以有效地提高分类的准确性

  3. 所属分类：专业指导

    • 发布日期：2009-05-07
    • 文件大小：206848
    • 提供者：yang0359

  1. Bagging算法在中文文本分类中的应用

  2. Bagging算法在中文文本分类中的应用

  3. 所属分类：其它

    • 发布日期：2009-12-18
    • 文件大小：203776
    • 提供者：flygeniuslx

  1. 集成学习(Bagging ，Boosting ,AdaBoost) PPT

  2. 集成学习Bagging ，Boosting等介绍的PPT。集成方法是构建一种对单个分类器进行集成的学习算法，将各分类器的分类结果以一定的方式集成起来实现对新数据点进行分类，其中单个分类器是独立的且不要求分类精度很高。通过这种方式，大大提高了集成系统的性能。

  3. 所属分类：专业指导

  1. 局部Bagging英文

  2. 一种比较好的人来能识别的集成学习方法，bagging法

  3. 所属分类：其它

    • 发布日期：2012-12-12
    • 文件大小：374784
    • 提供者：xingxia0323

  1. bagging算法

  2. Bagging的策略： 从样本集中用Bootstrap采样选出n个样本 在所有属性上 对这n个样本建立分类器（CART or SVM or ） 重复以上两步m次 i e build m个分类器（CART or SVM or ） 将数据放在这m个分类器上跑 最后vote看到底分到哪一类

  3. 所属分类：讲义

    • 发布日期：2015-04-13
    • 文件大小：5242880
    • 提供者：u013566228

  1. bagging算法python组件

  2. bagging 是bootstrap aggregating的缩写，它首次介绍是在L. Breiman, Bagging predictors, Mach. Learn. 24 (2) (1996) 123--140 ，是第一批用于多分类器集成算法。该集成方法包括在一个训练集合上重复训练得到的多个分类器。

  3. 所属分类：Python

    • 发布日期：2015-04-19
    • 文件大小：11534336
    • 提供者：u013566228

  1. 集成学习（AdaBoost、Bagging）

  2. 包含基于决策树桩进行集成的AdaBoost、Bagging算法，并实现对学习结果的可视化。“*”表示支撑超平面边界的点，“+”、“-”分别表示正反例数据点，青色线条为集学习器（决策树桩）分类边界。

  3. 所属分类：机器学习

    • 发布日期：2020-03-15
    • 文件大小：14336
    • 提供者：mddh_123

  1. Bagging算法.zip

  2. Bagging的策略： 从样本集中用Bootstrap采样选出n个样本 在所有属性上 对这n个样本建立分类器（CART or SVM or ） 重复以上两步m次 i e build m个分类器（CART or SVM or ） 将数据放在这m个分类器上跑 最后vote看到底分到哪一类

  3. 所属分类：算法与数据结构

    • 发布日期：2020-01-17
    • 文件大小：14680064
    • 提供者：weixin_42687126

  1. bagging算法

  2. Bagging的策略： 从样本集中用Bootstrap采样选出n个样本 在所有属性上 对这n个样本建立分类器（CART or SVM or ） 重复以上两步m次 i e build m个分类器（CART or SVM or ） 将数据放在这m个分类器上跑 最后vote看到底分到哪一类

  3. 所属分类：讲义

    • 发布日期：2020-01-17
    • 文件大小：5242880
    • 提供者：weixin_42329419

  1. 基于信息增益和Bagging集成学习算法的个人信用评估模型研究

  2. 基于信息增益和Bagging集成学习算法的个人信用评估模型研究，邵笑笑，曹杰，集成学习的算法是一种基于统计理论以计算机实现的良好机器学习方法。本文阐述了集成学习的基本思想和实现步骤，运用Bagging集成学�

  3. 所属分类：其它

    • 发布日期：2020-01-15
    • 文件大小：519168
    • 提供者：weixin_38590784

  1. 集成学习Boosting和Bagging综述

  2. 集成学习Boosting和Bagging综述,非常好的参考资料，推荐

  3. 所属分类：机器学习

    • 发布日期：2019-04-20
    • 文件大小：302080
    • 提供者：buxizhizhou__

  1. bagging算法

  2. Bagging的策略： 从样本集中用Bootstrap采样选出n个样本 在所有属性上 对这n个样本建立分类器（CART or SVM or ） 重复以上两步m次 i e build m个分类器（CART or SVM or ） 将数据放在这m个分类器上跑 最后vote看到底分到哪一类

  3. 所属分类：讲义

    • 发布日期：2019-04-20
    • 文件大小：5242880
    • 提供者：lisha1002

  1. bagging算法

  2. Bagging的策略： 从样本集中用Bootstrap采样选出n个样本 在所有属性上 对这n个样本建立分类器（CART or SVM or ） 重复以上两步m次 i e build m个分类器（CART or SVM or ） 将数据放在这m个分类器上跑 最后vote看到底分到哪一类

  3. 所属分类：讲义

    • 发布日期：2020-06-18
    • 文件大小：5242880
    • 提供者：limeng918

  1. 基于sklearn实现Bagging算法（python）

  2. 主要为大家详细介绍了基于sklearn实现Bagging算法，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

  3. 所属分类：其它

    • 发布日期：2020-09-19
    • 文件大小：63488
    • 提供者：weixin_38630324

  1. 基于sklearn实现Bagging算法（python）

  2. 本文使用的数据类型是数值型，每一个样本6个特征表示，所用的数据如图所示： 图中A,B,C,D,E,F列表示六个特征，G表示样本标签。每一行数据即为一个样本的六个特征和标签。 实现Bagging算法的代码如下： from sklearn.ensemble import BaggingClassifier from sklearn.tree import DecisionTreeClassifier from sklearn.preprocessing import StandardScaler

  3. 所属分类：其它

    • 发布日期：2021-01-01
    • 文件大小：100352
    • 提供者：weixin_38687199

  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. 基于改进Bagging算法的高斯过程集成软测量建模

  2. 基于改进Bagging算法的高斯过程集成软测量建模

  3. 所属分类：其它

    • 发布日期：2021-03-20
    • 文件大小：320512
    • 提供者：weixin_38691453

  1. 支持向量回归的类似Bagging的度量学习

  2. 支持向量回归的类似Bagging的度量学习

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：1034240
    • 提供者：weixin_38640117

  1. 基于Bagging的概率神经网络集成分类算法

  2. 基于Bagging的概率神经网络集成分类算法

  3. 所属分类：其它

    • 发布日期：2021-03-09
    • 文件大小：517120
    • 提供者：weixin_38531788

  1. 使用Boosting修剪Double-Bagging乐团

  2. 在本文中，Boosting用于确定将基本预测变量聚合为Double-Bagging集合的顺序，并且通过基于两个启发式停止规则的早期停止聚集过程来构建子集合。 在所有调查的分类和回归问题中，修剪后的乐团在大多数情况下的表现要好于装袋，Boosting和完全随机排序的Double-Bagging乐团。 因此，当将预测精度，预测速度和存储要求都考虑在内时，所提出的方法可能是解决当前预测问题的好选择。

  3. 所属分类：其它

    • 发布日期：2021-02-22
    • 文件大小：1048576
    • 提供者：weixin_38707342
« 12 3 4 5 6 »