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. AI 决策树,K折交叉验证源程序

  2. 一个人工智能的大作业,内容是九宫棋决策问题,用到了决策树,增益和K折交叉验证,包括源程序和文档

  3. 所属分类：Java

    • 发布日期：2008-11-19
    • 文件大小：21504
    • 提供者：justok06

  1. WiFiU系统的仿真

  2. 花了些时间做了对WiFiU系统的复现，简单提取了步态周期等4个特征，使用50多个训练样本做了二分类，使用k-折交叉验证检验训练结果，识别正确率通常在70%左右。

  3. 所属分类：专业指导

    • 发布日期：2018-11-14
    • 文件大小：51380224
    • 提供者：u014645508

  1. 代理模型MATLAB工具箱（FAC Viana）

  2. SURROGATES工具箱是一个多维函数逼近和优化方法的通用MATLAB库。当前版本包括以下功能： 实验设计：中心复合设计，全因子设计，拉丁超立方体设计，D-optimal和maxmin设计。 代理：克里金法，多项式响应面，径向基神经网络和支持向量回归。 错误和交叉验证的分析：留一法和k折交叉验证，以及经典的错误分析（确定系数，标准误差;均方根误差等;）。 基于代理的优化：高效的全局优化（EGO）算法。 其他能力：通过安全裕度进行全局敏感性分析和保守替代。 安装请看docs目录下文档 FAC

  3. 所属分类：深度学习

    • 发布日期：2018-12-21
    • 文件大小：363520
    • 提供者：weixin_44175017

  1. 基于贝叶斯和逻辑回归二分类算法的交通事故判断.rar

  2. 传统的道路交通事故预测是对交通事故次数及其造成的损失的历史趋势进行预测，针对其不能反映交通事故与实时交通特性关系、不能有效地预防事故发生的问题，提出一种贝叶斯和逻辑回归二分类算法的交通事故判断与预测模型 首先，进行数据处理，将交通状态划分为正常与危险两种，分别用0和1表示；利用采集的交通流数据作为特征变量对不同的状态进行表征，将事故的实时预测问题转化为分类问题；对某项偏大的数据特征进行数据处理，利用下采样策略解决由于危险状态样本较少而导致的样本不均衡问题；将重新选出的数据集分割成训练集与测试级，

  3. 所属分类：交通

    • 发布日期：2020-05-09
    • 文件大小：42991616
    • 提供者：weixin_44950743

  1. 多层感知机(MLP)(三层)(UCI乳腺癌数据库)(k折交叉验证)(反向传递)(机器学习，神经网络)

  2. 多层感知机(MLP)(三层)(UCI乳腺癌数据库)(k折交叉验证)(反向传递)(机器学习，神经网络)

  3. 所属分类：机器学习

    • 发布日期：2020-05-28
    • 文件大小：6144
    • 提供者：weixin_33270475

  1. Python实现K折交叉验证法的方法步骤

  2. 主要介绍了Python实现K折交叉验证法的方法步骤，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

  3. 所属分类：其它

    • 发布日期：2020-09-19
    • 文件大小：44032
    • 提供者：weixin_38712899

  1. Python实现K折交叉验证法的方法步骤

  2. 学习器在测试集上的误差我们通常称作“泛化误差”。要想得到“泛化误差”首先得将数据集划分为训练集和测试集。那么怎么划分呢？常用的方法有两种，k折交叉验证法和自助法。介绍这两种方法的资料有很多。下面是k折交叉验证法的python实现。 ##一个简单的2折交叉验证 from sklearn.model_selection import KFold import numpy as np X=np.array([[1,2],[3,4],[1,3],[3,5]]) Y=np.array([1,2,3,4

  3. 所属分类：其它

    • 发布日期：2020-12-31
    • 文件大小：40960
    • 提供者：weixin_38604916

  1. [笔记2]动手学深度学习

  2. 资料来源：伯禹学习平台。 概念整理 K折交叉验证 由于验证数据集不参与模型训练，当训练数据不够用时，预留大量的验证数据显得太奢侈。一种改善的方法是K折交叉验证（K-fold cross-validation）。在K折交叉验证中，我们把原始训练数据集分割成K个不重合的子数据集，然后我们做K次模型训练和验证。每一次，我们使用一个子数据集验证模型，并使用其他K-1个子数据集来训练模型。在这K次训练和验证中，每次用来验证模型的子数据集都不同。最后，我们对这K次训练误差和验证误差分别求平均。 L2 范数正

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：759808
    • 提供者：weixin_38743054

  1. AI之过拟合、欠拟合及其解决方案

  2. 过拟合、欠拟合及其解决方案模型选择、过拟合和欠拟合训练误差和泛化误差模型选择验证数据集K折交叉验证过拟合和欠拟合模型复杂度训练数据集大小多项式函数拟合实验初始化模型参数定义、训练和测试模型三阶多项式函数拟合（正常）线性函数拟合（欠拟合）训练样本不足（过拟合）权重衰减方法L2L_2L2​范数正则化（regularization）高维线性回归实验从零开始的实现初始化模型参数定义L2范数惩罚项定义训练和测试观察过拟合使用权重衰减简洁实现丢弃法丢弃法从零开始的实现简洁实现 模型选择、过拟合和欠拟合 训练

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：228352
    • 提供者：weixin_38649657

  1. DataWhale Task03&Task04&Task05

  2. 过拟合欠拟合及其解决方案 概念： 欠拟合（underfitting）：模型无法得到较低的训练误差。 过拟合（overfitting）：训练误差远小于它在测试数据集上的误差。 主要的影响因素是模型的复杂度和训练数据集的大小，通常模型复杂度低容易欠拟合，复杂度高容易过拟合；数据集小容易过拟合。 常用的解决方案： 从数据集角度：K折交叉验证，提高数据的利用率。 从模型复杂度角度：可以才用权重衰减正则和dropout。权重衰减即为增加一个模型参数的范数作为惩罚项来表征模型的复杂度，L1，L2皆可，其中L

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：219136
    • 提供者：weixin_38572979

  1. pytorch_task3过拟合欠拟合；梯度消失爆炸；循环神经网络

  2. Task3过拟合、欠拟合及其解决方案训练误差、泛化误差模型选择验证数据集K折交叉验证过拟合欠拟合概念模型复杂度解决过拟合权重衰减（加上L2范数惩罚项）丢弃法梯度消失、梯度爆炸初始化模型参数Xavier随机初始化协变量偏移标签偏移概念偏移循环神经网络循环神经网络构造RNN简洁实现实践one-hot向量 过拟合、欠拟合及其解决方案 训练误差、泛化误差 前者指模型在训练数据集上表现出的误差。 后者指模型在任意一个测试数据样本上表现出的误差的期望，并常常通过测试数据集上的误差来近似。 模型选择 验证数据

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：179200
    • 提供者：weixin_38665629

  1. Datawhale&kesci&伯禹教育-深度学习-第二次打卡1 过拟合&欠拟合的解决方法

  2. 训练误差和泛化误差 训练误差： 在训练数据上表现得误差 泛化误差：在任意测试数据上表现的误差的期望 通过损失来衡量误差。例如，线性回归用平方损失函数，softma用的交叉熵回归。 模型的核心是降低泛化误差。 常见训练数据划分方法 1.留有一定比例的验证集 2. K折交叉验证 欠拟合（无法得到较低的误差）和过拟合（训练误差远小于测试误差） 产生的原因： 模型复杂度和训练数据 1.模型复杂度 2. 训练数据 一般来说训练数据随模型成正比例关系。 解决方法 ： L2范数正则化 通过模型的计算误差来惩罚

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：113664
    • 提供者：weixin_38744557

  1. task 过拟合欠拟合

  2. 训练误差和泛化误差 在解释上述现象之前，我们需要区分训练误差（training error）和泛化误差（generalization error）。通俗来讲，前者指模型在训练数据集上表现出的误差，后者指模型在任意一个测试数据样本上表现出的误差的期望，并常常通过测试数据集上的误差来近似。计算训练误差和泛化误差可以使用之前介绍过的损失函数，例如线性回归用到的平方损失函数和softmax回归用到的交叉熵损失函数。 机器学习模型应关注降低泛化误差。 K折交叉验证 由于验证数据集不参与模型训练，当训练数据

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：145408
    • 提供者：weixin_38691319

  1. AI之梯度消失、梯度爆炸以及Kaggle房价预测

  2. 梯度消失、梯度爆炸以及Kaggle房价预测梯度消失和梯度爆炸随机初始化模型参数PyTorch的默认随机初始化Xavier随机初始化考虑环境因素协变量偏移标签偏移概念偏移Kaggle 房价预测实战获取和读取数据集预处理数据训练模型对数均方根误差实现K折交叉验证模型选择预测并在Kaggle中提交结果 梯度消失和梯度爆炸   深度模型有关数值稳定性的典型问题是消失（vanishing）和爆炸（explosion）。   当神经网络的层数较多时，模型的数值稳定性容易变差。   假设一个层数为L的多层感知

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：296960
    • 提供者：weixin_38733875

  1. 《动手学深度学习》课后习题2

  2. 《动手学深度学习》学习网址： 《动手学》：过拟合、欠拟合及其解决方案 1. 关于验证数据集的描述错误的是： 答案：测试数据集可以用来调整模型参数。 解析：测试数据集不可以用来调整模型参数，如果使用测试数据集调整模型参数，可能在测试数据集上发生一定程度的过拟合，此时将不能用测试误差来近似泛化误差。 B 验证数据集可以用来调整模型参数; C 在数据不够多的时候，k折交叉验证是一种常用的验证方法; D k折交叉验证将数据分为k份，每次选择一份用于验证模型，其余的用于训练模型。 2. 关于过拟合、

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：297984
    • 提供者：weixin_38666823

  1. 基于递归神经网络与K折交叉验证的R-RTRL用于多步预测滑坡位移

  2. 基于递归神经网络与K折交叉验证的R-RTRL用于多步预测滑坡位移

  3. 所属分类：其它

    • 发布日期：2021-03-09
    • 文件大小：291840
    • 提供者：weixin_38529951

  1. 所有机器学习算法：包括所有机器学习模型，包括所有机器学习预处理技术，例如1）抽样技术（欠采样，过采样，ROS和SMOTE）。 交叉验证（K折，分层K折），-源码

  2. 所有ML算法 它包括所有ML模型。（用于KTM和银行数据） 由所有ML预处理技术组成，如a。 采样技术（欠采样，过采样-ROS和SMOTE）b。 交叉验证（K折，分层K折）c。 主成分分析 具有HYPER参数校正的Boston数据集的套索和岭回归。 该存储库还包含我在编码文件中使用的RAW数据文件

  3. 所属分类：其它

    • 发布日期：2021-02-15
    • 文件大小：590848
    • 提供者：weixin_42133329

  1. 机器学习和数据科学：机器学习和数据挖掘：回归[线性（选择和收缩，降维，超出线性范围）和非线性回归（逻辑，K-NN，树）]，交叉验证（LOOCV，K -折数，偏差与方差，分类（LDA，QDA，K-NN，物流，树，SVM），聚类（PCA，K-M

  2. 机器学习与数据科学 机器学习和数据挖掘：回归[线性（选择和收缩，降维，超出线性范围）和非线性回归（逻辑，K-NN，树）]，交叉验证（LOOCV，K折，偏差与方差） ，分类（LDA，QDA，K-NN，物流，树，SVM），聚类（PCA，K-Means，分层）本课程将介绍数据挖掘/统计学习的主要主题，包括：统计基础，数据可视化，分类，回归，聚类。 重点将放在统计学习方法，其背后的模型，直觉和假设以及对实际问题的应用上。 您可以在stats 415项目文件夹中找到我的最终项目。 项目总结 实施整个学

  3. 所属分类：其它

    • 发布日期：2021-02-14
    • 文件大小：18874368
    • 提供者：weixin_42166261

  1. 乳腺癌-威斯康星州诊断-大师：我使用“对数回归模型”来查看肿瘤是良性还是恶性的，并且已经通过k折交叉验证计算了模型的准确性-源码

  2. 乳腺癌威斯康星州诊断大师 我已经使用“对数回归和主成分模型”来查看肿瘤是良性还是恶性的，并且已经通过k折交叉验证计算了模型的准确性。

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：560128
    • 提供者：weixin_42117037

  1. K折交叉验证：传统的求准确度的方法是将整个数据分为训练集和测试集，并根据测试数据计算出准确度，但这并不是最佳方法，因此我们采用K折交叉验证是许多精度的平均值，并且它还提供了精度的标准偏差，这是评估模型的良好指标-源码

  2. K折交叉验证：传统的求准确度的方法是将整个数据分为训练集和测试集，并根据测试数据计算出准确度，但这并不是最佳方法，因此我们采用K折交叉验证是许多精度的平均值，并且它还提供了精度的标准偏差，这是评估模型的良好指标

  3. 所属分类：其它

    • 发布日期：2021-02-09
    • 文件大小：2048
    • 提供者：weixin_42127835
« 12 3 4 »