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. 文本挖掘tmSVM开源项目包含Python和Java两种版本带参考文档

  2. 文本挖掘tmSVM开源项目集成libSVM和liblinear包含Python和Java两种版本带PDF源码参考文档 简介 文本挖掘无论在学术界还是在工业界都有很广泛的应用场景。而文本分类是文本挖掘中一个非常重要的手段与技术。现有的分类技术都已经非常成熟，SVM、KNN、Decision Tree、AN、NB在不同的应用中都展示出较好的效果，前人也在将这些分类算法应用于文本分类中做出许多出色的工作。但在实际的商业应用中，仍然有很多问题没有很好的解决，比如文本分类中的高维性和稀疏性、类别的不平衡

  3. 所属分类：Python

    • 发布日期：2014-02-23
    • 文件大小：3145728
    • 提供者：vcfriend

  1. 2017年最新机器学习入门与实战精品高清全套视频教程附讲义作业(anaconda2 4.3Pytyhon2.7 jupyter) 70课

  2. 2017年最新机器学习入门与实战精品高清全套视频教程附讲义作业(anaconda2 4.3Pytyhon2.7 jupyter) 70课 课程介绍: 从基本的软件安装到必备的Python扩展讲起，然后对机器学习算法一一讲解，同时配合编程实操的实现过程，适合零基础系统学习，配套资料包括讲义作业软件数据都有。 课程目录: 第一章Numpy前导介绍 1.1、Anconda安装 1.2、JupyterNoteBook 1.3、Numpy介绍+ndarry 1.4、ndarry的shape属性巧算 1.

  3. 所属分类：机器学习

    • 发布日期：2018-05-04
    • 文件大小：2048
    • 提供者：happyzhangdi008

  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. 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. 基于Python实现了SVM的代码

  2. 使用Python支持向量机的代码实现，首先基于简化版的SMO实现分类超平面的计算，但时间较长，然后将完整版的SMO算法封装到类中，实现超平面的快速计算。最后使用SVM进行手写体识别实例的实现

  3. 所属分类：机器学习

    • 发布日期：2019-01-01
    • 文件大小：28311552
    • 提供者：pcb931126

  1. Python中使用支持向量机(SVM)算法

  2. 主要为大家详细介绍了Python中使用支持向量机SVM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：2020-09-20
    • 文件大小：121856
    • 提供者：weixin_38729399

  1. Python中使用支持向量机SVM实践

  2. 在机器学习领域，支持向量机SVM(Support Vector Machine)是一个有监督的学习模型，通常用来进行模式识别、分类(异常值检测)以及回归分析。 其具有以下特征：    (1)SVM可以表示为凸优化问题，因此可以利用已知的有效算法发现目标函数的全局最小值。而其他分类方法都采用一种基于贪心学习的策略来搜索假设空间，这种方法一般只能获得局部最优解。   (2) SVM通过最大化决策边界的边缘来实现控制模型的能力。尽管如此，用户必须提供其他参数，如使用核函数类型和引入松弛变量等。   (

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：60416
    • 提供者：weixin_38534344

  1. Python中支持向量机SVM的使用方法详解

  2. 除了在Matlab中使用PRTools工具箱中的svm算法，Python中一样可以使用支持向量机做分类。因为Python中的sklearn库也集成了SVM算法，本文的运行环境是Pycharm。 一、导入sklearn算法包 　　Scikit-Learn库已经实现了所有基本机器学习的算法，具体使用详见官方文档说明 　　skleran中集成了许多算法，其导入包的方式如下所示， 　　逻辑回归：from sklearn.linear_model import LogisticRegression    

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：182272
    • 提供者：weixin_38738783

  1. Python中使用支持向量机(SVM)算法

  2. 在机器学习领域，支持向量机SVM(Support Vector Machine)是一个有监督的学习模型，通常用来进行模式识别、分类(异常值检测)以及回归分析。 其具有以下特征：    (1)SVM可以表示为凸优化问题，因此可以利用已知的有效算法发现目标函数的全局最小值。而其他分类方法都采用一种基于贪心学习的策略来搜索假设空间，这种方法一般只能获得局部最优解。   (2) SVM通过最大化决策边界的边缘来实现控制模型的能力。尽管如此，用户必须提供其他参数，如使用核函数类型和引入松弛变量等。  

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：120832
    • 提供者：weixin_38581405

  1. Python中的支持向量机SVM的使用（附实例代码）

  2. 除了在Matlab中使用PRTools工具箱中的svm算法，Python中一样可以使用支持向量机做分类。因为Python中的sklearn库也集成了SVM算法，本文的运行环境是Pycharm。 一、导入sklearn算法包 Scikit-Learn库已经实现了所有基本机器学习的算法，具体使用详见官方文档说明：http://scikit-learn.org/stable/auto_examples/index.html。 skleran中集成了许多算法，其导入包的方式如下所示， 逻辑回归：from

  3. 所属分类：其它

    • 发布日期：2020-12-26
    • 文件大小：179200
    • 提供者：weixin_38703980

  1. secure-svm-源码

  2. 支持向量机 这是一个存储库，其中包含一些用于SVM训练的算法的实现。有两种类型的实现：清晰的实现（仅使用带有NumPy库的Python 3）以及使用MPC协议进行培训并在MP-SPDZ框架（ ）中实现的安全实现。 实现的算法： SMO算法。 简化的SMO算法。 梯度下降SVM优化。 使用梯度下降和高斯-赛德尔方法进行最小二乘优化。

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：48128
    • 提供者：weixin_42104906

  1. machine-learning-coursera-python:该存储库包含由斯坦福大学在Coursera上执行的Andrew Ng的机器学习课程的某些编程作业的python实现-源码

  2. 机器学习课程python 该存储库包含由Stanford University创建的Andrew Ng在Coursera上的机器学习课程的某些编程作业的python实现。 编程练习1：线性回归在本练习中，您将实现线性回归并了解它如何在现实世界的数据集上工作。 编程练习2：逻辑回归在本练习中，您将实现逻辑回归并将其应用于两个不同的数据集。 编程练习3：多类分类和神经网络在本练习中，您将实现神经网络对所有逻辑回归和前馈传播的识别，以识别手写数字。 编程练习4：神经网络学习在本练习中，您将为

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：1048576
    • 提供者：weixin_42116596

  1. Coursera-IBM-机器学习与Python的最终项目：Coursera-IBM-机器学习与Python的最终项目：最佳分类器，讲师-Saeed Aghabozorgi-源码

  2. Coursera-IBM-机器学习与Python最终项目 Coursera-IBM-机器学习与Python最终项目：最佳分类器，讲师-Saeed Aghabozorgi： 项目：建立分类器以预测是否将还清贷款案。 任务-从以前的贷款申请中加载历史数据集，清理数据，并对数据应用不同的分类算法。 使用不同的分类算法-k最近邻（KNN），决策树，支持向量机（SVM）和Logistic回归分析邻域数据并建立最佳分类器作为预测模型。 当适用这些结果时，将使用以下度量标准将结果报告为每个分类器的准确性

  3. 所属分类：其它

    • 发布日期：2021-02-20
    • 文件大小：680960
    • 提供者：weixin_42125770

  1. svm_mnist_digit_classification：具有scikit学习和支持向量机（SVM）算法的MNIST数字分类-源码

  2. 使用scikit-learn在python中进行SVM MNIST数字分类 该项目提出了的众所周知的问题。 出于本教程的目的，我将使用具有原始像素特征的算法。 该解决方案使用易于使用的机器学习库以python编写。 该项目的目标不是达到最先进的性能，而是教您如何使用sklearn的SVM在图像数据上训练SVM分类器。 尽管该解决方案并未针对高精度进行优化，但结果还是不错的（请参见下表）。 如果您想获得最佳性能，这两个资源将向您展示当前的最新解决方案： 下表显示了与其他模型相比的一些结果：

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：50176
    • 提供者：weixin_42150341

  1. Blooddonordiction：由于数字化，我们经常可以访问大型数据库，该数据库包含各种信息领域，从数字到文本甚至是布尔值。 这样的数据库特别适合于机器学习，分类和大数据分析任务。 假设我们掌握其他字段的信息，我们便能够使用现有数据训练

  2. 献血者预测 引用我们！ 抽象 由于数字化，我们经常可以访问大型数据库，该数据库包含各种信息领域，从数字到文本，甚至是布尔值。 这样的数据库特别适合于机器学习，分类和大数据分析任务。 假设我们掌握其他字段的信息，我们便能够使用现有数据训练分类器，并将其用于预测某个字段的值。 最具体地说，在这项研究中，我们查看了由医院编制的电子健康记录（EHR）。 这些EHR是访问单个患者数据的便捷方式，但是从整体上来说，处理仍然是一项任务。 但是，通过使用分类器，由连贯的，制表良好的结构组成的EHR非常适合于机

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：379904
    • 提供者：weixin_42172204

  1. h2o-3：H2O是一个开源，分布式，快速且可扩展的机器学习平台：深度学习，梯度提升（GBM）和XGBoost，随机森林，广义线性建模（带有弹性网的GLM），K均值，PCA，广义附加模型（GAM），RuleFit，支持向量机（SVM），堆叠

  2. 水 H2O是用于分布式，可扩展的机器学习的内存平台。 H2O使用熟悉的界面（例如R，Python，Scala，Java，JSON和Flow笔记本/网络界面），并与Hadoop和Spark等大数据技术无缝协作。 H2O提供了许多流行实现，例如广义线性模型（GLM），梯度提升机（包括XGBoost），随机森林，深层神经网络，堆叠体，朴素贝叶斯，广义加性模型（GAM），考克斯比例危害，K-表示PCA，Word2Vec以及全自动机器学习算法（ ）。 H2O是可扩展的，因此开发人员可以添加自己选择的

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：92274688
    • 提供者：weixin_42126668

  1. Movie_Success_Prediction_Data_Mining:通过ML算法（朴素贝叶斯，支持向量机，决策树）基于IMDb数据预测电影成功-源码

  2. INSE6180 使用3个研究论文的数据挖掘算法实现。 该项目使用所有上述算法对从IMDb数据库获得的数据进行ML分析。 这些算法（朴素贝叶斯算法，决策树算法和支持向量机）在不同的数据集上效果最佳，但为了使它们更公平，已使用了新的IMDb数据库。 首先，对数据进行清洗，预处理，修剪然后整合，以便为分类器提供可能的最佳有意义数据。 考虑到要进行分析，分类器从头开始用Python语言编写了脚本。 最后，在已开发的分类器中进行分析，并进行比较研究。 队友：Gursimran Singh –400

  3. 所属分类：其它

    • 发布日期：2021-03-30
    • 文件大小：2097152
    • 提供者：weixin_42109732