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. 机器学习思维导图

  2. 常用机器学习算法的思维导图，梳理了所有相关知识，很适合对各部分的整体把握与补遗。推荐使用MindManager思维导图软件查看 目录： 1.机器学习基础.mmap 2.k-近邻算法.mmap 3.决策树.mmap 4.基于概率论的分类方法：朴素贝叶斯.mmap 5.Logistic回归.mmap 6.SVM.mmap 7.利用AdaBoost元算法提高分类性能.mmap 8.预测数值型数据：回归.mmap 9.树回归.mmap 10.利用k-均值聚类算法对未标注数据分组.mmap 11.使用A

  3. 所属分类：机器学习

    • 发布日期：2018-03-20
    • 文件大小：575488
    • 提供者：corebox

  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. 统计学习方法_李航

  2. 统计学习是计算机及其应用领域的一门重要的学科。本书全面系统地介绍了统计学习的主要方法，特别是监督学习方法，包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、em算法、隐马尔可夫模型和条件随机场等。除第1章概论和最后一章总结外，每章介绍一种方法。叙述从具体问题或实例入手，由浅入深，阐明思路，给出必要的数学推导，便于读者掌握统计学习方法的实质，学会运用。为满足读者进一步学习的需要，书中还介绍了一些相关研究，给出了少量习题，列出了主要参考文献。 《统计学习方法

  3. 所属分类：机器学习

  1. 基于Adaboost的改进多元线性回归算法中长期负荷预测

  2. 中长期负荷预测是电力系统规划、运行、控制的前提。提高预测精度对电力系统的安全性、经济性、环保性具有重要意义。针对小样本数据搭建的多元线性回归模型的异方差性影响,提出一种基于Adaboost的改进多元线性回归算法,该算法利用Adaboost算法动态调整不同样本对应的权值因子,并协调和组合各多元线性回归模型,在减弱异方差性影响的同时提高了算法的泛化能力。通过改进算法在进贤县用电数据集上进行负荷预测算例,验证了改进算法的有效性和实用价值。

  3. 所属分类：其它

    • 发布日期：2020-04-27
    • 文件大小：271360
    • 提供者：weixin_38697171

  1. 总结：Bootstrap(自助法)，Bagging，Boosting(提升) - 简书.pdf

  2. 关于机器学习方面的集成算法，包括boosting和bagging，里面讲解详细，值得下载2019/4/27 总结: Bootstrap(白助法), Bagging, Boosting(提升)-简书 assiier 1 -9 Decition boundary Classifier 2 Decislon boundary 2 Classifier 3 o Decision boundary 3 ▲△▲ △6▲ Feature 1 Feature 1 Featur (∑ g Feature Ense

  3. 所属分类：机器学习

    • 发布日期：2019-10-13
    • 文件大小：2097152
    • 提供者：qq_15141977

  1. scikit-learn-0.21.3-中文文档.pdf

  2. scikit-learn 是基于 Python 语言的机器学习工具 简单高效的数据挖掘和数据分析工具 可供大家在各种环境中重复使用 建立在 NumPy ，SciPy 和 matplotlib 上 开源，可商业使用 - BSD许可证1.监督学习 1广义线性模型 °1.1.1普通最小二乘法 1.1.2岭回归 1.1.3LaSs0 o1.1.4多任务 Lasso 115弹性网络 o116多任务弹性网络 1.1.7最小角回归 1.1. 8 LARS Lasso 1.19正交匹配追踪法(OMP 1.1.1

  3. 所属分类：机器学习

    • 发布日期：2019-08-24
    • 文件大小：41943040
    • 提供者：h394266861

  1. Adaboost回归预测与分类代码（带测试数据）

  2. 这是集成学习Adaboost的matlab代码 包括：回归预测、分类 以BP为基学习器进行分类和回归学习

  3. 所属分类：互联网

    • 发布日期：2020-11-07
    • 文件大小：77824
    • 提供者：weixin_49434883

  1. 利用轮作林改善回归指标的实证研究

  2. 本文通过在几个基准数据集上进行实验，研究了旋转森林集成方法在提高基本预测变量解决回归问题的泛化能力方面的性能，并与Bagging，Random Forest，Adaboost.R2和a单一回归树。 还研究了轮作林对其所含参数选择的敏感性。 在考虑的回归数据集上，可以看到Adaboost.R2通常胜过Rotation Forest，并且两者都优于Random Forest和一棵树。 关于袋装和轮换林，似乎他们之间没有明显的赢家。 此外，修剪树似乎对所有考虑的方法的性能都有一些不良影响。

  3. 所属分类：其它

    • 发布日期：2021-02-22
    • 文件大小：433152
    • 提供者：weixin_38739900

  1. Random_Forest-Kaggle_Spotify_Songs：（Kaggle）使用随机森林方法对170k Spotify歌曲进行分类和回归，以对数十年创作的歌曲进行分类并预测新歌曲的受欢迎程度-源码

  2. Spotify歌曲十年和流行度预测的随机森林和合奏方法 作者：李木聪（Collin） 完成时间：2020年11月 技术的 方法： GridSearchCV 随机森林 AdaBoost 梯度提升 语言：Python（笔记本） 资料： 1921年至2020年发行的160k + Spotify歌曲的音频功能 进一步 请参见“ ML_Coding_Miscellaneous”中的“树组合，装袋，粘贴”

  3. 所属分类：其它

    • 发布日期：2021-02-15
    • 文件大小：108544
    • 提供者：weixin_42119281

  1. 一种用于软测量建模的增量学习集成算法

  2. 针对软测量模型在实际应用中遇到的问题, 结合AdaBoost 集成学习思想, 提出适用于软测量回归的集成学习算法, 以提高传统软测量模型的精度. 为了克服模型更新技术对软测量实际应用的制约, 将增量学习机制加入软测量集成建模中, 使软测量模型具有在线实时更新的增量学习能力. 对浆纱过程使用新方法建立上浆率软测量模型, 并使用实际生产数据对模型进行检验, 检验结果表明, 该模型具有很好的预测精度, 并能够较好地实现在线更新.

  3. 所属分类：其它

    • 发布日期：2021-01-14
    • 文件大小：184320
    • 提供者：weixin_38603259

  1. Machine-Learning-in-Action:本书取自《机器学习在行动》中的源代码，更正了错误，并根据python 3.X更新了-Source code learning

  2. 行动中的机器学习 本书摘自《机器学习在行动》中的源代码。 ipynb格式和html格式，更正了（以及我自己发现的一些错误），并根据python 3.X更新了。 机器学习在行动.pdf：本书的pdf版本 MLiA_SourceCode.zip：（.py格式） 02用k最近邻居分类[ ] 03一次将数据集拆分为一个特征决策树[ ] 04用概率论分类朴素贝叶斯[ ] 05 Logistic回归[ ] 06支持向量机[ ] 07使用AdaBoost元算法[ ]改进分类 08预测数值回归[

  3. 所属分类：其它

    • 发布日期：2021-03-25
    • 文件大小：76546048
    • 提供者：weixin_42165508