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. 应用WEKA进行数据分类

  2. WEKA把分类(Classification)和回归(Regression)都放在“Classify”选项卡中，这是有原因的。 在这两个任务中，都有一个目标属性（输出变量）。我们希望根据一个样本(WEKA中称作实例)的一组特征（输入变量），对目标进行预测。为了实现这一目的，我们需要有一个训练数据集，这个数据集中每个实例的输入和输出都是已知的。观察训练集中的实例，可以建立起预测的模型。有了这个模型，我们就可以对新的输出未知的实例进行预测了。衡量模型的好坏就在于预测的准确程度。 在WEKA中，待预

  3. 所属分类：专业指导

    • 发布日期：2009-05-31
    • 文件大小：155648
    • 提供者：my8895

  1. weka软件3-7-5jre

  2. weka是一款智能且方便操作的数据挖掘软件，操作简单，易学易用

  3. 所属分类：其它

    • 发布日期：2012-04-26
    • 文件大小：36700160
    • 提供者：sunshine0127

  1. 时序预测算法

  2. weka额外的jar包，可以对一定时间的历史数据进行预测

  3. 所属分类：Java

    • 发布日期：2012-09-16
    • 文件大小：2097152
    • 提供者：macropolos

  1. 引用 Weka学习二（聚类算法） .docx

  2. 聚类算法在数据挖掘里面被称之为无监督学习（unsupervised learning），这是与分类算法（supervised learning）相对的。在它们两者之间还一种叫做半监督学习（semi-supervised learning）这个我会在后面的文章中重点介绍。所谓无监督学习就是在预先不知道样本类别的情况下，由聚类算法来判别样本的类别的一种学习方法。 聚类算法的一般过程分为： 1. 读入需预测样本 2. 初始化聚类算法（并设置参数） 3. 使用聚类算法对样本进行聚类 4. 打印聚类结果

  3. 所属分类：Java

    • 发布日期：2012-11-28
    • 文件大小：17408
    • 提供者：zys800228

  1. Weka平台使用方法

  2. Weka的使用方法 一、是将一种学习方法应用于一个数据集，然后分析其输出，从而更多地了解这些数据(分析数 据集的潜在知识)。 二、是使用已学习到的模型对新的实例做出分类预测 三、是应用几种不同的学习器，再根据它们的性能表现选择其中一种用来做预测。 在Weka中将学习方法又称作分类器或学习器，用户可在Weka互动式界面的菜单中选择一种想要的分类器。许多分类器带有可调节的参数，这些参数可通过属性列表或对象编辑器进行更改。所有学习器的性能都是通过一个共同的评估模块进行衡量。 与选择学习器一样，用户也

  3. 所属分类：数据库

    • 发布日期：2013-03-23
    • 文件大小：1048576
    • 提供者：sun362101

  1. Weka使用教程

  2. Weka的使用教程 一、是将一种学习方法应用于一个数据集，然后分析其输出，从而更多地了解这些数据(分析数 据集的潜在知识)。 二、是使用已学习到的模型对新的实例做出分类预测 三、是应用几种不同的学习器，再根据它们的性能表现选择其中一种用来做预测。 在Weka中将学习方法又称作分类器或学习器，用户可在Weka互动式界面的菜单中选择一种想要的分类器。许多分类器带有可调节的参数，这些参数可通过属性列表或对象编辑器进行更改。所有学习器的性能都是通过一个共同的评估模块进行衡量。 与选择学习器一样，用户也

  3. 所属分类：其它

    • 发布日期：2013-03-23
    • 文件大小：322560
    • 提供者：sun362101

  1. WEKA入门教程以及所用的数据集大全

  2. weka入门教程以及本论文所用到的所有的数据集（bank-data.csv bank-data-final.arff bank-data训练集 bank-data预测集），以及我自己的运行结果等！

  3. 所属分类：Java

    • 发布日期：2013-11-12
    • 文件大小：101376
    • 提供者：huxiutao

  1. 机器学习-线性回归预测

  2. 1、掌握使用Weka做线性回归的方法； 2、掌握线性回归的相关知识； 3、处理丢失数据的值，替换原始数据中的短横线（因为这里的实验数据本应该是数字类型，而不是枚举类型）

  3. 所属分类：C++

    • 发布日期：2017-08-03
    • 文件大小：50331648
    • 提供者：dmxexcalibur

  1. timeseriesForecasting.jar.zip-weka.jar里时间序列预测必备jar

  2. timeseriesForecasting.jar,weka.jar里时间序列预测必备jar，国内外网站至今无法直接下载到的jar包，里边包含了官网weka的API文档里timeseries里所有的类，其中lib文件夹里的jar可能可能是这个jar运行时需要用到的jar包

  3. 所属分类：机器学习

    • 发布日期：2017-09-06
    • 文件大小：1048576
    • 提供者：chenleixing

  1. weka预测股票

  2. weka预测,timeseriesForecasting,测试类forecast_appleStocks2011，是预测股票的，支持overlay设置影响因数

  3. 所属分类：机器学习

    • 发布日期：2018-08-24
    • 文件大小：34816
    • 提供者：xiaoyongboy1010

  1. diabetes.arff用于weka的糖尿病预测数据集

  2. 数据集是来源于 University of California, Irvine（UCI）机器学习数据库中的 Pima Indian Diabetes 数据集，总共包含 768 条数据项。这 768个研究对象是来自于美国亚利桑那州的普通居民，由于在当地人口中糖尿病的发病率较高，美国国家糖尿病消化肾脏疾病研究所会对这个地区的人口进行持续性的调查研究。 数据集已转arff格式（其实与csv格式差不多可自行修改），可用于weka。

  3. 所属分类：机器学习

    • 发布日期：2020-05-13
    • 文件大小：24576
    • 提供者：j84491135

  1. 基于数据挖掘算法的底板破坏深度预测

  2. 针对以往使用单一因素预测底板破坏深度误差较大的问题,基于开源数据挖掘工具Weka平台,以底板破坏因素为样本应用贝叶斯分类器、支持向量机、神经网络、决策树和随机森林模型实现对底板破坏深度数据的整理挖掘分析,从多因素角度出发完成对底板破坏深度的综合预测。平台应用结果表明,工作面斜长、埋深为破坏深度的主要影响因素;神经网络模型的节点错误率最低,决策树模型最高;神经网络和随机森林模型在详细的精度方面准确率达95%;总体分析对比神经网络预测效果最优,能够较好实现对煤矿底板破坏深度的预测。

  3. 所属分类：其它

    • 发布日期：2020-05-11
    • 文件大小：137216
    • 提供者：weixin_38593823

  1. 回采巷道围岩稳定性的分类预测方法分析

  2. 通过SVM分类机、朴素贝叶斯分类器和决策树算法,利用Matlab和WEKA软件以及粗糙集理论分析并验证了7个非线性因素对回采巷道围岩稳定性的影响。成功实现了对回采巷道围岩稳定性基于3种不同算法的训练和预测。从详细精度、混淆矩阵和节点错误率这3个方面分别比较了3种算法对回采巷道围岩稳定性分类预测的适用性。结果表明决策树算法不适用于对回采巷道围岩稳定性进行分类预测,SVM优于朴素贝叶斯分类器。

  3. 所属分类：其它

    • 发布日期：2020-04-21
    • 文件大小：254976
    • 提供者：weixin_38741195

  1. 基于Weka的冲击地压预测方法分析

  2. 在运用Weka平台对样本训练和预测时,发现用不同的数据挖掘算法,得到不一样的处理结果。以冲击地压危险程度数据作为样本,利用Weka、Excel和Ultra Edit等软件,分别采用支持向量机,决策树和朴素贝叶斯分类器进行训练和预测。从详细的精度,混淆矩阵和节点错误率这3个方面分别比较3种算法,从而得到结论是:贝叶斯分类器的训练和预测效果是最好的,不仅可以提高准确率,还具有一定的研究价值。

  3. 所属分类：其它

    • 发布日期：2020-04-21
    • 文件大小：596992
    • 提供者：weixin_38656103

  1. 疾病相关单核苷酸多态性的特征分析与建模预测

  2. 疾病相关单核苷酸多态性的特征分析与建模预测，郭延芝，唐晓玲，利用77个蛋白质序列描述符对信号肽上的有害非同义单核苷酸多态性进行数值表征。然后选用Weka中的两种特征选择方法：CfsSubsetEv&

  3. 所属分类：其它

    • 发布日期：2020-01-07
    • 文件大小：166912
    • 提供者：weixin_38710578

  1. 基于神经网络的煤层顶板冒落预测

  2. 针对煤层顶板冒落原始数据样本较少的特点,采用神经网络理论和粗糙集理论,利用ULtraEdit和weka软件,建立了基于神经网络的煤层顶板冒落预测模型,实现了对小样本条件下煤层顶板冒落的预测。

  3. 所属分类：其它

    • 发布日期：2020-07-08
    • 文件大小：202752
    • 提供者：weixin_38743737

  1. 使用Java、Weka服务构建数据挖掘应用程序

  2. 了解BLUAcceleration如何在Codename:BlueMix上以服务的形式提供了数据仓库和分析，以及开发人员如何使用云中提供的非常快的IBMBLU技术来开发和部署重型应用程序。这就是云中更快速、更简单的数据挖掘方式。Codename:BlueMix是一款beta级产品，随着我们不断让其功能更加完善和更易于使用，它也将不断改进。我们会竭尽全力保持本文最新，但并不总是完全跟得上现状。感谢大家的理解！作为一家无线服务供应商公司的客户分析小组中的数据科学家，我们想利用客户数据来预测客户流失情

  3. 所属分类：其它

    • 发布日期：2021-03-04
    • 文件大小：629760
    • 提供者：weixin_38608873

  1. WEKA贷款风险预测-源码

  2. WEKA贷款风险预测 目的 根据属性，将某人分为好或坏信用风险。 使用的算法 J48随机森林 使用的软件 Weka应用

  3. 所属分类：其它

    • 发布日期：2021-02-11
    • 文件大小：28672
    • 提供者：weixin_42110070

  1. Kaggle-Movie-Review：使用NLTK，Sci-Kit学习器和一些Weka分类器对电影评论数据集进行情感分析-源码

  2. Kaggle电影评论 使用NLTK，Sci-Kit学习器和一些Weka分类器对电影评论数据集进行情感分析 目标-使用基本的分类算法预测评论的情绪，并通过更改不同的参数来比较结果。 数据集-数据取自原始的庞氏和李氏电影评论语料库，该语料库基于Rotten Tomatoes网站上的评论，后来也用于Kaggle竞赛中.train.tsv包含短语及其相关的情感标签。 test.tsv仅包含短语 功能集使用过的字母组合特征（词包），双字，否定，词性（词性），以及基于情感词典的特征，例如LIWC，意见词典

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：7340032
    • 提供者：weixin_42134234

  1. 使用Java、Weka服务构建数据挖掘应用程序

  2. 了解BLUAcceleration如何在Codename:BlueMix上以服务的形式提供了数据仓库和分析，以及开发人员如何使用云中提供的非常快的IBMBLU技术来开发和部署重型应用程序。这就是云中更快速、更简单的数据挖掘方式。Codename:BlueMix是一款beta级产品，随着我们不断让其功能更加完善和更易于使用，它也将不断改进。我们会竭尽全力保持本文最新，但并不总是完全跟得上现状。感谢大家的理解！作为一家无线服务供应商公司的客户分析小组中的数据科学家，我们想利用客户数据来预测客户流失情

  3. 所属分类：其它

    • 发布日期：2021-02-02
    • 文件大小：629760
    • 提供者：weixin_38667403
« 12 »