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. 地理信息系统算法基础.rar

  2. 第1章算法设计和分析 1．1概述 1．2算法设计原则 1．3算法复杂性的度量 1．3．1时间复杂性 1．3．2空间复杂性 1．4最优算法 1．5算法的评价 1．5．1如何估计算法运行时间 1．5．2最坏情况和平均情况的分析 1．5．3平摊分析 1．5．4输入大小和问题实例 思考题 第2章GIS算法的计算几何基础 2．1维数扩展的9交集模型 2．1．1概述 2．1．2模型介绍 2．1．3空间关系的判定 2．2矢量的概念 2．2．1矢量加减法 2．2．2矢量叉积 2．3折线段的拐向判断 2．4判断

  3. 所属分类：其它

    • 发布日期：2009-11-30
    • 文件大小：18mb
    • 提供者：xue12300

  1. LIBSVM使用介绍

  2. LIBSVM是台湾大学林智仁(Lin Chih-Jen)副教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，他不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件还有一个特点，就是对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数就可以解决很多问题；并且提供了交互检验(Cross Validation)的功能。该软件包可以在http://www.csie.ntu.edu.tw/~

  3. 所属分类：专业指导

    • 发布日期：2010-06-11
    • 文件大小：101kb
    • 提供者：Grazz

  1. 随机森林模型在分类与回归分析中的应用

  2. 随机森林 random forest 模型是由Breiman 和Cutler 在2001 年提出的一种基于分类树的算法 它通过 对大量分类树的汇总提高了模型的预测精度 是取代神经网络等传统机器学习方法的新的模型 随机森林的运 算速度很快 在处理大数据时表现优异 随机森林不需要顾虑一般回归分析面临的多元共线性的问题 不用做变 量选择 现有的随机森林软件包给出了所有变量的重要性 另外 随机森林便于计算变量的非线性作用 而且可 以体现变量间的交互作用 interaction 它对离群值也不敏感 本文

  3. 所属分类：专业指导

    • 发布日期：2014-05-10
    • 文件大小：1mb
    • 提供者：sinat_15242403

  1. 数据挖掘原理与算法.pdf

  2. 数据挖掘原理与算法 介绍有关数据挖掘原理、分类算法、回归算法、聚类算法、关联算法

  3. 所属分类：其它

    • 发布日期：2008-10-22
    • 文件大小：10mb
    • 提供者：xxxx3

  1. 数据挖掘18大算法实现以及其他相关经典DM算法

  2. 数据挖掘算法 算法目录 18大DM算法 包名 目录名 算法名 AssociationAnalysis DataMining_Apriori Apriori-关联规则挖掘算法 AssociationAnalysis DataMining_FPTree FPTree-频繁模式树算法 BaggingAndBoosting DataMining_AdaBoost AdaBoost-装袋提升算法 Classification DataMining_CART CART-分类回归树算法 Classifica

  3. 所属分类：专业指导

    • 发布日期：2016-01-05
    • 文件大小：220kb
    • 提供者：huangyueranbbc

  1. 数据挖掘18大算法实现以及其他相关经典DM算法

  2. 数据挖掘算法 算法目录 18大DM算法 包名 目录名 算法名 AssociationAnalysis DataMining_Apriori Apriori-关联规则挖掘算法 AssociationAnalysis DataMining_FPTree FPTree-频繁模式树算法 BaggingAndBoosting DataMining_AdaBoost AdaBoost-装袋提升算法 Classification DataMining_CART CART-分类回归树算法 Classifica

  3. 所属分类：Java

    • 发布日期：2017-04-08
    • 文件大小：220kb
    • 提供者：q6115759

  1. SVM工具箱的分类与回归算法

  2. SVM工具箱的分类与回归算法进行了介绍 使用者可以通过该文档了解掌握SVM工具箱的使用。

  3. 所属分类：其它

    • 发布日期：2008-12-02
    • 文件大小：751kb
    • 提供者：yue901127

  1. 基于UCI中Car Evaluation数据集的分类、回归与聚类

  2. 通过在UCI开源网站上下载Car Evaluation数据集，对其使用机器学习算法进行分析，分别使用了分类算法，回归算法，聚类算法，文件中附数据集以及代码，代码使用jupyter运行即可，代码中介绍比较详细，通熟易懂，从头至尾皆可跑通！

  3. 所属分类：机器学习

    • 发布日期：2019-06-15
    • 文件大小：70kb
    • 提供者：liaoningxinmin

  1. 机器学习算法工程师校招面试题库.pdf

  2. 机器学习算法工程师校招面试题库 涵盖数学基础、机器学习算法、深度学习、自然语言处理、计算机基础项目等。ξ NOWCODER. COM 牛客网一一互联网学习求职必备神器 名企校招历年笔试面试真题,尽在牛客网 可能就问的项日多一些,或者你说哪里精通可能面试官就多去问你这些。而且此图是根据题 库数据整理出来,并不是根据实际单场面试整理,比如基础部分不会考那么多,会从中抽着 考 但是面试中必考的点且占比非常大的有机器学习算法,机器学习和算法。 决定你是否能拿 sp offer(高薪ofer)以及是否

  3. 所属分类：机器学习

    • 发布日期：2019-07-15
    • 文件大小：4mb
    • 提供者：yangyang3401

  1. Logistic回归.wps

  2. Logistic回归的目的是寻找一个非线性函数Sigmoid的最佳拟合参数，求解过程可以由最优化算法来完成。在最优化算法中，最常用的就是 梯度上升算法，而 梯度上升算法 又可以简化为 随机梯度上升算法。 随机梯度上升算法与梯度上升算法的效果相当，但占用更少的计算资源。此外，随机梯度上升是一个在线算法，它可以在新数据到来时就完成参数更新，而不需要重新读取整个数据集来进行批处理运算。 机器学习的一个重要问题就是如何处理缺失数据。这个问题没有标准答案，取决于实际应用中的需求。现有一些解决方案，每种方案

  3. 所属分类：机器学习

    • 发布日期：2020-08-16
    • 文件大小：826kb
    • 提供者：qq_43165081

  1. 改进遗传算法的支持向量机特征选择解决方案介绍

  2. 支持向量机是一种在统计学习理论的基础上发展而来的机器学习方法[1]，通过学习类别之间分界面附近的精确信息,可以自动寻找那些对分类有较好区分能力的支持向量,由此构造出的分类器可以使类与类之间的间隔最大化,因而有较好的泛化性能和较高的分类准确率。由于支持向量机具有小样本、非线性、高维数、避免局部最小点以及过学习现象等优点，所以被广泛运用于故障诊断、图像识别、回归预测等领域。但是如果缺少了对样本进行有效地特征选择，支持向量机在分类时往往会出现训练时间过长以及较低的分类准确率，这恰恰是由于支持向量机无法

  3. 所属分类：其它

    • 发布日期：2020-10-20
    • 文件大小：211kb
    • 提供者：weixin_38659955

  1. Python线性回归实战分析

  2. 一、线性回归的理论 1）线性回归的基本概念 线性回归是一种有监督的学习算法，它介绍的自变量的和因变量的之间的线性的相关关系，分为一元线性回归和多元的线性回归。一元线性回归是一个自变量和一个因变量间的回归，可以看成是多远线性回归的特例。线性回归可以用来预测和分类，从回归方程可以看出自变量和因变量的相互影响关系。 线性回归模型如下： 对于线性回归的模型假定如下： （1） 误差项的均值为0，且误差项与解释变量之间线性无关 （2） 误差项是独立同分布的，即每个误差项之间相互独立且每个误差项的方差

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：74kb
    • 提供者：weixin_38621565

  1. 【监督学习】- 分类（决策树）

  2. 决策树 决策树(decision tree) 是一种基本的分类与回归方法。本博客主要讨论用于分类的决策树。决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。学习时，利用训练数据，根据损失函数最小化的原则建立决策树模型。预测时，对新的数据，利用决策树模型进行分类。 决策树学习通常包括3个步骤：特征选择、决策树的生成和决策树的修剪。这些决策树学习的思想主要来源于由Quinlan在1986年提出的ID3算法和1993年提出的C4.5算法，以及由Breiman等人在1984年提出的C

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：600kb
    • 提供者：weixin_38726186

  1. 分类与回归算法介绍

  2. 分类算法 分类(Classification)是机器学习的主要任务之一，分类算法是一种典型的监督学习算法，是根据样本的特征将样本划分到合适的类别中。具体来说就是利用训练样本来进行训练，从而得到样本特征到样本标签的映射，再利用该映射来得到新样本的标签，最终达到将样本划分到不同类别的目的。简而言之，分类就是通过一组代表物体、事件等的相关属性来判断其类别。 分类问题通常有两种，一种是二元分类问题，另一种是多元分类。对于二元分类问题，通过已有的特征属性来判断事物或者事件的类别，其产生+的结果只有“0”和

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：42kb
    • 提供者：weixin_38672739

  1. 统计学习方法——K近邻法（学习笔记）

  2. K近邻算法简介 K近邻法是一种基本分类与回归方法。K近邻法的输入为实例的特征向量（特征空间的点），输出为实例的类别，可以取多类。 K近邻算法假设给定一个训练数据集，其训练数据集实例的类别已定，对新的输入实例，找出新实例K个最近邻的训练点，根据K个最近邻训练实例的类别，通过多数表决等方式进行预测。 K近邻法的三个基本要素：K值的选择、距离度量、分类决策规则。 下面介绍一下kd树、搜索kd树的过程以及相关代码。 1.K近邻算法 根据给定的训练数据集，对新的实例，在训练数据集中找出与该实例最近邻的K个

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：188kb
    • 提供者：weixin_38557095

  1. 机器学习算法Boosting

  2. 本文来自于标点符网站，本文将详细介绍机器学习中的两大类：监督学习和非监督学习，以及最主要的三种集成学习框架，希望对您的学习有所帮助。机器学习通常会被分为2大类：监督学习和非监督学习。在监督学习中，训练数据由输入和期望的输出组成，然后对非训练数据进行预测输出，也就是找出输入x与输出y之间的函数关系F：y=F(x)。根据输出的精确特性又可以分为分类和回归。分类和回归的区别在于输出变量的类型。定量输出称为回归，或者说是连续变量预测。定性输出称为分类，或者说是离散变量预测。举个例子：预测明天的气温是多少

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：810kb
    • 提供者：weixin_38653040

  1. Support-Vector-Machine-_with_python：在此笔记本中，我们介绍了Support Vector Machine（SVM）算法，这是一种功能强大但简单的监督学习方法，用于预测数据。 对于分类任务，SVM算法尝试将

  2. 支持向量机_with_python 在本笔记本中，我们介绍了支持向量机（SVM）算法，这是一种功能强大但简单的监督学习方法，用于预测数据。 对于分类任务，SVM算法尝试将特征空间中的数据划分为不同的类别。 默认情况下，这种划分是通过构造最佳分割数据的超平面来执行的。 为了进行回归，构造了超平面以映射数据分布。 在这两种情况下，这些超平面均以非概率方式映射线性结构。 但是，通过采用内核技巧，我们可以将非线性数据集转换为线性数据集，从而使SVM可以应用于非线性问题。 SVM是功能强大的算法，已得到

  3. 所属分类：其它

    • 发布日期：2021-02-16
    • 文件大小：84kb
    • 提供者：weixin_42100971

  1. 机器学习算法Boosting

  2. 本文来自于标点符网站，本文将详细介绍机器学习中的两大类：监督学习和非监督学习，以及最主要的三种集成学习框架，希望对您的学习有所帮助。机器学习通常会被分为2大类：监督学习和非监督学习。在监督学习中，训练数据由输入和期望的输出组成，然后对非训练数据进行预测输出，也就是找出输入x与输出y之间的函数关系F：y =F(x)。根据输出的精确特性又可以分为分类和回归。分类和回归的区别在于输出变量的类型。定量输出称为回归，或者说是连续变量预测。 定性输出称为分类，或者说是离散变量预测。

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：808kb
    • 提供者：weixin_38614268

  1. K-近邻算法KNN学习笔记

  2. 本文来自于biaodianfu，文章介绍了在小程序端，使用腾讯云云智AI应用服务来进行人脸识别检测分析，实现人脸识别等功能。 K近邻法(k-nearestneighbor,k-NN)是1967年由CoverT和Hart P提出的一种基本分类与回归方法。它的工作原理是：存在一个样本数据集合，也称作为训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一个数据与所属分类的对应关系。输入没有标签的新数据后，将新的数据的每个特征与样本集中数据对应的特征进行比较，然后算

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：122kb
    • 提供者：weixin_38684509

  1. tensorflow实现简单逻辑回归

  2. 逻辑回归是机器学习中很简答的一个栗子，这篇文章就是要介绍如何使用tensorflow实现一个简单的逻辑回归算法。 逻辑回归可以看作只有一层网络的前向神经网络，并且参数连接的权重只是一个值，而非矩阵。公式为：y_predict=logistic(X*W+b),其中X为输入，W为输入与隐含层之间的权重，b为隐含层神经元的偏置，而logistic为激活函数，一般为sigmoid或者tanh, y_predict为最终预测结果。 逻辑回归是一种分类器模型，需要木便函数不断的优化参数，这里目标函数为y_p

  3. 所属分类：其它

    • 发布日期：2021-01-21
    • 文件大小：48kb
    • 提供者：weixin_38650150
« 12 3 »