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. An-Accurate-Prediction-of-MPG-Miles-Per-Gallon-using-Linear-Regression-Model-of-Machine-Learning:抽象的-源码

  2. 使用机器学习的线性回归模型对每加仑MPG英里数的准确预测 摘要：考虑到过去两个世纪以来汽车行业的发展，我们看到燃油价格不断上涨，客户对功能的要求越来越高，汽车制造商正在不断优化其流程以提高燃油效率。 但是，如果给定一些有关车辆的已知规格，如果您可以对汽车的MPG进行可靠的估算，那该怎么办？ 然后，您既可以拥有更理想的车辆，又可以提高效率，改善燃油经济性，并为消费者带来更多的需求和供应，则可以在市场上击败竞争对手。 我们正在实施机器学习来设计预测模型，并在过去的几年中（在MPG中）制造1到2辆汽车

  3. 所属分类：其它

  1. modeling_housing_prices:我在训练营中完成的第二个项目-源码

  2. 项目2-艾姆斯住房数据和Kaggle挑战 利用房屋的特征，我将开发一个模型来预测爱荷华州埃姆斯的房屋价格。 知道是在模型中添加还是排除某项功能可以帮助房主确定该功能是否会增加其财产价值以及是否要对其进行投资。 该模型还可以帮助潜在的购房者估算具有其所需所有功能的房屋价格，从而可以确定房屋是否在预算之内。 型号类型： 我测试了三种不同的模型：线性，套索和岭回归。根据R ^ 2和均方根误差（RMSE）分数评估成功与否。创建了一个虚拟模型来评估基线，然后将我的模型与该模型进行了比较。 特征： 在测试模

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：712kb
    • 提供者：weixin_42125770

  1. rms:这是CRAN R软件包系统信息库的只读镜像。 rms —回归建模策略。主页-源码

  2. 均方根 回归建模策略 当前目标 为贝叶斯偏比例比值模型blrm函数实现估计和预测方法 网站 总体： ： 书籍： ： CRAN： ： 变更日志： : 去做 修复survplot，以便显式命名的Adjust-to值仍在字幕中。参见tests / cph2.s。 将fit.mult.impute固定为平均sigma ^ 2，然后取平方根，而不是对sigma取平均值 在psm中实现用户添加的分发-请参阅

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：666kb
    • 提供者：weixin_42138376

  1. KaggleHousePrices:这是针对Kaggle房价挑战的解决方案-源码

  2. KaggleHouse价格 该解决方案的均方根误差（RMSE）为0.12138 ，在排行榜中排名前10％ 。 要求 需要安装的库列表为： 大熊猫 scikit学习 xgboost catboost（可选，因为未将其选择为表现最佳的算法） matplotlib 探索性数据分析（EDA）和特征工程 注意：为避免训练集上安装的要素工程中的数据泄漏参数。 步骤1：缺失值分析已经进行了缺失值分析，以查看具有缺失值的变量以及对该变量应采取的处理方式。对于训练集： 多变的 缺少样本（百分比） 电的 0.1

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：22kb
    • 提供者：weixin_42151373

  1. CSC_Machine_Learning_with_Python-源码

  2. CSC-使用Python进行机器学习 MỤCLỤC 第2章。有监督的学习-回归-线性回归 简单线性回归 多元线性回归 多项式回归 多元多项式 最小二乘法 均方误差（MSE） 平均绝对误差（MAE） 均方根误差（RMSE） R平方（ ，R ^ 2） 残差图，回归图，分布图 拦截，科夫 Đọc/ ghi文件到Google云端硬盘 培训数据与测试数据 pandas-profiling

  3. 所属分类：其它

    • 发布日期：2021-03-17
    • 文件大小：43mb
    • 提供者：weixin_42137032

  1. House-Prices-Challenge-Solution:我对Kaggle房价挑战的解决方案-源码

  2. 预测房价 这个仓库是什么？ 作为即将到来的机器学习工程师，我挑战自我以测试自己的机器学习技能。 我通过应对的向自己。 这项挑战的目标是根据一组给定的功能预测爱荷华州埃姆斯的房屋价格。 确切地说，总共有79个功能。 该项目使工程师（在本例中为我本人）可以练习关键的数据科学和机器学习技术。 该存储库通过4个文件夹进行组织：提交，数据，代码和模型。 在“提交”文件夹中，您将看到我所做的各种提交。 在“数据”文件夹中，您将找到必要的数据集以及任何其他必要的信息。 在“代码”文件夹中，您将看到该项目的

  3. 所属分类：其它

  1. Reconstruction-AutoEncoder:使用自动编码器进行伊朗字符重建-源码

  2. 重构自动编码器 使用自动编码器进行伊朗字符重建 讨论 在这个项目中，我们使用自动编码器来完成重建任务，特别是为了改善车牌中的扭曲字符，以改善目标检测中的字符识别（YOLOV3）。自动编码器分为两个部分：1）编码器2）解码器，当输入图像为转发给编码部分，图像的大小由卷积层和最大池化层减小，压缩后的图像表示为潜矢量，相反，解码层具有反卷积和上采样层，直到图像的大小增大为止。输入和输出将相等。 数据集 在自动编码器的左侧，我和我的同事使用伊朗车牌数据集在不同情况（光照，角度，天气条件等）下裁剪了数据集

  3. 所属分类：其它

  1. rms:RMS（机器人管理系统）-源码

  2. 均方根 RMS（机器人管理系统） RMS是一种远程实验室和用户研究管理工具，旨在与通过网络控制启用ROS的机器人一起使用。 RMS建立在流行的模型-视图-控制器（MVC）框架的顶部。 有关完整文档，请参见或查看一些。 该项目是努力的一部分而发布。 设置 要在Ubuntu Web服务器上设置RMS，请在目录中运行自动化脚本： cd install ./install.bash 该脚本将执行以下任务： 更新并安装LAMP服务器 设置 安装RMS 创建一个tmp文件夹 设置SQL服务器

  3. 所属分类：其它

  1. RMS:一个基于EasyUI + SpringMVC + Hibernate的权限管理系统-源码

  2. 均方根值 一个基于EasyUI + SpringMVC + Hibernate的权限管理系统。

  3. 所属分类：其它

  1. TTNet-Real-time-Analysis-System-for-Table-Tennis-Pytorch:“ TTNet”的非正式实施-源码

  2. TTNet-Pytorch 论文“ TTNet：乒乓球的实时时空视频分析”的实现可以在找到该项目的简介 演示版 1.特点 球检测全球舞台 检球局部阶段（细化） 事件发现检测（跳动和净匹配） 语义细分（人，表和记分板） 启用/禁用TTNet模型中的模块 平滑标记事件发现 TensorboardX （更新2020.06.23） ：训练更快，在单个GPU（GTX1080Ti）的推理阶段达到> 120 FPS 。 （更新2020.07.03） ：该实现可以与TTNet论文中

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：21mb
    • 提供者：weixin_42151373

  1. 基于Matlab的rms方法求矩阵、数组和向量的均方根值.txt

  2. 本资源包含基于Matlab的rms方法计算矩阵、数组和向量元素的均方根值源码。 包含 实例1：创建一个向量（正弦波）并计算其均方根值 实例2：创建一个二维矩阵并计算其均方根值 实例3：计算二维矩阵沿指定维度的均方根值 本资源配套CSDN博客“Matlab结果性能评价---rms函数(计算矩阵、数组和向量元素均方根)”，可 前往查看具体原理和实现效果！！！ 希望对大家有帮助,好的话帮忙点个赞哦！感谢支持！！！

  3. 所属分类：互联网

    • 发布日期：2021-03-11
    • 文件大小：492byte
    • 提供者：qq_32809093

  1. RMS-SITES-源码

  2. 均方根

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：1013kb
    • 提供者：weixin_42127783

  1. AMD-and-Machine-learning:该项目说明了1到50个州的美国社区调查数据，并带有家庭记录。 我们仅处理住房单元下的一个变量HINCP，并且以可繁殖和可扩展的形式实现具有岭回归，均方根误差和R2函数的回归算法。 最后，我们

  2. AMD和机器学习 该项目说明了1到50个州的美国社区调查数据，并带有家庭记录。 我们只处理住房单元下的一个变量，即HINCP，还处理具有岭性回归，均方根误差和R2函数的可再生和可扩展形式的回归算法。 最后，我们通过绘制实际值和预测值来进行探索性数据分析。

  3. 所属分类：其它

  1. VideoGamesVisualisation-源码

  2. 数据集更新（医学，体育，音乐等）数据集格式的数据集将在法国的科隆市集发行数据集选集，第2个殖民地（第2个殖民地，第2个殖民地，第2个殖民地，第2个殖民地，第2个殖民地，第2个殖民地，第2个殖民地，第2个殖民地，第2个殖民地时期） lineaire y = ax + b），计算子RMSE（均方根误差）评估方法 电子游戏可视化

  3. 所属分类：其它

  1. Udacity-Capstone-房屋价格预测-使用Azure-ML-源码

  2. 房屋价格：先进的回归技术 项目目标：根据房屋功能预测房屋价格。 如果您是房屋的购买者或卖方，但您不知道房屋的确切价格，那么监督型机器学习回归算法可以帮助您预测仅提供目标房屋功能的房屋价格。 预测每所房屋的销售价格是我的工作。 对于测试集中的每个ID，我必须预测SalePrice变量的值。 *指标提交的值是根据预测值的对数与观察到的销售价格的对数之间的均方根误差（RMSE）进行评估的。 （记录日志意味着预测昂贵房屋和廉价房屋的错误将同等地影响结果。） 项目设置与安装 可选：如果您的项目有任何特殊

  3. 所属分类：其它

    • 发布日期：2021-02-27
    • 文件大小：441kb
    • 提供者：weixin_42126865

  1. GpuBufferDataMatch：用于检查两个gpu内核的输出（通常是浮点值）是否匹配，方法是检查两个输出缓冲区中的数据（不包括NaN和Inf数据），然后计算它们的均方根差-源码

  2. 用于检查两个gpu内核的输出（通常是浮点值）是否匹配，方法是检查两个输出缓冲区中的数据（不包括NaN和Inf数据），然后计算并计算它们的均方根差

  3. 所属分类：其它

  1. 梯度下降数据科学介绍000-源码

  2. 梯度下降 学习目标 了解如何从RSS转到找到“最合适”的行 了解成本曲线及其显示内容 介绍 在上一节中，我们看到了在选择回归线的斜率和y截距值之后，如何计算残差平方和（RSS）和相关的均方根误差（RMSE）。 我们可以使用RSS或RMSE来计算一条线的准确性。 在本课程中，我们将继续使用RSS，因为这是两者中的简单者。 一旦我们计算了一条线的精度，就可以通过最小化RSS来改进该线。 这是梯度下降的任务。 但是在学习梯度下降之前，让我们回顾一下并确保我们了解如何评估我们的直线如何拟合我们的数据。

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：62kb
    • 提供者：weixin_42166105

  1. imagereader：一个JavaScript RSS feed解析器和阅读器-源码

  2. 图片阅读器 具有图像分析和比较功能的简单Feed阅读器。 特征 解析RSS和Atom提要 从提要和HTML来源获取各种图像和媒体URL 分析并过滤掉不相关的图像 比较图像并过滤出重复项 使用代理服务器（ ）处理cors问题和混合的http / s媒体。 强调 所有本机JS，无依赖性。 ES6的广泛使用，包括映射，过滤，缩小和承诺 缩小图像并通过从两个图像缓冲区的均方根比较得出的阈值比较图像是否重复。

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：10kb
    • 提供者：weixin_42127369

  1. 均方根-源码

  2. 均方根

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：54kb
    • 提供者：weixin_42131342

  1. 南湾区房屋价格分析及建议-源码

  2. 南湾区房屋价格分析及建议 关于数据集的简介： 在本练习中，将分析硅谷城市和社区的库存数据，住房供求数据以及学校，饭店等。 目标：预测硅谷多个城市的未来房价，并建议投资机会。 数据处理与特征工程： 由于存在多个类别和数值变量，因此数据集在数据操作和特征工程方面提出了巨大的挑战。 评估指标： RMSE：预测值的对数与观察到的房价之间的均方根误差（RMSE）将用于评估模型的准确性。

  3. 所属分类：其它

« 12 »