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. 05、决策树与随机森林。案例：运营商用户分析，构建象棋博弈引擎

  2. 需要更多资源请关注。 Github: https://github.com/huangyueranbbc

  3. 所属分类：算法与数据结构

    • 发布日期：2017-08-07
    • 文件大小：1mb
    • 提供者：huangyueranbbc

  1. 决策树与随机森林

  2. 深度学习系列4：决策树与随机森林，欢迎下载学习~~~~需要其他资源的可以留言

  3. 所属分类：深度学习

  1. (11)决策树随机森林adaboost

  2. python/人工智能-深度学习-决策树和随机森林学习PDF文档

  3. 所属分类：Python

    • 发布日期：2018-06-30
    • 文件大小：1mb
    • 提供者：rblmmm

  1. 局部加权随机森林的冲击地压危险性等级预测

  2. 为对煤矿冲击地压危险性等级进行预测,综合考虑煤层厚度、煤层倾角、开采深度、顶板岩性、构造情况、开采方法、有无煤柱、采煤工艺等影响因素.采用局部加权学习方法建立冲击地压危险性等级预测模型,其中分类器选择随机森林,样本间距离采用欧氏距离函数进行计算.实验选取17组冲击地压数据进行研究,其中14组数据用于建立预测模型,采用十折交叉验证法对模型进行评价,并与采用决策树和朴素贝叶斯生成的模型进行比较,预测准确率得到较大提高,最后使用该模型对其它3组测试数据进行预测,预测结果与实际类别吻合.研究结果表明:采

  3. 所属分类：其它

    • 发布日期：2020-04-29
    • 文件大小：170kb
    • 提供者：weixin_38596413

  1. 基于随机森林算法的煤层气直井产气量模型

  2. 煤层气产量评价和预测是煤层气开发工程决策的关键基础。随机森林算法具有计算量小、精确度高的优点。影响煤层气井产能的参数包含地质参数、工程措施和排采工艺参数。 煤储层地质参数分为动态参数和静态参数两个部分。静态地质参数由煤层的本质属性决定，如：煤层埋深、煤层厚度、地应力等；动态地质参数在排采过程中发生动态变化，如储层压 力、渗透率等。排采工艺参数多为动态参数，主要受人为调控，如井底流压、套压、动液面 深度、冲次、冲程等。当煤层气井完成选址、钻井、水力压裂等条件进入生产阶段，排采工艺参数对其产量影响至

  3. 所属分类：其它

  1. 机器学习-15. Keras深度学习框架

  2. 人工智能基础视频教程零基础入门课程 第十四章 人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。 第一章 人工智能开发及远景介绍（预科） 第二章 线性回归深入和代码实现 第三章 梯度下降和过拟合和归一化 第四章 逻辑回归详解和应用 第五章 分类器项目案例和神经网络算法 第六章 多分类、决策树分类、随机森林分类 第七章 分类评估、聚类 第八章 密度聚类、谱聚类 第九章 深度学习、TensorFlow安装和实现 第十章 Tenso

  3. 所属分类：机器学习

    • 发布日期：2020-07-16
    • 文件大小：669mb
    • 提供者：suolong123

  1. 机器学习-09. 深度学习、TensorFlow安装和实现

  2. 人工智能基础视频教程零基础入门课程 人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。 第一章 人工智能开发及远景介绍（预科） 第二章 线性回归深入和代码实现 第三章 梯度下降和过拟合和归一化 第四章 逻辑回归详解和应用 第五章 分类器项目案例和神经网络算法 第六章 多分类、决策树分类、随机森林分类 第七章 分类评估、聚类 第八章 密度聚类、谱聚类 第九章 深度学习、TensorFlow安装和实现 第十章 TensorFlow

  3. 所属分类：机器学习

    • 发布日期：2020-07-16
    • 文件大小：713mb
    • 提供者：suolong123

  1. 机器学习-06. 多分类、决策树分类、随机森林分类（下）

  2. 人工智能基础视频教程零基础入门课程 第六章（下） 人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。 第一章 人工智能开发及远景介绍（预科） 第二章 线性回归深入和代码实现 第三章 梯度下降和过拟合和归一化 第四章 逻辑回归详解和应用 第五章 分类器项目案例和神经网络算法 第六章 多分类、决策树分类、随机森林分类 第七章 分类评估、聚类 第八章 密度聚类、谱聚类 第九章 深度学习、TensorFlow安装和实现 第十章 Ten

  3. 所属分类：机器学习

    • 发布日期：2020-07-16
    • 文件大小：673mb
    • 提供者：suolong123

  1. 机器学习-06. 多分类、决策树分类、随机森林分类（上）

  2. 人工智能基础视频教程零基础入门课程 第六章（上） 人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。 第一章 人工智能开发及远景介绍（预科） 第二章 线性回归深入和代码实现 第三章 梯度下降和过拟合和归一化 第四章 逻辑回归详解和应用 第五章 分类器项目案例和神经网络算法 第六章 多分类、决策树分类、随机森林分类 第七章 分类评估、聚类 第八章 密度聚类、谱聚类 第九章 深度学习、TensorFlow安装和实现 第十章 Ten

  3. 所属分类：机器学习

    • 发布日期：2020-07-16
    • 文件大小：476mb
    • 提供者：suolong123

  1. python实现决策树、随机森林的简单原理

  2. 本文申明：此文为学习记录过程，中间多处引用大师讲义和内容。 一、概念 决策树（Decision Tree）是一种简单但是广泛使用的分类器。通过训练数据构建决策树，可以高效的对未知的数据进行分类。决策数有两大优点：1）决策树模型可以读性好，具有描述性，有助于人工分析；2）效率高，决策树只需要一次构建，反复使用，每一次预测的最大计算次数不超过决策树的深度。 看了一遍概念后，我们先从一个简单的案例开始，如下图我们样本： 对于上面的样本数据，根据不同特征值我们最后是选择是否约会，我们先自定义的一个决策

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：181kb
    • 提供者：weixin_38526780

  1. 对深度学习中关于随机森林的叙述

  2. 对随机深林过程的描述

  3. 所属分类：深度学习

    • 发布日期：2020-12-29
    • 文件大小：51kb
    • 提供者：cjh845599319

  1. Anomaly-Detection-KDD99-CNNLSTM:使用机器学习和深度学习的入侵检测系统-源码

  2. 异常检测-KDD99-CNNLSTM 这是一个使用三个模型开发的项目，用于对KDD99数据集上的倾斜数据包进行分类。 使用了三层：KNN，CNN + LSTM和随机森林分类器。 该项目是一个基于研究的项目，与单独使用任何给定模型相比，该模型在性能上均略有提高。 KDD'99数据集按原样使用，并且已作为项目源的一部分进行了预处理。 最终精度为0.97833。 单个模型的个体精度为： KNN：0.976835 CNN + LSTM：0.9667878 随机森林：0.96381378 主

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：44kb
    • 提供者：weixin_42160398

  1. mnist_fashion_m01:在mnist数据集的时尚版本上使用深度学习算法-源码

  2. 客观的 在mnist数据集的时尚版本上比较了简单神经网络和整体（相等权重：LDA，朴素贝叶斯，SVM，核化kNN，随机森林）之间的性能。

  3. 所属分类：其它

  1. Statsaside：使用深度学习技术（例如CNN和随机森林）对足球比赛中的传球和运球等动作进行分类的应用程序。 该应用程序针对小型足球比赛，并且是第一个这样做的应用程序。 该应用程序使用“标签”来跟踪玩家的位置，然后将其提供给深度学习技术

  2. Statsaside 使用CNN和随机森林之类的深度学习技术对足球比赛中的动作（如传球和运球）进行分类的应用程序。 该应用程序针对小型足球比赛，并且是第一个这样做的应用程序。 该应用程序使用“标签”来跟踪玩家的位置，然后将它们提供给深度学习技术以对动作进行分类。

  3. 所属分类：其它

  1. 信用卡默认预测器：机器学习深度学习模型可预测默认的银行帐户-源码

  2. 信用卡默认预测变量 机器学习/深度学习模型可预测默认的银行账户 项目概况 在Kaggle上找到的经过清理和分析的数据： ://www.kaggle.com/uciml/default-of-credit-card-clients-dataset 提供了有关Ames Housing数据集的详细视觉分析，以获取要素与数据结构之间的关系洞察力 通过将列合并为具有洞察力的信息，实现了工程设计的功能，例如总平方英尺和浴室总数 使用GridsearchCV优化随机森林，梯度提升回归，岭回归，套索回归和弹

  3. 所属分类：其它

  1. 机器学习-深度学习-源码

  2. 机器学习-深度学习 安装JupyterNoteBook 转到应用程序数据>>本地>>程序>> python >>脚本 在该位置打开CMD pip insatll jupyter 安装后写jupyter笔记本 使用Google Colab 去合作 在colab中启动新的Notebook导入文件 from google.colab import files files.upload() 项目 ： 预处理：Count Vectorizer ML

  3. 所属分类：其它

  1. 深度学习模型：经过训练的模型可以确定公司的未来决策-源码

  2. 深度学习模型 经过训练的模型可以确定公司的未来决策 您为神经网络模型选择了多少个神经元和层？ 对于这个项目，我利用了10个输入层，每个输入层都具有ReLu功能以及总共768个节点。 sigmond函数用于输出。 您是否能够实现目标模型性能？ 不，我无法达到高于或等于75％准确度的目标性能，但非常接近72％。 您采取了哪些步骤来尝试提高模型性能？ 利用500个时代，增加了层数，使每隔一层的节点数增加了一倍。 在编译过程中，添加了lr为0.0005的编译器代码，从而使模型可以采取一些有目的的

  3. 所属分类：其它

    • 发布日期：2021-02-15
    • 文件大小：665kb
    • 提供者：weixin_42129005

  1. benchm-ml：用于二进制分类的顶级机器学习算法（随机森林，Rus，Python scikit-learn，H2O，xgboost，Spark MLlib等）的可扩展性，速度和准确性的最低基准。梯度增强树，深度神经网络等）-源码

  2. 用于分类的机器学习库的可伸缩性，速度和准确性的简单/有限/不完整基准 所有基准都是错误的，但有些是有用的 该项目旨在为一些机器学习算法的常用实现的可伸缩性，速度和准确性提供一个最低基准。 这项研究的目标是使用数字和分类输入（具有有限的基数，即不是很稀疏）并且没有丢失的数据进行二进制分类，这可能是业务应用程序中最常见的问题（例如，信用评分，欺诈检测或客户流失预测）。 如果输入矩阵的大小为n x p ，则n的变化范围为10K，100K，1M，10M，而p为〜1K（在将分类扩展为伪变量/一次编码后）。

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：306kb
    • 提供者：weixin_42134537

  1. ml-projects：基于ML的项目，例如垃圾邮件分类，时间序列分析，使用随机森林进行文本分类，深度学习，贝叶斯，Python中的Xgboost-源码

  2. ml-projects：基于ML的项目，例如垃圾邮件分类，时间序列分析，使用随机森林进行文本分类，深度学习，贝叶斯，Python中的Xgboost

  3. 所属分类：其它

  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：88mb
    • 提供者：weixin_42126668
« 12 3 4 5 »