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. 文本挖掘tmSVM开源项目包含Python和Java两种版本带参考文档

  2. 文本挖掘tmSVM开源项目集成libSVM和liblinear包含Python和Java两种版本带PDF源码参考文档 简介 文本挖掘无论在学术界还是在工业界都有很广泛的应用场景。而文本分类是文本挖掘中一个非常重要的手段与技术。现有的分类技术都已经非常成熟，SVM、KNN、Decision Tree、AN、NB在不同的应用中都展示出较好的效果，前人也在将这些分类算法应用于文本分类中做出许多出色的工作。但在实际的商业应用中，仍然有很多问题没有很好的解决，比如文本分类中的高维性和稀疏性、类别的不平衡

  3. 所属分类：Python

    • 发布日期：2014-02-23
    • 文件大小：3mb
    • 提供者：vcfriend

  1. SVM算法-Python实现

  2. SVM法即支持向量机(Support Vector Machine)法，由Vapnik等人于1995年提出，具有相对优良的性能指标。该方法是建立在统计学习理论基础上的机器学习方法。通过学习算法，SVM可以自动寻找出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最大化类与类的间隔，因而有较好的适应能力和较高的分准率。该方法只需要由各类域的边界样本的类别来决定最后的分类结果。 支持向量机算法的目的在于寻找一个超平面H(d),该超平面可以将训练集中的数据分开，且与类域边界的沿垂直于该超平

  3. 所属分类：Python

    • 发布日期：2014-09-01
    • 文件大小：5kb
    • 提供者：x10232

  1. 空中写字与数字识别

  2. 使用说明：手动框出特定部位，使用KCF算法对其进行跟踪，绘出轨迹图案，再将手写图案送去分类器分类。该程序实现的分类器有opencv自带的knn、svm，以及用tensorflow实现的基于minst数据集训练出的cnn模型、softmax模型。文档包含训练模型所需的python代码。

  3. 所属分类：C++

    • 发布日期：2017-04-03
    • 文件大小：79kb
    • 提供者：hyk_1996

  1. 基于支持向量机的图片分类程序

  2. 对图片的分类主要包含以下四个步骤：1.用尺度不变特征转换（SIFT）算法来提取训练集中图片的特征值。2.用K-means算法将这些特征值聚成n类。这n类中的每一类就相当于是图片的单词，所有的n个类别构成词汇表。3.对训练集中的图片构造词汇表，就是将图片中的特征值归到不同的类中，然后统计每一类的特征值的频率。4. 用支持向量机（SVM）训练一个多类分类器，将每张图片的词汇表作为特征向量。对于未知类别的图片，计算它的词汇表，使用训练的SVM分类器进行分类。

  3. 所属分类：机器学习

    • 发布日期：2018-01-25
    • 文件大小：26mb
    • 提供者：tuye1361

  1. 国科大/中科院-网络数据挖掘-徐君-大作业-垃圾短信识别系统设计-监督学习-分类-报告+数据+代码

  2. 国科大 徐君 网络数据挖掘 大作业 个人报告+代码+数据，可参考 README 运行环境： Python 2.7.12 jieba 0.39 numpy 1.13.3 scikit-learn 0.19.1 scipy 1.0.0 请参照此运行环境进行运行前配置。 1.运行TextProcess.py获得classifiedLabel.txt、trainSetMsg.txt以及testSetMsg.txt，得到文本处理后的规则文本数据文件； 2.运行crossValidation.py进行交叉

  3. 所属分类：机器学习

    • 发布日期：2018-09-23
    • 文件大小：66mb
    • 提供者：zhujiayou

  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：14mb
    • 提供者：hardpen2013

  1. opencv的全部基础操作，很实用，我从github上下载的，例子都调试过。anaconda3，python3.7，opencv4调试通过。

  2. code_001 | [图片读取与显示](python/code_001/opencv_001.py) | ✔️ code_002 | [图片灰度化](python/code_002/opencv_002.py) | ✔️ code_003 | [图像创建与赋值](python/code_003/opencv_003.py) | ✔️ code_004 | [图像像素读写](python/code_004/opencv_004.py) | ✔️ code_005 | [图像像素算术操作(加减乘

  3. 所属分类：图像处理

    • 发布日期：2019-08-23
    • 文件大小：36mb
    • 提供者：neu1835

  1. Python实现基于SVM的分类器的方法

  2. 主要介绍了Python实现基于SVM的分类器的方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

  3. 所属分类：其它

    • 发布日期：2020-09-19
    • 文件大小：52kb
    • 提供者：weixin_38743737

  1. python机器学习理论与实战（五）支持向量机

  2. 做机器学习的一定对支持向量机（support vector machine-SVM）颇为熟悉，因为在深度学习出现之前，SVM一直霸占着机器学习老大哥的位子。他的理论很优美，各种变种改进版本也很多，比如latent-SVM, structural-SVM等。这节先来看看SVM的理论吧，在（图一）中A图表示有两类的数据集，图B,C,D都提供了一个线性分类器来对数据进行分类？但是哪个效果好一些？ （图一）         可能对这个数据集来说，三个的分类器都一样足够好了吧，但是其实不然，这个只是训练

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：223kb
    • 提供者：weixin_38711149

  1. python机器学习理论与实战（六）支持向量机

  2. 上节基本完成了SVM的理论推倒，寻找最大化间隔的目标最终转换成求解拉格朗日乘子变量alpha的求解问题，求出了alpha即可求解出SVM的权重W，有了权重也就有了最大间隔距离，但是其实上节我们有个假设：就是训练集是线性可分的，这样求出的alpha在[0,infinite]。但是如果数据不是线性可分的呢？此时我们就要允许部分的样本可以越过分类器，这样优化的目标函数就可以不变，只要引入松弛变量即可，它表示错分类样本点的代价，分类正确时它等于0，当分类错误时，其中Tn表示样本的真实标签-1或者1，回顾

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：195kb
    • 提供者：weixin_38724247

  1. python,sklearn,svm,遥感数据分类,代码实例

  2. python,sklearn,svm,遥感数据分类,代码实例 python_sklearn_svm遥感数据分类代码实例 （1）svm原理简述 支持向量机（Support Vector Machine，即SVM）是包括分类（Classification）、回归(Regression)和异常检测(Outlier Detection)等一系列监督学习算法的总称。对于分类，SVM最初用于解决二分类问题，多分类问题可通过构建多个SVM分类器解决。SVM具有两大特点：1.寻求最优分类边界，即求解出能够正确划

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：93kb
    • 提供者：weixin_38633897

  1. GAN-based-data-augmentation-for-improved-hate-speech-detection:SeqGAN数据扩充-源码

  2. 基于GAN的数据增强，可改善仇恨语音检测 SeqGAN数据增强用于改善仇恨语音检测，我们将SMOTE过采样方法用作基准。 我们还使用了四个训练有素的分类器-SVM，LSTM，BERT，Logistic回归。 要求 Tensorflow 1.15.0 Python 3.7 分类模型 如果要使用分类模型，请直接单击分类模型文件夹，在其中您将看到两个.ipynb文件，其中包含所有4个分类模型。 模型中使用的csv格式的训练集，测试集和验证集可以在数据集文件夹中看到。 SMOTE过采样 如果要实现SM

  3. 所属分类：其它

  1. pyAudioProcessing：音频特征提取和分类-源码

  2. pyAudioProcessing 一个基于Python的库，用于将音频数据处理为特征并构建机器学习模型。 入门 克隆项目并进行设置 git clone gitgithub.com:jsingh811/pyAudioProcessing.git pip install -e . 通过运行获取需求 pip install -r requirements/requirements.txt 选择项 功能选项： 您可以选择mfcc ， gfcc或gfcc,mfcc功能从音频文件中提取。 分类器选项：

  3. 所属分类：其它

    • 发布日期：2021-02-13
    • 文件大小：21mb
    • 提供者：weixin_42171208

  1. object_detector：来自HOG + Linear SVM框架的对象检测器-源码

  2. object_detector 使用HOG作为描述符和线性SVM作为分类器的对象检测器 先决条件 使用Python 3绑定安装 依存关系 您可以通过运行安装所有依赖项 pip install -r requirements.txt 运行代码 要测试代码，请在终端中运行以下行 git clone https://github.com/vladkha/object_detector.git cd object_detector/bin python test_object_detector.py

  3. 所属分类：其它

  1. svm_mnist_digit_classification：具有scikit学习和支持向量机（SVM）算法的MNIST数字分类-源码

  2. 使用scikit-learn在python中进行SVM MNIST数字分类 该项目提出了的众所周知的问题。 出于本教程的目的，我将使用具有原始像素特征的算法。 该解决方案使用易于使用的机器学习库以python编写。 该项目的目标不是达到最先进的性能，而是教您如何使用sklearn的SVM在图像数据上训练SVM分类器。 尽管该解决方案并未针对高精度进行优化，但结果还是不错的（请参见下表）。 如果您想获得最佳性能，这两个资源将向您展示当前的最新解决方案： 下表显示了与其他模型相比的一些结果：

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：49kb
    • 提供者：weixin_42150341

  1. Blooddonordiction：由于数字化，我们经常可以访问大型数据库，该数据库包含各种信息领域，从数字到文本甚至是布尔值。 这样的数据库特别适合于机器学习，分类和大数据分析任务。 假设我们掌握其他字段的信息，我们便能够使用现有数据训练

  2. 献血者预测 引用我们！ 抽象 由于数字化，我们经常可以访问大型数据库，该数据库包含各种信息领域，从数字到文本，甚至是布尔值。 这样的数据库特别适合于机器学习，分类和大数据分析任务。 假设我们掌握其他字段的信息，我们便能够使用现有数据训练分类器，并将其用于预测某个字段的值。 最具体地说，在这项研究中，我们查看了由医院编制的电子健康记录（EHR）。 这些EHR是访问单个患者数据的便捷方式，但是从整体上来说，处理仍然是一项任务。 但是，通过使用分类器，由连贯的，制表良好的结构组成的EHR非常适合于机

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：371kb
    • 提供者：weixin_42172204

  1. 模式：用于Python的Web挖掘模块，具有用于抓取，自然语言处理，机器学习，网络分析和可视化的工具-源码

  2. 模式 模式是Python的网络挖掘模块。 它具有用于以下目的的工具： 数据挖掘：Web服务（Google，Twitter，Wikipedia），Web搜寻器，HTML DOM解析器 自然语言处理：词性标记，n-gram搜索，情感分析，WordNet 机器学习：向量空间模型，聚类，分类（KNN，SVM，Perceptron） 网络分析：图形中心和可视化。 它有据可查，经过350多个单元测试的全面测试，并随附50多个示例。 源代码已根据BSD获得许可。 例 本示例在使用Python 3从T

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：30mb
    • 提供者：weixin_42109598

  1. MachineLearning_Pratice:机器学习算法案例实战，python实现-源码

  2. 机器学习算法案例实战（python实现） 一。 1.加载数据 用熊猫加载 2.数据探索性分析及可视化 用matplotlib和seaborn对数据的标注（结果）进行。 3.特征处理 用pandas去除无关特征 用StandardScaler对数据进行标准化 4.模型训练 用train_test_split划分训练集和测试集 选择模型：SVM，决策树，随机森林，KNN 用GridSearchCV优化模型参数 用管道管道机制定制化分类器训练流程 5.模型评估 用对不同模型进行评估， 。 二。 1.

  3. 所属分类：其它