您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  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. scikit-learn-0.21.3-中文文档.pdf

  2. scikit-learn 是基于 Python 语言的机器学习工具 简单高效的数据挖掘和数据分析工具 可供大家在各种环境中重复使用 建立在 NumPy ,SciPy 和 matplotlib 上 开源,可商业使用 - BSD许可证1.监督学习 1广义线性模型 °1.1.1普通最小二乘法 1.1.2岭回归 1.1.3LaSs0 o1.1.4多任务 Lasso 115弹性网络 o116多任务弹性网络 1.1.7最小角回归 1.1. 8 LARS Lasso 1.19正交匹配追踪法(OMP 1.1.1
  3. 所属分类:机器学习

    • 发布日期:2019-08-24
    • 文件大小:40mb
    • 提供者:h394266861
  1. python如何生成各种随机分布图

  2. 主要为大家详细介绍了python如何生成各种随机分布图,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
  3. 所属分类:其它

    • 发布日期:2020-09-20
    • 文件大小:82kb
    • 提供者:weixin_38537541
  1. Python数据可视化正态分布简单分析及实现代码

  2. Python说来简单也简单,但是也不简单,尤其是再跟高数结合起来的时候。。。 正态分布(Normaldistribution),也称“常态分布”,又名高斯分布(Gaussiandistribution),最早由A.棣莫弗在求二项分布的渐近公式中得到。C.F.高斯在研究测量误差时从另一个角度导出了它。P.S.拉普拉斯和高斯研究了它的性质。是一个在数学、物理及工程等领域都非常重要的概率分布,在统计学的许多方面有着重大的影响力。 正态曲线呈钟型,两头低,中间高,左右对称因其曲线呈钟形,因此人们又经常称
  3. 所属分类:其它

    • 发布日期:2020-12-24
    • 文件大小:116kb
    • 提供者:weixin_38635979
  1. python实现高斯判别分析算法的例子

  2. 高斯判别分析算法(Gaussian discriminat analysis) 高斯判别算法是一个典型的生成学习算法(关于生成学习算法可以参考我的另外一篇博客)。在这个算法中,我们假设p(x|y)p(x|y)服从多元正态分布。 注:在判别学习算法中,我们假设p(y|x)p(y|x)服从一维正态分布,这个很好类比,因为在模型中输入数据XX通常是拥有很多维度的,所以对于XX的条件概率建模时要取多维正态分布。 多元正态分布 多元正态分布也叫多元高斯分布,这个分布的两个参数分别是平均向量μ∈Rnμ∈Rn
  3. 所属分类:其它

    • 发布日期:2020-12-23
    • 文件大小:431kb
    • 提供者:weixin_38550334
  1. 使用python模拟高斯分布例子

  2. 正态分布(Normal distribution),也称“常态分布”,又名高斯分布(Gaussian distribution) 正态曲线呈钟型,两头低,中间高,左右对称因其曲线呈钟形,因此人们又经常称之为钟形曲线。 若随机变量X服从一个数学期望为μ、方差为σ^2的正态分布。其概率密度函数为正态分布的期望值μ决定了其位置,其标准差σ决定了分布的幅度。当μ = 0,σ = 1时的正态分布是标准正态分布。 用python 模拟 #!/usr/bin/python # -*- coding:utf-
  3. 所属分类:其它

    • 发布日期:2020-12-23
    • 文件大小:224kb
    • 提供者:weixin_38752459
  1. 随机信号的功率谱及参数估计与python仿真

  2. 1.概要:本文以 x(n)=sin(2*π*f1*n+π/3)+10*\sin(6*π*f2*n+π/4)+wgn(0,sigma) 为例进行其功率谱的估计及观察sigma参数对f1,f2估计的影响,影响情况以MSE为衡量标准 (注:f1规定为0.1,f2规定为0.3。n的取值为[1,256],wgn(0,sigma)是0均值,标准差为sigma的高斯分布的随机数) 2.随机信号功率谱的估计方法:对于平稳随机信号,其功率谱与其自相关函数为傅里叶变换对。对于本例而言,其均值E[x(n)]为0,自相
  3. 所属分类:其它

  1. Python数据可视化实现正态分布(高斯分布)

  2. 正态分布(Normal distribution)又成为高斯分布(Gaussian distribution) 若随机变量X服从一个数学期望为、标准方差为的高斯分布,记为: 则其概率密度函数为: 正态分布的期望值决定了其位置,其标准差决定了分布的幅度。因其曲线呈钟形,因此人们又经常称之为钟形曲线。我们通常所说的标准正态分布是的正态分布: 概率密度函数     代码实现: # Python实现正态分布 # 绘制正态分布概率密度函数 u = 0 # 均值μ u0
  3. 所属分类:其它

    • 发布日期:2020-12-26
    • 文件大小:101kb
    • 提供者:weixin_38679277
  1. 在python中画正态分布图像的实例

  2. 1.正态分布简介 正态分布(normal distribtution)又叫做高斯分布(Gaussian distribution),是一个非常重要也非常常见的连续概率分布。正态分布大家也都非常熟悉,下面做一些简单的介绍。 假设随机变量XX服从一个位置参数为μμ、尺度参数为σσ的正态分布,则可以记为: 而概率密度函数为 2.在python中画正态分布直方图 先直接上代码 import numpy as np import matplotlib.mlab as mlab import matp
  3. 所属分类:其它

    • 发布日期:2020-12-26
    • 文件大小:107kb
    • 提供者:weixin_38698433
  1. cs4641-python-源码

  2. cs4641-python 该存储库包含针对各种机器学习技术的Python实现,我在乔治亚理工学院CS 4641(机器学习)课程的一部分中从头开始对它们进行了编码。 阅读以下有关每个模型的更多信息: K均值聚类 K均值初始化k个随机聚类中心,并将每个数据点归类为最接近的k个聚类中的任何一个。 在此实现中,我使用成对的欧几里德距离进行聚类,并使用平方误差总和来计算损失。 高斯混合模型 GMM是一种概率模型,它假定可以从有限数量的高斯分布的组合中产生所有数据点。 它是一种软群集算法,可将每个数据点
  3. 所属分类:其它

    • 发布日期:2021-03-17
    • 文件大小:12kb
    • 提供者:weixin_42133452
  1. imgaug:用于机器学习实验的图像增强-源码

  2. ga 这个python库可帮助您为机器学习项目扩充图像。 它将一组输入图像转换为一组稍有变化的新的,更大的图像。 图片 热图 段地图 关键点 边界框多边形 原始输入 高斯噪声+对比+锐化 仿射 作物+垫 Fliplr +观点 一个输入图像的更多(强)示例增强: 目录 许多增强技术 例如仿射变换,透视图变换,对比度变化,高斯噪声,区域丢失,色相/饱和度变化,裁剪/填充,模糊,... 为高性能而优化 易于仅将增强应用于某些图像 易于以随机顺序应用增强 ) 热图(float32),分
  3. 所属分类:其它

  1. 重采样:Python中基于随机化的推理-源码

  2. 重采样 描述 resample提供了一组用于在Python中执行基于随机化的推理的工具,主要是通过使用引导方法和蒙特卡洛置换测试来进行的。 可以在“找到。 产品特点 具有任意维数的阵列的自举样本(普通样本或平衡样本,都有可选的分层) 一维数组的参数化自举样本(高斯,泊松,伽玛等) 定义明确的参数的自举置信区间(百分数或BCa) 折刀估计偏差和方差 传统统计检验的基于随机化的变体(t检验,ANOVA F检验,KS检验等) 用于处理经验分布(累积分布,分位数和影响函数)的工具 依存关系 安装
  3. 所属分类:其它

    • 发布日期:2021-01-31
    • 文件大小:35kb
    • 提供者:weixin_42134117
  1. pyross:PyRoss:Python中流行病学模型的推断,预测和优化控制-http://pyross.readthedocs.io-源码

  2. PyRoss:Python中流行病模型的推断,预测和优化控制 | | | | | | | 关于 是一个数字图书馆,为结构化流行病学隔间模型的推断,预测和非药物干预提供了一个集成平台。 用户可以通过Python字典定义任意复杂度的隔离专区模型。 该库预先定义了最常见的流行病学模型和几种不常见的流行病学模型。 模型可以包括阶段允许非指数分布房室停留时间。 当前,包括具有多种疾病状态(暴露,无症状,症状等)的模型,并且可以按年龄和客观医学状态(住院,重症监护病房等)进一步划分模型。 隔离框架支持疾
  3. 所属分类:其它

    • 发布日期:2021-01-31
    • 文件大小:32mb
    • 提供者:weixin_42166623