搜索资源列表
Matlab
- 将Iris数据集分为2组，每组各75个样本，每组中每种花各有25个样本。其中一组作为以上程序的训练样本，另外一组作为检验样本。为了方便训练，将3类花分别编号为1，2，3 。 使用这些数据训练一个4输入（分别对应4个特征），3输出（分别对应该样本属于某一品种的可能性大小）的前向网络。-The Iris data set is divided into two groups each of 75 samples in each group have 25 samples in each fl
NB_for_text_classification
- 文本分类：朴素贝叶斯分类器例子，采用Multi-Variate Bernoulli Event Model。一个文件为训练，一个文件为测试，采用20newsgroups数据集。-Text classification: Naive Bayes classifier example, the use of Multi-Variate Bernoulli Event Model. A file for training, a file for testing, using 20newsgroups
myRBF_2
- 自己编写的RBF神经网络,采用的数据集是iris. 先使用KMeans找中心点，再训练RBF网络-I have written RBF neural network, using the data set is iris. First using KMeans find the center, retraining RBF network
elm
- elm用于分类，参数包括程序运行次数，训练测试数据集，隐含层神经元个数，激活函数类型-elm for classify
ganzhizhunzeUntitled3
- 如果训练样本集是线性可分的，则从任意初始权向量出发，总可以在有限迭代内找到一个权向量，使所有样本正确分类。-If the training set is linearly separable, starting an arbitrary initial weight vector, you can always find a weight vector in a finite iteration, all samples correctly classified.
KNNDemo
- KNN算法Java语言实现，控制台运行界面。分类训练样本集和测试样本都有。-Java KNN language implementation, the console running interface. Classified training samples and test samples are.
emial-spam
- 基于感知器算法的垃圾邮件识别，先通过训练集训练出分类器，然后通过测试集验证-Perceptron based spam detection algorithm
Lenet
- 这个资源使用实现lenet-5的网络结构来MNIST数据集，代码参考了UFLDL上的相关的代码，以及R. B. Palm实现的CNN中的相关代码，为了适应数据集我把lenet-5输入的大小改为了28*28，c3的每一张特征图都与s4的每一张特征图相关，训练的结果可以达到99.1 -The resources for network structure lenet-5 to MNIST data sets, code reference to the relevant code UFLDL on
CuCao2ClassTrain
- 基于粗糙集的分类规则提取和分类规则约简。首先进行粗糙分类器训练，然后将复杂的分类规则降维成简单的分类规则，但分类精度不变。-Rough classification learning rules are trained and extracted based on rough sets and complex classification rules are dimensionally reduced into simple classification rules, but the class
feret
- feret人脸识别数据库,用于人脸分类训练，分为训练集合测试集-feret face recognition for human face classification training, divided into a training set of test set
SVM_classifier
- SVM算法训练的分类器，对数据进行分类。包含训练和测试数据集，解决分类不平衡问题。-SVM classifier training algorithm, data classification. Comprising training and test data sets to solve classification imbalance.
Two-Variate-Function
- 使用BP神经网络实现二元函数的逼近问题，包含训练样本，无测试集-Using BP neural network to achieve the approximation of the two function function, including the training samples, no test set
deeplearing-hinton
- hinton2006年发表在science上的关于深度神经网络的文章Reducing the Dimensionality of Data with Neural Networks的matlab程序 mnistdeepauto.m //训练AutoEncoder的主文件 converter.m //将样本集从.ubyte格式转换成.ascii格式，然后继续转换成.mat格式 makebatches.m //创建小批量数据块用于RBM训练 rbm.m //训练RBM二进制隐层
facerecognize
- 根据pca主程序分析的人脸识别。测试集用于训练特征脸空间，测试集是一张人脸一张动物脸，程序目的是识别出人脸与非人脸-Face recognition based on the analysis of the main pca. Test set for training Eigenface space, a test set is a human face animal face, the program aims to identify the face and non-face
code_BPMF
- 如何使它工作： 1。创建一个单独的目录，并将所有这些文件下载到相同的目录中 2。下载7个文件： *demo:主文件demo:PMF和贝叶斯PMF * PMF.m:训练的PMF模型 * bayespmf.m贝叶斯PMF模型实现吉布斯采样器。 * moviedata.mat样本数据包含三元组（user_id，movie_id，评分） * makematrix.m：辅助功能转换成大型矩阵的三元组。 * PRED.m:辅助功能使得预测验证集。 三.在Matlab只需运
INRIAHogLbpLabel
- 本方法是hog+lbp+svm来判断是否为行人，函数库为opencv，代码为C++，hog是opencv自带的，lbp为均匀模式，59维度，训练样本为INRIA数据集-opencv lbp svm president detection inria data
CNN
- 使用CNN卷积神经网络来训练MNIST数据集-CNN convolution using neural network training data set MNIST
MLP
- 使用MLP多层神经网络来训练MNIST数据集-Use MLP multi-layer neural network training data set MNIST
darknet
- 神经网络引入后，检测框架变得更快更准确。然而，大多数检测方法受限于少量物体。检测和训练数据上联合训练物体检测器，用有标签的检测图像来学习精确定位，同时用分类图像来增加词汇和鲁棒性。原YOLO系统上生成YOLOv2检测器；在ImageNet中超过9000类的数据和COCO的检测数据上，合并数据集和联合训练YOLO9-After the neural network is introduced, it is becoming faster and more accurate detection fr
MLkNN
- ML-KNN，这是来自传统的K-近邻（KNN）算法。详细地，为每一个看不见的实例中，首先确定了训练集中的k近邻。之后，基于从标签集获得的统计信息。这些相邻的实例，即属于每个可能类的相邻实例的数量，最大后验（MAP）原理。用于确定不可见实例的标签集。三种不同现实世界中多标签学习问题的实验研究，即酵母基因功能分析、自然场景分类和网页自动分类，表明ML-KNN实现了卓越的性能(ML-KNN which is derived from the traditional K-nearest neighbo