搜索资源列表
AMC
- 用改进的退火法反演测井核磁共振数据，解病态矩阵-With the improved annealing method inversion nuclear magnetic resonance (NMR) logging data, the morbid matrix
RBF
- 径向基函数网络(RBF)特点：1)可用于任意维空间的插值；2)训练速度和插值速度较慢；3)一旦训练成功，只要存储权系数矩阵即可，适用于海量数据的插值；4)当数据不全时，可以用于数据补全。 -Radial basis function (RBF) network features: 1) can be used in any dimensional space interpolation 2) interpolation and the training speed slower 3) o
spams-matlab2.5
- 数据挖掘机器学习的在线字典学习稀疏矩阵分解源码-Data mining online dictionary learning sparse matrix factorization source
0-svnn
- 这段代码实现了一个新的MLP神经网络训练方法,来自论文A new method for neural network regularization（内附）-This code implements a new training method for MLP neural networks, named Support Vector Neural Network (SVNN), proposed in the work: O. Ludwig “Study on Non-parametric Me
Linear-Regression
- Linear Regression Exercises. We our Design Matrix as 1st, 2nd, and 9th-order Quadratic Functions and try to fit a simple data.-Linear Regression Exercises. We our Design Matrix as 1st, 2nd, and 9th-order Quadratic Functions and try to fit a simp
PCA
- 对训练数据进行主成分分析，得到降维矩阵，然后根据降维矩阵求得测试数据降维之后的矩阵。-The training data, principal component analysis, to obtain reduced dimensional matrix, and the matrix obtained after the dimensionality reduction test The dimensionality reduction matrix.
ann-master
- ann是数学工具,实现两组数据的映射（类似函数的映射,不同的是它强大地实现了两组任意阶矩阵之间的映射关系）其思想是利用误差作为修正映射精确度的指导,最终实现符合要求的映射.-Ann is a mathematical tool to achieve the mapping of two sets of data (similar to the function of the mapping, the difference is that it is strong to achieve the t
0234
- 最终的权值矩阵就是滤波器的系数，插值与拟合，解方程，数据分析，用平面波展开法计算二维声子晶体带隙。- The final weight matrix is ??the filter coefficient, Interpolation and fitting, solution of equations, data analysis, Computation Method D phononic bandgap plane wave.
dataSet_processing
- 包含ppt课件、原始数据集、C++代码和处理结果onehot、TF、TFIDF矩阵等文件，自学大礼包(Including ppt courseware, raw data sets, C++ code and processing results onehot, TF, TFIDF matrix files, self study spree)
libs
- 用矩阵补全或张量补全的方法，对缺失数据进行重构(matrix completion or tensor completion ,to reconstruct the missing data)
apriori
- 收集数据：使用任何方法 准备数据：任意数据类型都可以，因为我们只保存集合 分析数据：使用任何方法 训练算法：使用Apriori算法来找到频繁项集 测试算法：不需要测试过程 使用算法：用于发现频繁项集以及物品之间的关联规则 使用Apriori算法，首先计算出单个元素的支持度，然后选出单个元素置信度大于我们要求的数值，比如0.5或是0.7等。然后增加单个元素组合的个数，只要组合项的支持度大于我们要求的数值就把它加到我们的频繁项集中，依次递归。 然后根据计算的支持度选出来的频繁项集来
sklearn-SVM
- 支持向量机(SVM)——分类预测，包括核函数调参，不平衡数据问题，特征降维，网格搜索，管道机制，学习曲线，混淆矩阵，AUC曲线等(Support vector machine (SVM) - classification prediction, including kernel function parameter adjustment, unbalanced data problem, feature dimensionality reduction, grid search, pipelin
2
- （a）产生两个都具有200个二维向量的数据集和（注意：在生成数据集之前最好使用命令randn(‘seed’,0)初始化高斯随机生成器为0（或任意给定数值），这对结果的可重复性很重要）。向量的前半部分来自均值向量的正态分布，并且协方差矩阵。向量的后半部分来自均值向量的正态分布，并且协方差矩阵。其中是一个2*2的单位矩阵。 （b）在上述数据集上运用感知器算法，并且使用不同的初始向量初始化参数向量。 （c）测试每一次算法在和上的性能。 （d）画出数据集和，以及分类面。((a) Generate