搜索资源列表
NaiveBayes
- 朴素贝叶斯分类算法，《机器学习及java实现里面的》
AttributeSelectedClassifier
- 分类的属性选择算法，《机器学习及java实现里面的》
Flex
- 在本教程中，你可以阅读到Flex的简单介绍，还可以利用MXML创建一个简单的分类购物车，从而学习到Macromedia Flex应用程序的基本构成。你将会学到：创建一个应用程序、添加一个布局的容器、添加控件、创建与控件关联的简单数据模型，以及利用Actionscr ipt对事件进行处理。-In this tutorial, you can read a brief introduction to the Flex, you can also use MXML to create a simple
CodeCSharp-3.0example
- C# 初级 适合刚开始学习C#的同学学习，里面书籍的源码，分类清晰，适合学习使用 -The use of primary for students just beginning to learn C# learning inside source books, classification, suitable for learning C#
exam1.3.3
- [DZX2.0] 在线考试 1.3 for discuz X1.5,X2.0-在线考试,学习:支持判断题,单/多选择题,支持分类,有后台设置, 本插件只在简单,对于普通用户很容易着手,且每个试题都有一个帖子作为对试题的帖子解析讨论 本次1.3.3更新如下: 1.增加显示试题总分数 2.增加从1.2到1.3的升级程序,从后台可将1.2升级为1.3,其他1.3版本的只需要下载源文件替换老文件即可 本次1.3更新如下: 全新代码编写
beiyesi
- 在matlab环境下的一个朴素贝叶斯分类器，大家可以学习参考下-Matlab environment a Naive Bayes classifier, we can learn to refer to the following
LLM
- 基于线性学习机的蘑菇分类算法源代码，包含结果-Based on the linear learning machine mushroom classification algorithm source code, including the results
regress2beltak
- matlab实现使用统计学习基础中的最小二乘法和k-最近邻法进行分类。-matlab achieve statistical learning-based classification using the least squares method and k-nearest neighbor method.
KNNpython
- python实现的k-近邻算法，用于数据分类。机器学习实战-k- nearest neighbor python implemented for data classification. Machine learning combat
mlclass-ex5
- 机器学习相关内容，基于matlab仿真，实现了线性回归分类器的功能-Files included in this exercise ex1.m- Octave scr ipt that will help step you through the exercise ex1 multi.m- Octave scr ipt for the later parts of the exercise ex1data1.txt- Dataset for linear regression wit
Ch03
- Python 机器学习与实战 第三章 决策树分类问题-Python Machine Learning and practical decision tree classification Chapter III
vurgr
- 保证准确无误，是学习通信的好帮手，Relief计算分类权重，已调制信号计算其普相关密度。- Ensure accurate communication is learning a good helper, Relief computing classification weight, Modulated signals to calculate its density Pu-related.
mechine-learning
- 本书第一部分主要介绍机器学习基础，以及如何利用算法进行分类，并逐步介绍了多种经典的监督学习算法，如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树（CART）算法等。第三部分则重点介绍无监督学习及其一些主要算法：k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了机器学习算法的一些附属工具。 全书通过精心编排的实例，切入日常工作任务，摒弃学术化语言，利用高效的可复用Python代码来阐释如何处理统