搜索资源列表
集成学习
- 集成学习算法，主要用于数据分类
基于贝叶斯网络的半监督聚类集成模型
- 已有的聚类集算法基本上都是非监督聚类集成算法,这样不能利用已知信息,使得聚类集成的准确性、鲁棒性和稳定性降低.把半监督学习和聚类集成结合起来,设计半监督聚类集成模型来克服这些缺点.主要工作包括:第一,设计了基于贝叶斯网络的半监督聚类集成(semi-supervised cluster ensemble,简称SCE)模型,并对模型用变分法进行了推理求解;第二,在此基础上,给出了EM(expectation maximization)框架下的具体算法;第三,从UCI(University of Ca
基于主成份分析的Bagging集成学习方法
- 机器学习中数据集的冗余特征会影响学习器的泛化能力，一些流行方法如支持向量机和集成学习也难免于 此．研究了利用主成份分析进行特征变换对Bagging集成学习算法的影响，提出一种称为PCA—Bagging的算法，并与 其它算法比如单个支持向量机、支持向量机Bagging集成、带有特征变换的单个支持向量机等进行了性能比较．在 多个UCI标准数据集上的实验表明PCA—Bagging算法具有更好的性能，这说明即使是泛化能力很强的集成学习方 法其学习的数据也需要进行适当的特征变换
ClustererEnsemble
- 聚类集成的matlab程序,将集成学习算法引入聚类算法中，提高聚类算法的性能-cluster ensemble learning algorithom ,this algorithom put ensemble learning algorithom into the cluster algorithom to improve the capability .
the_application_of_Boosting
- 集成 学 习 算法通过训练多个弱学习算法并将其结论进行合成，可以显著地提 高学习系统的泛化能力。Boosting算法作为集成学习算法的主要代表算法，得到 了广泛的研究和应用，但其研究成果大部分都集中的分类问题上。-Integrated learning algorithm through the training of more than a weak learning algorithm and its conclusions synthesis, can significantly
Ada_Boost
- Adaboost集成学习算法 matlab代码-Adaboost
nsembgorithm
- 一种多层次选择性集成学习算法A multi-level ensemble learning algorithm-A multi-level ensemble learning algorithm
ELF-08-Oct-2010.tar
- 集成学习算法集合 GBDT、NN、Logistic regression-Integrated learning algorithm collection GBDT, NN, Logistic regression, etc.
bagging
- 用Java实现的机器学习中的集成学习算法-Java implementation of integrated machine learning algorithms to learn
robustlssvm
- 鲁棒最小二乘双支持向量机集成学习算法，对于初学者的理解应用特别好用-Robust least squares double support vector machine ensemble learning algorithm for beginners to understand the application of special good use
ga_SVM_1
- 结合遗传算法和SVM，实现特征选择和SVM参数优化同时进行(Combining genetic algorithm and SVM, feature selection and SVM parameter optimization are carried out simultaneously)
boosting_demo
- boosting算法用于集成学习，包含多种弱分类器(Boosting algorithm is used for ensemble learning, and it contains many weak classifiers)
集成学习
- 集成学习算法的学习和应用研究，随机森林等相关算法(Study and application of integrated learning algorithm)
MLInActionCode-master
- 机器学习实战的源代码集合，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(Machine learning combat source code collection
ada_Boost
- 卡尔曼滤波算法程序 和集成学习算法程序。(Kalman filter algorithm program)
ensemblelearning
- 集成学习算法，包括随机森林，bagging.(Integrated learning algorithms, including random forests, bagging.)
SelectedEnsembleClassfier
- 选择性集成学习，遗传算法，Bagging算法(Selective integrated learning ,Genetic algorithm, Bagging algorithm)
SVM
- 选择性集成学习、遗传算法、Bagging算法(Selective integrated learning, genetic algorithm and Bagging algorithm)
数据挖掘 R语言实战-代码
- 数据挖掘算法R语言实现，包括聚类、判别、集成学习、随机森林、神经网络、支持向量机等算法。(Data mining algorithm R language implementation, including clustering, discrimination, ensemble learning, random forest, neural network, support vector machines and other algorithms.)
adaboost
- 基于matlab平台的集成学习算法，基分类器为决策树的adaboost(An integrated learning algorithm based on MATLAB platform, the base classifier is AdaBoost of decision tre)