搜索资源列表
DecisionTreePca
- decision tree with pca for heart data with different attribute
machine-learning_PCA
- 环境为winpython 32bit 2.7.5.3 p = PCA() print u"均值化后的数据集为：",p.dataset( H:\\PCA_test.txt ) print u"协方差矩阵为：",p.COV() print u"特征向量为：",p.eig_vector()[1] tt = p.pc(dim=1) print "tt:",tt print u"新的维度数据集",tt[1]- """ Principal c
libsvm-3.1-[FarutoUltimate3.1Mcode]
- 态势要素获取作为整个网络安全态势感知的基础，其质量的好坏将直接影响态势感知系统的性能。针对态势要素不易获取问题，提出了一种基于增强型概率神经网络的层次化框架态势要素获取方法。在该层次化获取框架中，利用主成分分析(PCA)对训练样本属性进行约简并对特殊属性编码融合处理，将其结果用于优化概率神经网络(PNN)结构，降低系统复杂度。以PNN作为基分类器，基分类器通过反复迭代、权重更替，然后加权融合处理形成最终的强多分类器。实验结果表明，该方案是有效的态势要素获取方法并且精确度达到95.53%，明显优于
libsvm-3.17
- 为了真实有效地提取网络安全态势要素信息，提出了一种基于增强型概率神经网络的层次化框架态势要素获取方法。在该层次化态势要素获取框架中，根据Agent节点功能的不同，划分为不同的层次。利用主成分分析(Principal Component Analysis, PCA)对训练样本属性进行约简并对特殊属性编码融合处理，按照处理结果改进概率神经网络(Probabilistic Neural Network, PNN)结构，以降低系统复杂度。然后以改进的PNN作为基分类器，结合自适应增强算法，通过基分类器反
Attribute profiles
- 选择合适的样本特征点，然后可以将特征导入svm进行分类(After the image processing, the main information is obtained by PCA transform, and then the feature of texture information selection is put forward)