本书适合有志于从事数据挖掘的初学者，需求的朋友可看看第一部分数据挖掘与机器学习数学基础3第一章机器学习的统计基础3第二章探索性数据分析（EDA）.11第二部分机器学习概述14第三章机器学习概述14第三部分监督学习---分类与回归16第四章KNN（k最邻近分类算法）16第五章决策树19第六章朴素贝叶斯分类29第七章Logistic回归.32第八章SVM支持向量机42第九章集成学习(EsembleLearning)43第十一章模型评估46第四部分非监督学习---聚类与关联分析50第十二章Kmeans聚类分析.50第十三章关联分析Apriori.52第十四章数据预处理之数据降维54第五部分Python数据预处理.57第十五章Python数据分析基础.57第十六章Python进行数据清洗.77第六部分数据结构与算法82第七部分SQL知识.86第八部分数据挖掘案例分析87案例一AJourneythroughTitanic597c770e.87案例二Analysisforairplane-crashes-since-190894案例三贷款预测问题98案例四KNN算法实现葡萄酒价格模型预测及交叉验证107
2015/1/23 5:02:50
4.4MB
1
针对高光谱数据维数高、数据量大、信息冗余多、波段相关性强等特点，在综合各种数据降维方法的基础上，提出一种基于最佳波段组合的高光谱遥感影像分类方法。
以美国印第安纳州地区的AVIＲIS数据为例，分析各波段信息量和相邻波段的相关性，利用子空间划分、分段波段指数选择法，进行特征波段的选择;并针对难区分地物类别，应用J－M距离模型对其可分性进行判别，获得最佳波段组合。
最初采用支持向量机分类器进行分类。
实验结果表明，采用最佳波段组合方法，可以有效地提高高光谱的分类精度。
以美国印第安纳州地区的AVIＲIS数据为例，分析各波段信息量和相邻波段的相关性，利用子空间划分、分段波段指数选择法，进行特征波段的选择;并针对难区分地物类别，应用J－M距离模型对其可分性进行判别，获得最佳波段组合。
最初采用支持向量机分类器进行分类。
实验结果表明，采用最佳波段组合方法，可以有效地提高高光谱的分类精度。
2019/5/1 5:13:11
253KB
1
在MATLAB中实现用主成分分析（PCA）的方法对矩阵的降维.其中包括具体程序实现代码，为了增加程序的可读性，对程序的次要步骤都进行了解释。
2015/11/21 4:57:46
1KB
1
本文首先对目前典型的流形学习方法与核函数理论进行较为全面的分析，并对LE(LaplaceEigenmaPs)算法进行核化。
此外，提出了一种PCA(PrinciPalComponentAnalysiS)和LLE(LoealLinearlyEmbedding)混合数据降维方法，并在经典数据集和具有挑战性的数据集上取得了较好的降维效果。
为了进一步说明此算法的无效性，本文将此算法应用于手写字分类和人脸分类算法的预处理过程中，得到了预期的效果。
为了说明此算法的无效性，本文又进一步从理论上进行了分析。
此外，提出了一种PCA(PrinciPalComponentAnalysiS)和LLE(LoealLinearlyEmbedding)混合数据降维方法，并在经典数据集和具有挑战性的数据集上取得了较好的降维效果。
为了进一步说明此算法的无效性，本文将此算法应用于手写字分类和人脸分类算法的预处理过程中，得到了预期的效果。
为了说明此算法的无效性，本文又进一步从理论上进行了分析。
2020/1/13 5:24:50
3.46MB
1
Fisher线性判别（FisherLinearDiscrimination，FLD），也称线性判别式分析(LinearDiscriminantAnalysis,LDA)。
FLD是基于样本类别进行全体特征提取的有效方法。
它在使用PCA方法进行降维的基础上考虑到训练样本的类间信息。
FLD方法在进行图像全体特征提取方面有着广泛的应用。
压缩包中有完整的代码与结果图
FLD是基于样本类别进行全体特征提取的有效方法。
它在使用PCA方法进行降维的基础上考虑到训练样本的类间信息。
FLD方法在进行图像全体特征提取方面有着广泛的应用。
压缩包中有完整的代码与结果图
2022/9/8 5:33:15
40KB
1
对老版本代码进行了调试，找了一个光谱的数据进行降维测试，效果不错，有需求的小伙伴下载吧，调试不易，谢谢支持。
2022/9/6 16:30:20
6.55MB
1
顶点成分分析算法是一种非监督的端元提取算法。
顶点成分分析法假设纯净像元存在，根据凸面几何原理，认为端元都位于单形体的顶点。
VCA算法通过将数据投影到一个正交的子空间方向计算投影距离值最大的像元，它就是要寻找的端元。
要不断进行迭代计算，直到所有的端元都被找到。
VCA的计算步骤为:①对图像数据进行降维处理，设定一个信噪比门限值SNRth，根据图像的信噪比与门限值对比大小分别采用主成分分析法(PCA)或者奇异值分解法(SVD)对图像数据进行降维;②利用随机生成的正态分布矩阵计算初始向量，将所有的像元点向初始向量方向投影，找到投影值最大的作为端元;③继续计算新的投影向量方向并进行迭代计算直到找出所有的端元，本资源实现了VCA算法来非监督提取端元,希望对研讨端元提取的朋友有用
顶点成分分析法假设纯净像元存在，根据凸面几何原理，认为端元都位于单形体的顶点。
VCA算法通过将数据投影到一个正交的子空间方向计算投影距离值最大的像元，它就是要寻找的端元。
要不断进行迭代计算，直到所有的端元都被找到。
VCA的计算步骤为:①对图像数据进行降维处理，设定一个信噪比门限值SNRth，根据图像的信噪比与门限值对比大小分别采用主成分分析法(PCA)或者奇异值分解法(SVD)对图像数据进行降维;②利用随机生成的正态分布矩阵计算初始向量，将所有的像元点向初始向量方向投影，找到投影值最大的作为端元;③继续计算新的投影向量方向并进行迭代计算直到找出所有的端元，本资源实现了VCA算法来非监督提取端元,希望对研讨端元提取的朋友有用
2022/9/4 20:45:10
9.29MB
1
本研究回顾了基于主成分分析PCA和判别分析LDA的降维方法及其扩展，包括经典主成分分析、概率主成分分析、核主成分分析，以及线性判别分析、局部保持降维、图形嵌入判别分析和半监督降维分析。
2022/9/4 7:32:06
1020KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB