报告对各种Boosting集成学习模型进行系统测试Boosting集成学习模型将多个弱学习器串行结合，能够很好地兼顾模型的偏差和方差，该类模型在最近几年获得了长足的发展，主要包括AdaBoost、GBDT、XGBoost。
本篇报告我们将对这三种Boosting集成学习模型进行系统性的测试，并分析它们应用于多因子选股的异同，希望对本领域的投资者产生有实意图义的参考价值。
本篇报告我们将对这三种Boosting集成学习模型进行系统性的测试，并分析它们应用于多因子选股的异同，希望对本领域的投资者产生有实意图义的参考价值。
2020/5/17 15:54:58
2.72MB
1
波士顿房价预测的BP神经网络实现1)训练数据housing.csv运用波士顿房价数据2)运用Python代码实现前向和后向传播3)损失函数运用方差
2021/3/18 16:51:04
8KB
1
KMeans-PCA和降维使用一些数学方法来获取0-9之间每个数字的1000个以上图像之和的均值和协方差，然后使用降维和K-means算法。
2016/11/4 14:30:04
862KB
1
为了实现基于ARM的指纹识别门禁系统，采用Veridicom公司的FPS200指纹采集芯片进行指纹采集，采用Samsung公司ARM9$3C2440AL给出了系统的软硬件设计及仿真结果。
经验证该系统拒识率小于0．1，认假率小于0．01，识别时间小于2S，实验结果良好。
此外，重点引见了该系统中采用的指纹分割算法，该算法以前景与背景类间方差最大为原则，分割稳定的同时具有分割阈值的自适应性。
经验证该系统拒识率小于0．1，认假率小于0．01，识别时间小于2S，实验结果良好。
此外，重点引见了该系统中采用的指纹分割算法，该算法以前景与背景类间方差最大为原则，分割稳定的同时具有分割阈值的自适应性。
2016/7/25 1:04:15
217KB
1
基于PCA算法的人脸识别过程大致分为训练、测试、识别这三个阶段完成，在训练阶段，通过寻找协方差矩阵的特征向量，求出样本在该特征向量上的投影系数；
在测试阶段，通过将测试样本投影到特征向量上，得到测试样本在该特征向量上的投影系数。
最初，采用最小欧氏距离，找到了与测试样本最相近的训练样本图像。
在测试阶段，通过将测试样本投影到特征向量上，得到测试样本在该特征向量上的投影系数。
最初，采用最小欧氏距离，找到了与测试样本最相近的训练样本图像。
2020/6/4 8:20:18
1.77MB
1
首先，读取利用数据绘制了31个省份的直方图和曲线图并进行分析；
其次，利用手肘法确定K均值聚类的K值并对数据31个样品进行K均值聚类；
再次；
利用K均值聚类的效果，采用同样分类个数的模糊C均值聚类方法对31个样品再次聚类，并得到了每个样品聚类的结果和概率；
最初，根据原始数据求得其协方差矩阵并进行主成分分析，基于生活经验与查阅资料对主成分进行解释和验证。
其次，利用手肘法确定K均值聚类的K值并对数据31个样品进行K均值聚类；
再次；
利用K均值聚类的效果，采用同样分类个数的模糊C均值聚类方法对31个样品再次聚类，并得到了每个样品聚类的结果和概率；
最初，根据原始数据求得其协方差矩阵并进行主成分分析，基于生活经验与查阅资料对主成分进行解释和验证。
2022/10/3 19:18:12
10KB
1
地统计学软件GS+7.0使用指南，次要用于实现地理空间数据的插值，半边异方差函数的拟合知道以及克里金插值的实现等内容。
2017/7/19 17:33:03
2.14MB
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