用fisher线性判别分析建立P300分类模型。
特征提取用PCA。

kaggle比赛Titanic的R教程一和三（决策树、随机森林和logistics模型）；
利用薛毅《统计建模与R软件》书中判别分析章节中的距离判别、贝叶斯判别和Fisher判别函数实习的模型预测

基于matlab的各种多元统计分析模型源代码-空调负荷神经网络预测airconditionforcasting.rar本人为了获得更多资源共享的权限，只好吐血奉献自己一年来收集和改写的matlab源程序，部分为原创；
里面包含有主成分分析、岭回归分析、因子分析、判别分析、聚类分析、回归分析等；
绝对可用哦，不过，还是得提醒一下，由于不断是自己使用，里面没有更多注释，希望没有这方面知识基础的朋友慎重下载哪，免得浪费精力撒。
    希望大家多多支持，给予评论。

随机森林randomforest模型是由Breiman和Cutler在2001年提出的一种基于分类树的算法它通过对大量分类树的汇总提高了模型的预测精度是取代神经网络等传统机器学习方法的新的模型随机森林的运算速度很快在处理大数据时表现优良随机森林不需要顾虑一般回归分析面临的多元共线性的问题不用做变量选择现有的随机森林软件包给出了所有变量的重要性另外随机森林便于计算变量的非线性作用而且可以体现变量间的交互作用interaction它对离群值也不敏感本文通过3个案例分别介绍了随机森林在昆虫种类的判别分析有无数据的分析取代逻辑斯蒂回归和回归分析上的应用案例的数据格式和Ｒ语言代码可为研究随机森林在分类与回归分析中的应用提供参考"＞随机森林randomforest模型是由Breiman和Cutler在2001年提出的一种基于分类树的算法它通过对大量分类树的汇总提高了模型的预测精度是取代神经网络等传统机器学习方法的新的模型随机森林的运算速度很快在处理大数[更多]

支持向量机（supportvectormachine,SVM）是数据挖掘中的一项新技术，是借助于最优化方法解决机器学习问题的新工具。
它成为克服“维数灾难”和“过学习”等传统困难的有效办法，虽然他还处在飞速发展的阶段，但它的理论基础和实现途径的基本框架已经构成。
支持向量机目前主要用来解决分类问题（模式识别，判别分析）和回归问题。
而股市行为预测通常为预测股市数据的走势和预测股市数据的未来数值。
而当我们将走势看作两种状态（涨、跌），问题便转化为分类问题，而预测股市未来的价格是指为典型的回归问题。
我们有理由相信支持向量机可以对股市进行预测。
本报告是支持向量机对股票价格预测应用报告的综述，旨在于介绍预测股票价格走势的SVM简单预测模型。
该模型可以用来预测未来若干天股票价格的大体走势，这对于股票投资可以起到很好的指导性作用。

第一次：回归分析第二次：聚类与判别分析第一次：回归分析第二次：聚类与判别分析第一次：回归分析第二次：聚类与判别分析第一次：回归分析第二次：聚类与判别分析

Matlab代码LDA分析，可以用作特征提取或许分类器

说话人辨认的局部敏感判别分析

从网站爬取口红销售数据，分析影响销售数据的重要因素以及根据销售因素建模预测其销售量。
本文先将数据进行预处理得到实验数据，然后着重分析朴素贝叶斯判别分析算法、AdaBoost算法以及随机森林算法在口红销量预测中的效果，并在随机森林算法中进行模型优化。
通过实验结果表明总评价数、价格和描述分这三个因素对销售量的影响较大，对三个算法对比分析得出随机森林算法预测错误率最低，有较好的预测效果。

支持向量机是数据挖掘中的一个新方法。
支持向量机能非常成功地处理回归问题(时间序列分析)和模式识别(分类问题、判别分析)等诸多问题，并可推广于预测和综合评价等领域，因此可应用于理科、工科和管理等多种学科。
目前国际上支持向量机在理论研究和实际应用两方面都正处于飞速发展阶段。
希望《数据挖掘中的新方法——支持向量机》能促进它在我国的普及与提高。
《数据挖掘中的新方法——支持向量机》对象既包括关心理论的研究工作者，也包括关心应用的实际工作者。
对于有关领域的具有高等数学知识的实际工作者，略去书中的某些理论部分，仍能对支持向量机的本质有一个概括的理解，从而用它解决自己的问题。
《数据挖掘中的新方法——支持向量机》适合高等院校高年级学生、研究生、教师和相关科研人员及相关领域的实际工作者使用。
序言符号表第1章最优化问题及其基本理论1·1最优化问题1·2最优性条件1·3对偶理论1·4注记参考文献第2章求解分类问题和回归问题的直观途径2·1分类问题的提出2·2线性分类学习机2·3支持向量分类机2·4线性回归学习机2·5支持向量回归机2·6注记参考文献第3章核3·1描述相似性的工具——内积3·2多项式空间和多项式核3·3Mercer核3·4正定核3·5核的构造3·6注记参考文献第4章推广能力的理论估计4·1损失函数和期望风险4·2求解分类问题的一种途径和一个算法模型4·3VC维4·4学习算法在概率意义下的近似正确性4·5一致性概念和关键定理4·6结构风险最小化4·7基于间隔的推广估计4·8注记参考文献第5章分类问题5·1最大间隔原则5·2线性可分支持向量分类机5·3线性支持向量分类机5·4支持向量分类机5·5ν-支持向量分类机(ν-SVC)5·6ν-支持向量分类机(ν-SVC)和C-支持向量分类机(C-SVC)的关系5·7多类分类问题5·8一个例子5·9注记参考文献第6章回归估计6·1回归问题6·2ε-支持向量回归机6·3ν-支持向量回归机6·4ε-支持向量回归机(ε-SVR)与ν-支持向量回归机(ν-SVR)的关系6·5其他方式的支持向量回归机6·6其他方式的损失函数6·7一些例子6·8注记参考文献第7章算法7·1无约束问题解法7·2内点算法7·3求解大型问题的算法7·4注记参考文献第8章应用8·1模型选择问题8·2分类问题的线性分划中的特征选择8·3模型选择8·4静态图像中球的识别8·5自由曲面的重建问题8·6应用简介8·7核技巧的应用8·8注记参考文献附录A基础知识A·1基本定义A·2梯度和Hesse矩阵A·3方向导数A·4Taylor展开式A·5分离定理附录BHilbert空间B·1向量空间B·2内积空间B·3Hilbert空间B·4算子、特征值和特征向量附录C概率C·1概率空间C·2随机变量及其分布C·3随机变量的数字特征C·4大数定律附录D鸢尾属植物数据集英汉术语对照表

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。