机器学习入门到精通50天，python代码编写，1.数据预处理2.简单线性回归3.多元线性回归4.逻辑回归5.k近邻法(k-NN)6.支持向量机(SVM)7.决策树8.随机森林9.K-均值聚类10.层次聚类
2024/7/23 1:49:07
83B
1
随机森林气温预测数据+代码.zip随机森林气温预测数据+代码.zip随机森林气温预测数据+代码.zip随机森林气温预测数据+代码.zip随机森林气温预测数据+代码.zip
2024/7/21 5:39:33
5.09MB
1
随机森林工具包RF_MexStandalone-v0.02-precompiled,已经通过编译，放置到matlab工具箱路径toolbox，设置路径到path调用函数即可实现随机森林回归和分类
2024/7/5 6:56:33
446KB
1
蛋白质的磷酸化是重要的翻译后修饰，可激活信号通路中包括的各种酶和受体。
为了减少通过费力的实验来鉴定磷酸化位点的成本，已经积极研究了其计算预测。
在这项研究中，通过采用一组新的特征，并在通过支持向量机进行训练之前，通过随机森林在网格搜索中应用特征选择，我们的方法对两个不同的数据集实现了更好或相当的磷酸化位点预测性能。
为了减少通过费力的实验来鉴定磷酸化位点的成本，已经积极研究了其计算预测。
在这项研究中，通过采用一组新的特征，并在通过支持向量机进行训练之前，通过随机森林在网格搜索中应用特征选择，我们的方法对两个不同的数据集实现了更好或相当的磷酸化位点预测性能。
2024/6/4 10:25:08
1.83MB
1
matlab程序下的决策树与随机森林分类算法的详细案例，含doc介绍，方便学习
2024/5/17 18:38:49
1.43MB
1
为了提高雷达调制信号在电子对抗环境中的分选准确度，建立了基于偏联系数模糊聚类(PCFCM)算法和教与学随机森林(TLRF)算法的雷达调制信号分选(PCFCM-TLRF)模型。
该模型引入偏联系数(PCN)改进K均值聚类(K-means)算法，优化模糊C均值聚类(FCM)算法，用优化后的FCM算法对信号样本集进行预处理；
使用“教与学”优化(TLBO)算法优化随机森林(RF)算法，使优化后的RF算法能够以更低的复杂度构成更优的分类器；
将预处理后的样本作为TLRF中的训练样本实现信号分选。
研究结果表明，与其他分选模型相比，PCFCM-TLRF模型具有更高的分选准确度，能够有效地实现雷达调制信号的分选。
该模型引入偏联系数(PCN)改进K均值聚类(K-means)算法，优化模糊C均值聚类(FCM)算法，用优化后的FCM算法对信号样本集进行预处理；
使用“教与学”优化(TLBO)算法优化随机森林(RF)算法，使优化后的RF算法能够以更低的复杂度构成更优的分类器；
将预处理后的样本作为TLRF中的训练样本实现信号分选。
研究结果表明，与其他分选模型相比，PCFCM-TLRF模型具有更高的分选准确度，能够有效地实现雷达调制信号的分选。
3.03MB
1
在线随机森林算法包（online-random-forests），在linux系统下安装调试。
可用于机器学习研究。
可用于机器学习研究。
2024/3/16 16:50:25
131KB
1
针对神经网络算法在当前PM2．5浓度预测领域存在的易过拟合、网络结构复杂、学习效率低等问题，引入RFR（randomforestregression，随机森林回归）算法，分析气象条件、大气污染物浓度和季节所包含的22项特征因素，通过调整参数的最优组合，设计出一种新的PM2．5浓度预测模型——RFRP模型。
同时，收集了西安市2013--2016年的历史气象数据，进行模型的有效性实验分析。
实验结果表明，RFRP模型不仅能有效预测PM2．5浓度，还能在不影响预测精度的同时，较好地提升模型的运行效率，其平均运行时间为O．281S，约为BP-NN（backpropagationneuralnetwork，BP神经网络）预测模型的5．88％。
同时，收集了西安市2013--2016年的历史气象数据，进行模型的有效性实验分析。
实验结果表明，RFRP模型不仅能有效预测PM2．5浓度，还能在不影响预测精度的同时，较好地提升模型的运行效率，其平均运行时间为O．281S，约为BP-NN（backpropagationneuralnetwork，BP神经网络）预测模型的5．88％。
2024/3/5 9:44:07
1.18MB
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