主要内容包括多元正态分布、均值向量和协方差阵的检验、聚类分析、判别分析、主成分分析、因子分析、对应分析、典型相关分析等常见的主流方法，还参考国内外大量文献系统介绍了近年来在市场研究、顾客满意度研究、金融研究、环境研究等领域应用颇广的较新方法，包括定性数据的建模分析、对数线性模型、logistic回归、路径分析、结构方程模型、联合分析、多变量的图表示法、多维标度法等。
2024/4/17 16:07:25
5.9MB
1
程序利用了CatMap来做图像像素位置的置乱，之后再利用Logistic映射来做像素位置的改变。
并且还提供计算NPCR与UACI的方法。
并且还提供计算NPCR与UACI的方法。
2024/4/14 7:23:54
255KB
1
混沌系统课程大作业，MATLAB程序，可对彩色图像和灰度图像进行解密加密
2024/3/16 16:08:19
589KB
1
图像混沌加密matlab仿真程序，用MATLAB编程实现的将Logistic混沌映射应用于图像加密的算法，比较简单，可用作学习使用。
2024/1/19 9:51:28
158KB
1
这是《机器学习实战》中Logistic回归的学习笔记，以及运用Logistic回归对周志华的《机器学习》中的西瓜数据分类的Python代码。
2023/10/17 8:53:17
506KB
1
本文利用德国足球甲级联赛2014-2015赛季共306场比赛的积分、排名、主客场情况数据，首先进行多分类logistic模型，预测比赛结果。
再建立有序多分类logistic回归模型进行比赛结果的预测。
并将预测结果进行对比分析，发现有序多分类logistic模型预测结果优于多分类logistic模型。
另外，本文将每场比赛的比分差作为因变量，胜平负赔率作为自变量，建立了多元回归模型，从赔率的角度预测比赛结果。
结果表明，对于一场比赛，当多分类logistic模型预测结果和赔率多元回归模型预测结果相吻合的时候，预测准确率将大大提高。
再建立有序多分类logistic回归模型进行比赛结果的预测。
并将预测结果进行对比分析，发现有序多分类logistic模型预测结果优于多分类logistic模型。
另外，本文将每场比赛的比分差作为因变量，胜平负赔率作为自变量，建立了多元回归模型，从赔率的角度预测比赛结果。
结果表明，对于一场比赛，当多分类logistic模型预测结果和赔率多元回归模型预测结果相吻合的时候，预测准确率将大大提高。
2023/10/13 22:10:31
1.79MB
1
看了Stanford的AndrewNg老师的机器学习公开课中关于LogisticRegression的讲解，然后又看了《机器学习实战》中的LogisticRegression部分，写下此篇学习笔记总结一下。
首先说一下我的感受，《机器学习实战》一书在介绍原理的同时将全部的算法用源代码实现，非常具有操作性，可以加深对算法的理解，但是美中不足的是在原理上介绍的比较粗略，很多细节没有具体介绍。
所以，对于没有基础的朋友（包括我）某些地方可能看的一头雾水，需要查阅相关资料进行了解。
所以说，该书还是比较适合有基础的朋友。
首先说一下我的感受，《机器学习实战》一书在介绍原理的同时将全部的算法用源代码实现，非常具有操作性，可以加深对算法的理解，但是美中不足的是在原理上介绍的比较粗略，很多细节没有具体介绍。
所以，对于没有基础的朋友（包括我）某些地方可能看的一头雾水，需要查阅相关资料进行了解。
所以说，该书还是比较适合有基础的朋友。
2023/9/17 14:46:29
450KB
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