BP神经网络适用于大样本数据的预测，至于小样本还有灰色理论、最小二乘支持向量机、广义回归神经网络、灰色神经网络，不同的数据需要根据其本身特点选择不同的预测方法。
在很多次实验之后，我比较钟情于BP神经网络和组合预测，组合预测是大趋势，客观上有道理，主观上有更大的操作可能性。
下面给出广义回归神经网络（包含交叉验证过程的GRNN）用于小样本量预测的代码，包括BP神经网络预测结果的对比。

SVR时间序列预测，使用滑动窗口堆叠切片数据集，网格搜索+交叉验证用来模型参数设置，模型保存，模型加载,模型预测。

用于交叉验证的MATLAB代码，可以很好完成对数据的验证

1.在UCIrvineMachineLearning数据集上选择三个数据2.编写一种机器学习算法预测结果，并运用十次、十折交叉验证3.撰写报告，包含对数据集、算法、结果的描述以及源代码

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

基于matlab的乳腺肿瘤诊断的LVQ神经网络的分类算法。
资源中包含了主要数据，算法实现以及交叉验证。
直接运行.m文件即可看到效果。
效果是根据data中的乳腺的特征判断能否为乳腺肿瘤。
交叉验证后效果还行

基于机器学习算法的特征值分类(MATLABR2019b)：特征值分类(EigenClass)。
在这项研究中，提出了一种精确高效的基于特征值的机器学习算法，特别是特征值分类（EigenClass）算法，用于处理分类问题。
使用具有不同属性和类别的20个不同数据集的数量进行比较。
每个算法都经过5折交叉验证训练和测试30次。
然后根据最常用的度量（例如精确度、精确度、召回率、微观F度量和宏观F度量）将结果相互比较。

要解决的是一个医学图像的二分类问题，有AK和SK两种病症，根据一定量数据，进行训练，对图像进行预测。
给定图片数据的格式：解决思路整体上采用迁移学习来训练神经网络，使用InceptionV3结构，框架采用keras.具体思路：读取图片数据，保存成.npy格式，方便后续加载标签采用one-hot方式，由于标签隐藏在文件夹命名中，所以需要自行添加标签，并保存到.npy文件中，方便后续加载将数据分为训练集、验证集、测试集使用keras建立InceptionV3基本模型，不包括顶层，使用预训练权重，在基本模型的基础上自定义几层神经网络，得到最后的模型，对模型进行训练优化模型，调整超参数，提高准确率在测试集上对模型进行评估，使用精确率、召回率对单张图片进行预测，并输出每种类别的概率如何加载实际数据，如何保存成npy文件，如何打乱数据，如何划分数据，如何进行交叉验证如何使用keras进行迁移学习keras中数据增强、回调函数的使用，回调函数涉及：学习速率调整、保存最好模型、tensorboard可视化如何使用sklearn计算准确率，精确率，召回率，F1_

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。