数据集是电商领域数据集，共计200万的样本记录。
原始特征均为ID类特征；
字段阐明：userid用户IDitemid商品IDcategoryid商品类目IDaction用户行为类型timestamp时间戳
原始特征均为ID类特征；
字段阐明：userid用户IDitemid商品IDcategoryid商品类目IDaction用户行为类型timestamp时间戳
2021/10/19 2:52:42
14.83MB
1
分别采用高斯窗和方窗对给定的男女生身高体重分布进行几率密度估计，并设计基于贝叶斯最小错误率的分类器，对测试样本进行男女分类
2021/10/8 17:10:17
4KB
1
排课系统Ｃ#&ASP;.net（内有三个样本），有四个文件，其中有一个是反复的，排课系统比较复杂，这个做的功能相对简单，可以参考下，供毕业设计，项目研究等使用。
2021/3/17 9:33:01
2.58MB
1
在Adaboost算法的基础上，提出了一种改进的Boosting方法来解决分类问题。
此方法将示例的类标签预测为分类器集合的加权多数投票。
每个分类器是通过将给定的弱学习者应用于子样本（大小小于原始训练集的子样本）而获得的，该子样本是根据原始训练集上保持的概率分布从原始训练集中得出的。
在Adaboost中提出的重新加权方案中引入了一个参数，以更新分配给训练示例的概率，从而使算法比Adaboost愈加准确。
在UCI资料库中可获得的合成数据集和一些实际数据集上的实验结果表明，该方法提高了Adaboost的预测精度，执行速度以及对分类噪声的鲁棒性。
此外，通过kappa误差图研究了集成分类器的多样性准确性模式。
此方法将示例的类标签预测为分类器集合的加权多数投票。
每个分类器是通过将给定的弱学习者应用于子样本（大小小于原始训练集的子样本）而获得的，该子样本是根据原始训练集上保持的概率分布从原始训练集中得出的。
在Adaboost中提出的重新加权方案中引入了一个参数，以更新分配给训练示例的概率，从而使算法比Adaboost愈加准确。
在UCI资料库中可获得的合成数据集和一些实际数据集上的实验结果表明，该方法提高了Adaboost的预测精度，执行速度以及对分类噪声的鲁棒性。
此外，通过kappa误差图研究了集成分类器的多样性准确性模式。
2016/5/11 17:46:49
688KB
1
数据范围：全国325个地区（省份和地级市）数据年份：2001-2019年样本数量：325条数据来源：《铁路客货运输专刊》、地方统计指标说明：地区、年份、能否开通高铁
2022/9/18 11:09:35
37KB
1
这是HaGRID手势识别数据集使用说明和下载，原文连接：https://panjinquan.blog.csdn.net/article/details/126725796，HaGRID数据集数量特别大，有716GB的大小，包含552,992个FullHD(1920×1080)RGB图像。
此外，如果帧中有第二只手，则某些图像具有no_gesture类。
这个额外的类包含123,589个样本。
数据分为92%的训练集和8%的测试集，其中509,323幅图像用于训练，43,669幅图像用于测试。
提供手势动作识别数据集，共18个手势类别，每个类别约含有7000张图片，总共123731张图片(12W+)提供所有图片的json标注格式文件，即原始HaGRID数据集的标注格式提供所有图片的XML标注格式文件，即转换为VOC数据集的格式提供所有手势区域的图片，每个标注框的手部区域都裁剪上去，并保存在Classification文件夹下可用于手势目标检测模型训练可用于手势分类识别模型训练
此外，如果帧中有第二只手，则某些图像具有no_gesture类。
这个额外的类包含123,589个样本。
数据分为92%的训练集和8%的测试集，其中509,323幅图像用于训练，43,669幅图像用于测试。
提供手势动作识别数据集，共18个手势类别，每个类别约含有7000张图片，总共123731张图片(12W+)提供所有图片的json标注格式文件，即原始HaGRID数据集的标注格式提供所有图片的XML标注格式文件，即转换为VOC数据集的格式提供所有手势区域的图片，每个标注框的手部区域都裁剪上去，并保存在Classification文件夹下可用于手势目标检测模型训练可用于手势分类识别模型训练
2022/9/16 21:14:28
136B
1
Yale人脸数据库：总样本数165张，15类，每类11张。
光照；
ExtendedYaleB：总样本数2414张，38类，本来是每类64张，但个体类缺了几张图像。
光照
光照；
ExtendedYaleB：总样本数2414张，38类，本来是每类64张，但个体类缺了几张图像。
光照
2021/4/15 19:27:47
10.23MB
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