因为精力有限我预备的训练字库较少，你可以在压缩包train文件夹添加字库。
压缩包里面有个readme.txt里面有详细步骤。
压缩包里面有个readme.txt里面有详细步骤。
2019/3/17 17:51:40
167KB
1
线性回归餐厅情感分析目录表描述线性回归机器学习模型可预测评论是肯定的还能否定的。
它以86％的准确度正确预测正确的标签。
技术领域使用以下项目创建项目：python版本：3.9.1NumPy库版本：1.20.0熊猫库版本：1.2.2数据集制作数据集后，每个功能都是代表餐厅评论中所使用单词的存在或不存在的分类特征（0、1）。
常见词（例如“the”，“a”等）未分类。
每行代表一个点（餐厅评论），每列代表其特征（评论中能否使用单词）。
除了评论是肯定的（1）还能否定的（0），每列都是除包含标签的最后一列之外的单独功能。
设置下载.py文件，training_dataset，validation_dataset和权重文件。
将它们放在单个文件或项目文件中。
运行代码将以下内容添加到类文件中：x=logistic_regression("train_d
它以86％的准确度正确预测正确的标签。
技术领域使用以下项目创建项目：python版本：3.9.1NumPy库版本：1.20.0熊猫库版本：1.2.2数据集制作数据集后，每个功能都是代表餐厅评论中所使用单词的存在或不存在的分类特征（0、1）。
常见词（例如“the”，“a”等）未分类。
每行代表一个点（餐厅评论），每列代表其特征（评论中能否使用单词）。
除了评论是肯定的（1）还能否定的（0），每列都是除包含标签的最后一列之外的单独功能。
设置下载.py文件，training_dataset，validation_dataset和权重文件。
将它们放在单个文件或项目文件中。
运行代码将以下内容添加到类文件中：x=logistic_regression("train_d
2021/7/1 3:16:04
4.99MB
1
由复旦大学李荣陆提供。
answer.rar为测试语料，共9833篇文档；
train.rar为训练语料，共9804篇文档，分为20个类别。
训练语料和测试语料基本按照1:1的比例来划分。
收集工作花费了不少人力和物力，所以请大家在使用时尽量注明来源（复旦大学计算机信息与技术系国际数据库中心自然言语处理小组）。
answer.rar为测试语料，共9833篇文档；
train.rar为训练语料，共9804篇文档，分为20个类别。
训练语料和测试语料基本按照1:1的比例来划分。
收集工作花费了不少人力和物力，所以请大家在使用时尽量注明来源（复旦大学计算机信息与技术系国际数据库中心自然言语处理小组）。
2022/10/26 16:15:12
103.28MB
1
MatlabReadMNIST是用来从train-labels-idx1-ubyte，train-images-idx3-ubyte，t10k-labels-idx1-ubyte，t10k-images-idx3-ubyte中获取数据的（已经获取好了），只需运行ceshi.m就可以了，修改ceshi.m读入的图片就可以识别不同的图片，自己提供输入图片也可以，不过要注意输入图片的大小要是28*28
2021/5/17 21:31:51
32.53MB
1
本程序有三个cpp文件，main.cpp为测试文件；
prepare.cpp为预处理文件；
train_SVM为SVM的训练文件。
概况可参考博客：https://blog.csdn.net/didi_ya/article/details/114362904
prepare.cpp为预处理文件；
train_SVM为SVM的训练文件。
概况可参考博客：https://blog.csdn.net/didi_ya/article/details/114362904
2017/4/3 11:17:07
103.74MB
1
minst数据集哦,包括mnist-test-leveldb和mnist-train-leveldb，深度进修训练模型可用哦。
2021/11/10 18:15:22
10.87MB
1
titanic数据，包括tran.csv,test.csv,gender_submission.csv,train是编码为1-891共891名乘客的训练数据，test和gender_submission分别为测试数据和需求提交结果的格式以及正确答案。
2016/1/17 19:47:45
34KB
1
泰坦尼克号数据集，包括train和test数据集以及gender标签，泰坦尼克号数据集，包括train和test数据集以及gender标签，泰坦尼克号数据集，包括train和test数据集以及gender标签
2015/3/26 22:40:25
32KB
1
train_set=torchvision.datasets.FashionMNIST(root='D:\\python\\dataset',train=True,download=True,transform=transforms.Compose([transforms.ToTensor()]))运用上述代码下载的内容，包含raw和processed，解压既用。
2019/1/7 12:10:29
86.92MB
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