随机傅立叶特征 该存储库提供Python模块rfflearn ，该模块是用于内核方法的随机傅立叶特征[1，2]的库，如支持向量机和高斯过程模型。 该模块的功能包括： 模块的接口非常接近 ， 支持向量分类器和高斯进程回归器/分类器，提供CPU / GPU训练和推理， 与接口，可更轻松地进行超参数调整， 该存储库提供了，该显示RFF对于实际的机器学习任务很有用。 现在，此模块支持以下方法： 方法 CPU支援 GPU支持 典型相关分析 rfflearn.cpu.RFFCCA -- 高斯过程回归 rfflearn.cpu.RFFGPR rfflearn.gpu.RFFGPR 高斯过程分类 rfflearn.cpu.RFFGPC rfflearn.gpu.RFFGPC 主成分分析 rfflearn.cpu.RFFPCA rfflearn.gpu.RFFPCA 回归 rff

Erdös and. Rényi 1960年写的随机网络开山之作

英文第三版，不朽名著，用DJVU编辑器添加了书签，阅读更方便更高效

C#写的随机数生成工具，有各种随机取值的方法

random-word-generator:为数千个单词的列表生成一个随机单词。 对于文字游戏很有用

自己在windows xp 上编译的dieharder Dieharder是一个 测试一序列伪随机数的随机性能的测试套件，包括：生日间隔测试，在一个字节流中计算1的测试，最短距离测试,随机范围测试,和重叠测试,跑上测试,跑下测试,双骰子测试等等 -Dieharder is a random number generator (rng) testing suite.It includes,Birthday spacings test,, Overlapping permutations test, Ranks of matrices test,Count the 1s,Parking lot test,Minimum distance test and so on.

随机 正在进行中，用于基于当前块生成随机数

前言 众所周知，python拥有丰富的内置库，还支持众多的第三方库，被称为胶水语言，随机函数库random，就是python自带的标准库，他的用法极为广泛，除了生成比较简单的随机数外，还有很多功能。使用random库： import random random库主要函数： 函数名 说明 用法 random() 生成一个0~1之间的随机浮点数,范围 0 <= n < 1.0 random.random() uniform(a,b) 返回a, b之间的随机浮点数，范围[a, b]或[a, b), 取决于四舍五入,a不一定要比b小 random.uniform(1,5) ra

matlab代码[ MRW0419_ ] 随机游走 一、简介 在本章中，我们将讨论什么是随机游走以及随机游走的用途。 什么是随机游走？ 在理解什么是随机游走之前，它有助于我们从以下来源了解一些关于什么是随机游走的陈述： “随机游走是一个数学对象，也称为随机或随机过程，它描述了一条路径，该路径是空间中随机游走（随机）的结果，例如整数数学。” —— “随机游走是一个随机移动物体从‘它’开始的地方行走的过程。” —— “在概率论中，随机游走是确定一个点相对于随机运动的可能位置的过程，给定在特定距离和特定方向上移动的概率（每一步都相同）” - —— 从这些解释中，我们可以得出结论，基本上随机游走是对象在空间（1D、2D、3D 或更多）中的随机运动。 下一个问题是，随机游走有什么用？ 随机游走的应用 随机游走经常被用来解释自然现象； 如物理化学、材料科学、生物学等领域。 以下是随机游走的一些应用： 在金融经济学领域，随机游走假设用于对股价和其他因素进行建模。 在遗传群体中，随机游走描述了一般漂移的统计特性 在计算机科学中，随机游走用于估计 Web 的大小。 在图像分割中，随机游走用于确定与每个像

结合随机森林和LSBoost进行证券市场指数预测。 Abstract— This research work emphases on the prediction of future stock market index values based on historical data. The experimental evaluation is based on historical data of 10 years of two indices, namely, CNX Nifty and S&P Bombay Stock Exchange (BSE) Sensex from Indian stock markets. The predictions are made for 1–10, 15, 30, and 40 days in advance. This work proposes to combine the predictions/estimates of the ensemble of trees in a Random Forest using LSboost (i.e. LS-RF). The prediction performance of the proposed model is compared with that of well-known Support Vector Regression. Technical indicators are selected as inputs to each of the prediction models. The closing value of the stock price is the predicted variable. Results show that the proposed scheme outperforms Support Vector Regression and can be applied successfully for building predictive models for stock prices prediction.