用于图分类的基准图数据集的存储库 图分类简介 近年来，目睹了涉及具有结构关系的对象的越来越多的应用，包括生物信息学中的化合物，大脑网络，图像结构和学术引用网络。 对于这些应用程序，图形是用于建模和捕获对象之间的依赖关系的自然而强大的工具。 与传统数据不同，在传统数据中，每个实例均以特征值矢量格式表示，图具有节点-边缘结构关系，并且没有自然矢量表示。 近年来，这一挑战激发了许多图分类算法。 给定一组训练图，每个训练图与一个类别标签相关联，图分类旨在从训练图中学习模型，以预测将来看不到的图。 下图显示了矢量数据和图形数据之间的betweeb分类差异。 数据集汇总 该存储库维护31个基准图数据集，这些数据集广泛用于图分类。 图形数据集包括： 化学化合物 引文网络 社交网络 脑网络 化学化合物图形数据集采用“ .sdf”或“ .smi”格式，其他图形数据集则表示为“ .nel”格式。 所有这些

机器学习所有源码， 机器学习所有源码，机器学习所有源码 (All-source machine learning, machine learning all the source code, machine learning for all source)

图像分类 这是我对NVIDIA DLI深度学习课程的最终评估。 由于数据集很大，因此我无法在GitHub上上传执行的代码，但是如果您想尝试一下，请通过上面.ipnyb文件中提到的Kaggle链接找到数据集。 我很快将上传更多用于对医学图像进行分类的深度学习项目，敬请期待！ 谢谢你的拜访。

How to Fine-Tune BERT for Text Classification

【kaggle】TPS-AUG22 Binary Classification

Bag of Tricks for Image Classification.pdf

    该模型设计的思想就是利用attention机制，在普通ResNet网络中，增加侧分支，侧分支通过一系列的卷积和池化操作，逐渐提取高层特征并增大模型的感受野，前面已经说过高层特征的激活对应位置能够反映attention的区域，然后再对这种具有attention特征的feature map进行上采样，使其大小回到原始feature map的大小，就将attention对应到原始图片的每一个位置上，这个feature map叫做 attention map，与原来的feature map 进行element-wise product的操作，相当于一个权重器，增强有意义的特征，抑制无意义的信息。

综合数据挖掘开源平台，性能非常好，功能包括：Classification: Support Vector Machines, Decision Trees, AdaBoost, Gradient Boosting, Random Forest, Logistic Regression, Neural Networks, RBF Networks, Maximum Entropy Classifier, KNN, Naïve Bayesian, Fisher/Linear/Quadratic/Regularized Discriminant Analysis. Regression: Support Vector Regression, Gaussian Process, Regression Trees, Gradient Boosting, Random Forest, RBF Networks, OLS, LASSO, ElasticNet, Ridge Regression. Feature Selection: Genetic Algorithm based Feature

核稀疏表示分类（KSRC）是稀疏表示分类的非线性扩展，显示了其在高光谱图像分类中的良好性能。 但是，KSRC仅考虑无序像素的光谱，而没有在空间相邻数据上合并信息。 本文提出了一种对空间光谱核稀疏表示的相邻滤波核，以增强对高光谱图像的分类。 这项工作的新颖性在于：1）提出了空间光谱KSRC框架； 2）通过核特征空间中的邻域滤波来测量空间相似度。 在几个高光谱图像上的实验证明了该方法的有效性，并且所提出的相邻滤波内核优于现有的空间光谱内核。 此外，所提出的空间光谱KSRC为将来的发展打开了广阔的领域，在其中可以轻松地合并滤波方法。

MATLAB用拟合出的代码绘图学士项目：使用Support-Vector Machines和KNN基于EEG数据对愤怒进行分类 以下存储库是学士项目期间使用的代码的枢纽。 该存储库包含用于预处理和分析EEG数据（Matlab），所有统计测试（R）和分类器（Python +）的每一行。 随着项目的进行，本文档的其余部分用作记事本。 它充满了对我们一路重要的项目，在归档项目之前不得更改。 每个脚本都包含解释性注释，以指导读者阅读代码。 线性混合效应模型 验证线性混合效应模型始终需要做两件事： 检查正常性和同质性。 构建一个所谓的“空模型”，并将混合模型的性能与此空模型进行比较。 I.混合效应模型属于参数统计技术（连同t检验和ANOVA检验）一起。 参数方法要求条件之间的差异呈正态分布，即条件A和条件B之间的差异需要近似钟形曲线。 非参数技术没有此限制-它们是“无分布的”-但是，混合模型是参数化的，因此我们需要检查差异是否实际上遵循正态曲线。 混合模型的另一个要求是数据是同质的，即就方差而言，数据集的一部分与另一部分没有很大差异。 下面描述的图检查了两者->形成了两个云，描绘了男性和女性之间