线性回归预测波士顿房屋价格（使用 scikit-learn 和 XGBoost 两种方式），并进行了对比分析。 # 使用 scikit-learn 和 XGBoost 两种线性回归方式实现波士顿房屋价格预测 # 波士顿房屋价格 包含506个样本、13个特征指标 # XGBoost是一套提升树可扩展的机器学习系统，也可以实现线性回归 # 使用XGBoost时，需将数据转化为DMatrix格式，否则会出现错误 # 使用评估指标判断 scikit-learn 和 XGBoost 两种线性回归方式实现波士顿房屋价格预测方式的优劣

逻辑回归预测良性和恶性乳腺肿瘤实现二分类（使用 scikit-learn 和 XGBoost 两种方式）,可扩展应用到小样本数据的故障诊断领域二分类问题 # 使用逻辑回归预测乳腺肿瘤是良性的还是恶性的 # 数据集为乳腺癌数据集，通过细胞核的相关特征来预测乳腺肿瘤为良性/恶性，这是一个非常著名的二分类数据集 # 数据集包含569个样本，其中有212个恶性肿瘤样本，357个良性肿瘤样本 # 共有32个字段，字段1为ID，字段2为label，其他30个字段为细胞核的相关特征 # scikit-learn实现逻辑回归 # XGBoost 实现逻辑回归 # XGBoost在预测结果上和scikit-learn有些差别，XGBoost的预测结果是概率，而scikit-learn的预测结果是0或1的分类，需要用户自己对其进行转化，程序能够实现scikit-learn 和XGBoost的概率输出和0或1分类输出 # 使用评估指标对分类和预测结果进行评估， 实现scikit-learn 和 XGBoost 两种逻辑回归方式对比分析

使用XGBoost解决机器学习二分类问题，数据集描述的是不同蘑菇的相关特征，如大小、颜色等多维特征，目的是诊断每一种蘑菇是有毒。任务是对蘑菇特征数据进行学习，训练XGBoost二分类模型，然后利用训练好的模型诊断和预测未知的蘑菇样本。程序可扩展应用到故障诊断领域小样本数据的二分类问题或异常检测问题。

从底层程序到上层界面，以及故障诊断等，全部包含在内，丰富的资源。

粒子滤波故障诊断程序 基于粒子滤波算法的传感器故障诊断方法研究 FDI based on SIR state estimation and smoothed residual

安川控制器MP2000故障诊断手册pdf,本是文档主要讲述了安川控制器MP2000故障诊断流程、故障确认流程、系统错误和处理方法、运用程序警报等

不会的可以问我

分布式电源接入配电系统后会改变配电网故障电流的大小和方向,使配电网故障诊断复杂化。针对该问题,提出了基于故障功率方向判据和Petri网的配电网故障诊断方法。该方法利用上传和实测双重故障信息实现冗余纠错,快速诊断出故障区域,提高了含分布式电源的配电系统故障诊断的准确性、容错性;利用Petri网独特的图形描述和并行处理能力,保证了故障定位模型的通用性和故障诊断的快速性。算例仿真结果验证了该方法的可行性、有效性。

研究了一种基于D-S证据理论的多证据数据融合决策的开关磁阻发电机（SRG）故障诊断方法。根据SRG电流、电压、转矩三个证据信号进行融合处理，提高了其故障诊断的精确性和可靠性。文章对D-S证据理论在开关磁阻发电机故障诊断中的应用进行了实例分析，结果表明该方法能够有效提高故障诊断精度。

针对当前输电线路故障诊断的需求，结合智能电网运行中产生的大量结构多样、来源复杂的数据，将这些大数据归类于不同的维度，设计了基于多维度数据融合的输电线路故障智能诊断系统。对多维度的诊断结果融合架构、融合方法等进行了设计，并给出了故障智能诊断系统的主要功能模块和整体结构。最后，通过该系统的运行，表明了多维度数据融合的诊断结果具有较高的诊断速度和准确度，在电力行业故障诊断方面具有良好的应用前景。