IRIS_Dataset--逻辑回归 对数分类的逻辑回归 加载IRIS数据集 创建逻辑回归 火车物流回归 使用Logistic回归进行多类分类

自适应线路增强器 (ALE) 是一种自适应滤波器，它是一种特殊类型的自适应噪声消除 (ANC) 滤波器，其中仅使用一个信号（噪声）来滤除所需信号。 众所周知，噪声与自身不相关，理想情况下，噪声的自相关为零。 ALE 通过将噪声信号与其延迟版本相关联来过滤噪声。

关于matlab椭圆拟合的源代码，根据给出的椭圆边界上的点坐标拟合整个椭圆的边界

形状有很多不同的类型，能够区分它们很重要。绘制了100个三角形，100个正方形和100个圆。每个png图像均为28x28 px，图像位于3个文件夹中，这些文件夹标记为正方形，圆形和三角形。 300 images of squares, circles, and triangles_datasets..txt 300 images of squares, circles, and triangles_datasets..zip

飞机延迟 使用机器学习模型预测航班延误 在这个存储库中，我开发了一个模型，旨在预测起飞时的航班延误。 从技术角度来看，贯穿整个 notebook 的 Python 的主要方面是： visualization: matplolib, seaborn, basemap data manipulation: pandas, numpy modeling: sklearn, scipy class definition: regression, figures 打扫 1.1日期和时间 1.2 填充因子 比较航空公司 2.1 航空公司基本统计说明 2.2 延误分布：建立航空公司排名 延误：起飞或降落 始发机场与延误的关系 4.1 航空公司覆盖的地理区域 4.2 始发机场如何影响延误 4.3通常延误的航班 延误的时间可变性 预测航班延误 6.1 模式一：一航一机场 6.1.1 Pitfalls

beta分布的概率密度的matlab代码分布数据标量回归分析中的分位数函数 作者贡献清单表 数据 抽象的 多形胶质母细胞瘤（GBM）是最常见和最具侵害性的癌症，始于大脑。 大多数GBM诊断是通过医学成像（例如磁共振成像（MRI））进行的，其中MRI提供了广泛的高分辨率图像对比度，可作为临床决策或GBM研究中肿瘤进展的指标。 通常起源于单个细胞的GBM肿瘤随着其增殖表现出异质的生理和形态特征。 这些异质性特征使得难以预测GBM患者的治疗效果和结果。 在集成模型中识别源自肿瘤异质性的特征与临床测量之间的关联具有科学意义。 因此，我们的主要目标是评估肿瘤中图像强度的变化与各种临床，人口统计学和遗传因素之间的关系。 可用性 数据可用。 描述 对于我们的GBM案例研究，我们将TCGA协议同意的64例患者样本的放射影像以及相关的基因组和临床数据进行了整理（）。 这64例患者的由手术前T1加权对比后成像组成的成像数据可从The Cancer Imaging Archive（）获得。 从cBioPortal（）获得包括这些受试者的生存，临床和基因组数据的数据集。 我们使用了以下协变量，包括性别（21名

Savitzky-Golay算法实现论文，介绍算法（General Least-Squares Smoothing and Differentiation by the Convolution (Savitzky-Golay) Method）

支持向量机的回归预测问题（经典案例辛烷值预测的代码实现）

非线性回归方法的锂离子卫星动力系统的RUL和SOH估计 链接到数据集可以在找到

模型的关键点是对每个观点设置独立的不确定水平(`error bar`)，即模型中的噪声（波动性）独立，可以用如下方程组更加精确地描述