Logistic Regression 虽然被称为回归，但其实际上是分类模型，并常用于二分类。Logistic Regression 因其简单、可并行化、可解释强深受工业界喜爱。 本资源使用基于Sklearn实现逻辑回归算法，同时提供了用于模型训练的数据集（信用卡数据集合），实现对是否存在信用卡欺诈行为进行检测。资源包括以下内容： 1、jupyter notebook程序源码 2、用于模型训练的数据集（csv文件） 3、使用混淆矩阵对测试结果进行评估 LR实现简单高效易解释，计算速度快，易并行，在大规模数据情况下非常适用，更适合于应对数值型和标称型数据，主要适合解决线性可分的问题，但容易欠拟合，大多数情况下需要手动进行特征工程，构建组合特征，分类精度不高。 LR直接对分类可能性进行建模，无需事先假设数据分布，这样就避免了假设分布不准确所带来的问题 LR能以概率的形式输出，而非知识0，1判定，对许多利用概率辅助决策的任务很有用 对率函数任意阶可导，具有很好的数学性质，许多现有的数值优化算法都可以用来求最优解，训练速度快 适用情景：LR是很多分类算法的基础组件，它的好处是输出。

机器学习算法KNN（K近邻）应用实例 使用KNN（K近邻）算法对是否容易得糖尿病问题进行预测。 资源中包括完成的KNN算法训练和实现过程，以及用于机器学习的糖尿病数据集。 数据特征包括： Pregnancies：怀孕次数 Glucose：葡萄糖测试值 BloodPressure：血压 SkinThickness：表皮厚度 Insulin：胰岛素 BMI：身体质量指数 DiabetesPedigreeFunction：糖尿病遗传函数 Age：年龄 Outcome：是否为糖尿病 训练的过程包括数据的预处理、数据的可视化及EDA分析。 然后将数据划分成训练集和测试集，调用sklearn中的KNeighborsClassifier模型对数据进行训练。最后使用混淆矩阵、F1、精确率等指标对模型效果进行评估。 本应用实例可以方便与对KNN算法的应用过程有一个直观的了解和掌握。提升算法的应用实用性。 引入的库函数主要有如下： import numpy as np import pandas as pd from sklearn.model_selection import train_test

SPOTFIRE 实例讲解 学习 完全中文进行 学习资料 分享

Java安全框架Shiro的使用示例1—一个简单的Web应用，没有安全控制。

内容简介 《深入剖析Visual C++编程技术及应用实例》选取了主流开发领域内的若干具有代表性的实例，包含了在各领域中广泛应用的技术。《深入剖析Visual C++编程技术及应用实例》通过主流开发领域内的若干具有代表性的实例，向读者深入细致地讲解了利用Visual C++6.0进行Windows高级软件开发的相关技术。本书涉及的领域包括用户界面、文件系统、图形图像技术、多媒体技术、网络、COM、AetiveX术、系统底层开发技术等。 《深入剖析Visual C++编程技术及应用实例》可作为有志于用Visual C++进行Windows高级软件开发的人员阅志，也可作为相关人员的参考用书。 编辑推荐 本书通过主流开发领域内的若干具有代表性的实例，向读者深入细致地讲解了利用Visual C++ 6.0进行Windows高级软件开发的相关技术。 本书涉及的领域包括用户界面、文件系统、图形图像技术、多媒体技术、网络、COM、ActiveX技术、系统底层开发技术等。 本书可作为有志于用Visual C++进行Windows高级软件开发的人员阅读，也可作为相关人员的参考用书。

Eclipse V4.2.0编写的Android时钟应用实例（有用到线程）。

标 签 框:

分 组 框:可将插入到EXCEL中的窗体进行分组，被它圈起来的窗体域形成一个组。

命 令 按 钮：可将一段宏代码指定给一个命令按钮，今后，只要单击它，宏代码就会运行，完成很多自动功能。

复选框和选项按钮：相信大家对此并不陌生，我们在WEB页面上注册时，经常会遇到这两个东西，能让使用者根据实际情况作出选择。

列表框和组合框：单击它能弹出一个下拉菜单，让用户能过简单的操作就可以选择对应的项目。

滚动条和微调项：单击之，能按设定的起、止值和步长（每单击一次的变化量）使某单元格的值增大或减小。

控制属性和编辑代码：只有在有窗体域被选中时，这两个按钮才可用。顾名思义，利用它可对前面的窗体域进行属性设置或直接编辑宏代码（相当于Visual BASIC程序）。

该实验报告是基于matlab仿真工具，实现单层神经网络的仿真，从而详细讲解BP算法的原理。采用BP算法实现对信号的学习。BP神经网络是一个信号单向传播的多层前馈式误差反向传播神经网络。BP算法的基本思想是最小二乘法，它采用梯度搜索技术，使得网络的实际输出和理想输出的误差均方值为最小。其学习过程分两个过程：一是信号的正向传输，二是误差的反向传输。在信号的正向传输过程中，输入信号从输入层经隐含逐层处理，并传向输出层，每个神经元的状态只影响下一层神经元的状态，若输出层不能得到期望的输出，则转向反向传输，来不断修正各层神经元的权值使误差信号不断减小。

国外的可变限速应用实例，老外自己整理的，对搞可变限速方面的人比较有用！！！

51单片机应用开发25例——基于Proteus仿真(电路图)------应用实例1 呼吸灯 v#include #define MAX 0x50 #define MIN 0x10 #define TIMELINE 5 #define TRUE 1 #define FALSE 0 unsigned int TimeCounter = 0; bit ArrowFlg = 1; unsigned char Counter; sbit LED = P2^0;