支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面（maximum-margin hyperplane）。SVM使用铰链损失函数（hinge loss）计算经验风险（empirical risk）并在求解系统中加入了正则化项以优化结构风险（structural risk），是一个具有稀疏性和稳健性的分类器。SVM可以通过核方法（kernel method）进行非线性分类，是常见的核学习（kernel learning）方法之一。

1. Matlab实现随机森林算法的数据分类预测（完整源码和数据) 2. 多变量输入，单变量输出（类别），数据分类预测 3. 评价指标包括：准确率 和 混淆矩阵 4. 包括拟合效果图 和 混淆矩阵 和 重要性结果图 5. Excel数据，要求 Matlab 2018B及以上版本

给大家分享一套课程——自然语言处理NLP企业级项目课程合集课程（实体关系抽取+情感分析+新闻文本分类+火车票识别+命名实体识别），大家下载学习。

120类花卉分类数据，已经分好了，由于数据太大，分两次上传，这次只上传了62类，剩下的40类下次上传。

遗传算法 (GA) 和布谷鸟搜索优化 (CSO) 的组合，用于分类精度最大化中的特征选择。 我没有使用 Levy 飞行，而是使用 GA 品种和变异进行布谷鸟更新。 我在代码中使用了朴素贝叶斯分类，但您可以将其替换为任何其他分类器。

数据集:training_set, test-set,traing_set里面存放的是猫狗分类的数据集，test_set里面存放的是猫狗分类的测试集。 datasets.py：数据集的读取，并且会按照7:3的比例将traing_set划分为测试集和验证集 chuli.py：验证数据集读取的正确性 model.py:里面存放的ResNet34的代码 train.py:训练集，并且会drew出训练集和验证集的损失和acc test.py：最终会输出训练好的模型(resnet.pth)对于测试集的acc 该项目非常适合初学深度学习者，可以学习关于数据集

是用于高光谱遥感影像分类的机器学习脚本，其中使用了MLP算法（Multilayer Perceptron Algorithm）对Salinas数据集进行分类。 Salinas数据集是一个常用的高光谱遥感影像数据集，包含了来自13种不同作物和地物的224个像素。在你的Python脚本中，使用了MLP算法对这些像素进行分类。MLP算法是一种基于神经网络的分类算法，其通过多层神经元对特征进行抽象和表达，从而实现高效的分类。在该算法中，使用了反向传播算法对网络进行训练，以便调整网络中的权重和偏置，从而提高分类的准确性。

基于支持向量机SVM的数据分类预测，SVM分类预测，多特征输入模型。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。

java_web jar包整理。包含了spring、hibernate、aop、mysql等

ResNet_classification。ResNet网络在pytorch框架下实现图像分类，拿走即用，包含批量化测试验证。该文件包含ResNet18、ResNet50、ResNet101等网络实现图像分类的代码及对训练好的模型进行单一测试和批量测试的代码。ResNet网络是参考了VGG19网络，在其基础上进行了修改，并通过短路机制加入了残差单元。