多元标定中基于变量空间连续收缩的混合变量选择策略https://doi.org/10.1016/j.aca.2019.01.022 近红外光谱多元分析中的变量选择方法概述https://doi.org/10.1016/j.trac.2019.01.018 在本研究中，我们提出了一种基于变量空间连续收缩的混合变量选择策略，这是变量组合种群分析（VCPA）的核心思想。 基于VCPA的混合策略在第一步中不断地将变量空间从大到小收缩，并在修改后的VCPA的基础上进行优化。 然后，它采用迭代保留信息变量 (IRIV) 和遗传算法 (GA) 在第二步中进行进一步优化。 它充分利用了 VCPA、GA 和 IRIV，弥补了它们在变量数量多时的不足。 三个 NIR 数据集和三个变量选择方法，包括两种广泛使用的方法（竞争性自适应重加权采样、CARS 和遗传算法-区间偏最小二乘法、GA-iPLS）和一种混

互信息计算matlab代码计算聚类之间的调整后的相互信息 该存储库包含用于在R中的聚类之间快速且并行地计算调整后的相互信息（AMI），归一化的相互信息（NMI）和调整后的兰德指数（ARI）的代码。 NMI和ARI被广泛使用并且是成熟的分区协议度量标准。 调整后的相互信息度量标准由提出。 它提供了归一化的互信息度量，可通过计算观察到的群集大小分布的分区之间的预期互信息（EMI）来校正随机预期分区重叠的基线值，从而对其进行校正。 有关更多信息，另请参见。 原始作者提供了计算AMI值和其他功能的信息。 该存储库中的代码提供了AMI，NMI和ARI的快速，高效和可并行计算。 它用于特定的生物学应用：在将微生物宏基因组序列数据聚集成（OTU）时评估分区的一致性。 该存储库中提供的数据是针对〜1M序列的集合，根据完整链接或平均链接聚类，将其聚集成OTU。 两个分区都以每行一行（“ otu映射”）和每行一行（“ seq映射”）的格式保存； R脚本中提供了更多详细信息。 重要的是，该代码是通用的，可用于任何类型的聚类数据。 将序列聚类到OTU中只是一个应用示例。

R语言的回归分析与机器学习实践技术应用，详细介绍了R语言的应用于机器学习的方法。

libsvm回归分析，这里做的是损伤预测 测试与预测均在里面

作业（共两题） 1.根据三个财务比率估计公司破产概率。（数据见ftp 财务比率与破产预测.sav） Y=0，若两年后破产 Y=1， 若两年后仍有偿付能力 X1=未分配利润/总资产 X2=支付利息税金前的利润/总资产 X3=销售额/总资产 按照习题模式，列出最终计算结果，并做出必要解释。 （Logistic 模型最终表达式 模型检验、拟合优度 Wald 检验 最终分类表、观测与预测分布图 系数相关矩阵）

非刚性图像配准技术在计算机领域中是一个重要的研究方向,也广泛应用在医学、天文和军事等领域。非刚性图像配准过程中,往往无法同时解决局部大形变和小形变的问题。针对此问题,结合归一化互信息图像配准的理论,提出基于互信息的Active Demons非刚性图像配准算法。该算法通过引入互信息来提高Active Demons算法的驱动力,同时采用待配准图像和原图像的互信息自适应地调节归一化因子α,再对医学图像、自然图像和合成图像进行测试仿真实验。实验结果表明:所提算法在配准精度和鲁棒性上优于原来的Active Demons算法,可以较好地处理大形变图像并保留其边缘特征,得到更好的配准精度和视觉效果。

一元线性回归分析模型在家庭消费支出预测中的应用，高玉，周树民，介绍一元线性回归分析的基本概念和方法原理，并以2001年到2010年国民的城镇居民家庭人均支配收入（简称

逻辑回归 logistic regression

岭回归分析0 载入库1 数据预处理2 普通线性回归和岭回归2.1 最小二乘法，参数估计2.2 岭回归，参数估计，固定岭参数2.3 岭回归，按 CV 标准自动选择岭参数2.4 列举岭参数的值，计算回归参数，画出岭迹图，计算 VIF 0 载入库 载入 sklearn 模块中的线性回归与岭回归的函数 import numpy as np import matplotlib.pyplot as plt import pandas as pd np.set_printoptions(suppress=True) #不用科学计数法输出 from sklearn.linear_model import Li

基于互信息 和遗传算法的图像配准程序，算法求出四个参数，分别是位移量，旋转角度和缩放系数。支持256*256大小的任何灰度图像。