从数据中学习结构是贝叶斯网络研究最重要的基本任务之一。 特别地，学习贝叶斯网络的可选结构是一个不确定的多项式时间（NP）难题。 为了解决这个问题，已经提出了许多启发式算法，并且其中一些在不同类型的先验知识的帮助下学习贝叶斯网络结构。 然而，现有算法对先验知识有一些限制，例如质量限制和使用限制。 这使得很难在这些算法中很好地利用先验知识。 在本文中，我们将先验知识引入了马尔可夫链蒙特卡洛（MCMC）算法，并提出了一种称为约束MCMC（C-MCMC）算法的算法来学习贝叶斯网络的结构。 定义了三种类型的先验知识：父节点的存在，父节点的不存在以及分布知识，包括边缘的条件概率分布（CPD）和节点的概率分布（PD）。 所有这些类型的先验知识都可以轻松地用在该算法中。 我们进行了广泛的实验，以证明所提出的方法C-MCMC的可行性和有效性。
2024-04-09 10:39:16
2.16MB
1
本项目基于朴素贝叶斯和SVM 分类模型，通过对垃圾邮件和正常邮件的数据训练，进行相关词汇词频的统计分析，实现垃圾邮件的识别功能。本项目包括3个模块：数据模块、模型构建、附加功能。需要Python 3.6 及以上配置，在Windows 环境下载Anaconda 完成Python 所需的配置，也可以下载虚拟机在Linux 环境下运行代码。从github 网站下载与python PIL 库配搭使用的文字引擎pytesseract，将PIL 文件夹里的.py 文件，改为相应pytesseract.exe 路径。注册百度云账号，分别建立图像文字识别和图像识别的小程序。
2024-03-06 16:41:14
28.64MB
1
针对现有故障选线方法用于中性点经消弧线圈接地系统或相电压过零点附近发生故障时选线不准确的问题,提出一种基于局部全局一致性学习算法的小电流选线方法,即首先对线路接地故障原始信号进行傅里叶变换,然后将各故障信号的特征量输入局部全局一致性学习算法,通过标签循环传递判断故障特征信号,从而选出故障线路。通过Matlab仿真模型与实验室测试平台对该方法进行了研究,结果表明该方法具有较高的选线可靠性与准确性。
2024-02-29 08:27:47
253KB
1
机器学习算法第二版
这是Packt发布的《 的代码库。
流行于数据科学和机器学习的算法
这本书是关于什么的？
机器学习以其强大而快速的大型数据集预测而获得了极大的普及。 但是，强大功能背后的真正力量是涉及大量统计分析的复杂算法，该算法搅动大型数据集并产生实质性见解。
本书涵盖以下激动人心的功能：
研究特征选择和特征工程过程
评估性能和误差权衡以进行线性回归
建立数据模型并使用不同类型的算法了解其工作方式
学习调整支持向量机（SVM）的参数
探索自然语言处理（NLP）和推荐系统的概念
如果您觉得这本书适合您，请立即获取！
说明和导航
所有代码都组织在文件夹中。 例如，Chapter02。
该代码将如下所示：
from sklearn.svm import SVC
from sklearn.model_selection import cross_val_score
svc =
2023-12-15 16:31:18
97KB
1
资源包含Yolov3和Yolov5的可运行的源代码，YOLOv3代码部分包含三个部分：Backbone，PANet，Yolo Head,而Yolov5代码部分包含骨干网络 Focus、BottleneckCSP 和 SSP 网络构成，其中主要包括 Focus、Conv 卷积块、BottleneckCSP 和 SSP 等模块。可以用于后续的训练和模型搭建。
2023-12-07 13:26:39
911.5MB
1
蜜蜂CNN模糊进化深度学习算法（人脸识别，智能优化算法，MATLAB源码分享）
在训练阶段之后，可以使用进化算法拟合深度学习权重和偏差。
这里，CNN用于对8个人脸类别进行分类。
在CNN训练之后，创建初始模糊模型以帮助学习过程。
最后，CNN网络权重（来自全连接层）使用蜜蜂算法训练，以自然启发的方式进行拟合（这里是蜜蜂的行为）。
可以将数据与任意数量的样本和类一起使用。
请记住，代码的参数是根据数据进行调整的，如果要替换数据，可能需要更改参数。
图像数据大小为64*64，2维，存储在“CNNDat”文件夹中。
因此，重要的参数如下：
“numTrainFiles”=您必须根据每个类中的样本数量来更改它。
例如，如果每个类有120个样本，那么90个就足够好了，因为90个样本用于训练，而其他样本用于测试。
“imageInputLayer”=图像数据的大小，如[64 64 1]
“fullyConnectedLayer（完全连接层）”=类的数量，如（8）
“MaxEpochs”=越多越好，计算运行时间越长，如405。
“ClusNum”=模糊C均值（FCM）聚类数，如3或4很好
2023-11-04 15:30:57
485KB
1
数据集：
Id
R
F
M
1
27
6
232.61
2
3
5
1507.11
3
4
16
817.62
4
3
11
232.81
5
14
7
1913.05
6
19
6
220.07
7
5
2
615.83
8
26
2
1059.66
9
21
9
304.82
10
2
2
1227.96
11
15
2
521.02
代码：
# -*- coding: utf-8 -*-
# @File : k-means.py
# @Date : 2020-02-18 9:58
# @Author : admin
2023-10-15 11:51:17
123KB
1