更新(2021年2月1日) 注意力! 该存储库将不再维护,请检查我们新的Deep Forest存储库,以提高效率。 详细信息在: 仓库: : 文档: : PyPI上的软件包: ://pypi.org/project/deep-forest/ 您可以通过pip安装较新版本的gcForest pip install deep-forest 此存储库中的旧版本(gcForest v1.1.1)仅用作该算法的说明。 gcForest v1.1.1来了! 这是gcForest实施的官方克隆。(大学的Web服务器有时不稳定,因此我们将官方克隆放在github上) 软件包官方网站: : 该软件包按“原样”提供,免费供学术使用。 您可以自行承担运行风险。 出于其他目的,请联系教授( )。 说明:[1]中提出的gcForest的python 2.7实现。 gcFores
1
https://assetstore.unity.com/packages/3d/environments/coral-forest-seaweed-valley-12224#description
2022-11-17 14:26:36 36.86MB unity3d Sea
1
项目3:多分类 作者:Khyatee Desai和David Shin 概述 Spotify一直在寻求创建其他功能和播放列表,以使用户发现来自不同流派和时代的新歌手。 新增内容可能会导致现有用户续订该应用程序的每月订阅,并希望扩展其音乐种类。 以下分析旨在证明音乐可以根据其音乐属性所源自的时间段进行分类。 通过类型分类发现新歌手不仅使用户受益,而且使歌手和Spotify受益。 未知的艺术家将从更多的发现方法中受益,Spotify可能获得更多的收入和更多的数据。 业务问题 要开发最佳功能和播放列表,我们需要了解在按时间段对音乐进行分类时哪些功能最重要。 创建新功能可能会推动客户续订并吸引新用户的兴趣。 数据 我们使用的主要数据集包含1921-2020年间歌曲属性。 Spotify数据包含每个轨道的音频功能,如下所示: 钥匙 值类型 值说明 duration_ms 整型 轨道的持续时间(以
2022-11-15 21:05:39 31.67MB spotify random-forest xgboost logistic-regression
1
forestError:随机森林预测误差估计的统一框架 1.0.0版更新 该软件包已更新,以反映偏差的常规征兆(平均预测减去平均响应)。 该软件包的早期版本返回负偏差(平均响应减去均值预测)。 因此,必须颠倒涉及此程序包输出的任何偏差的代数运算的符号,以保持其预期的效果。 概述 forestError软件包使用Lu和Hardin(2021)中引入的插件方法为随机森林预测估算条件均方预测误差,条件偏差,条件预测间隔和条件误差分布。 这些估计值取决于测试观测值的预测值,并考虑可能的响应异质性,随机森林预测偏差以及整个预测器空间中的随机森林预测变异性。 在当前状态下,此程序包中的main函数接受使用以下任何程序包构建的回归随机森林: randomForest , randomForestSRC , ranger ,和 quantregForest 。 安装 在R运行以下代码行将从CRAN
2022-10-29 10:33:56 93KB machine-learning r statistics random-forest
1
Loan_Default_Prediction:贷款违约预测的端到端机器学习过程,机器学习的最终项目ISpring2018 @ GWU
2022-09-12 10:11:45 1.08MB python data-science machine-learning random-forest
1
复杂的自适应系统森林火灾模型扩展 扩展了Netlogo 6.0库中的Forest Fire Extension 1模型,使其包含随机自发启动。 为了研究消防效果,提出了两个单独的模型,第一个基于传统的监视塔,以提供性能基准,第二个基于无线传感器网络。 与传统的钟楼相比,无线传感器网络被证明是一种非常经济高效的解决方案。
2022-07-29 17:23:46 11KB NetLogo
1
数据科学研讨会 这是出版的的资料库。 它包含从头到尾完成该课程所必需的所有支持项目文件。 要求和设置 要开始使用项目文件,您需要: 设定 关于数据科学研讨会 为您提供了开始从事各种数据科学项目所需的基本技能。 本书将逐步介绍数据科学项目的基本组成部分,然后将所有部分放在一起以巩固您的知识并在现实世界中应用您的知识。 您将学到什么 探索有监督学习与无监督学习之间的主要区别 使用scikit-learn和pandas库处理和分析数据 了解关键概念,例如回归,分类和聚类 探索先进的技术来提高模型的准确性 了解如何加快添加新功能的过程 简化您的机器学习工作流程以进行生产 相关工作坊 如果您发现此存储库很有用,则可能需要查看我们的其他一些研讨会标题: 应用TensorFlow和Keras研讨会
2022-07-06 18:43:48 160.03MB python machine-learning random-forest regression
1
可用于UnityVR开发,3D游戏开发,高清天空盒子Skybox素材,游戏环境背景素材,无水印。 让你身临其境的天空盒子,各类题材丰富,都是辛苦搜罗所得的高清exr格式,可以直接用于Unity开发,特别是VR游戏的开发。 内景、外景、城市、乡间、日出,夜晚,欧式宫殿,中式园林,应有尽有,可以在我的下载频道选择需要的下载。 注意,由于是高清,所以体积较大(大的可以达到500M),请下载前预留合适的空间。 使用方法: 1-导入Unity后将图片的Shape转换成cube形式, 2-创建空Material,并转换成Cube/skybox形式, 3-将图片拖入新建的SkyboxMaterial, 4-用刚创建的Material代替项目中原本的系统默认Skybox
2022-07-01 19:06:34 250.63MB vr开发 unity skybox 天空盒子
可用于UnityVR开发,3D游戏开发,高清天空盒子Skybox素材,游戏环境背景素材,无水印。 让你身临其境的天空盒子,各类题材丰富,都是辛苦搜罗所得的高清exr格式,可以直接用于Unity开发,特别是VR游戏的开发。 内景、外景、城市、乡间、日出,夜晚,欧式宫殿,中式园林,应有尽有,可以在我的下载频道选择需要的下载。 注意,由于是高清,所以体积较大(大的可以达到500M),请下载前预留合适的空间。 使用方法: 1-导入Unity后将图片的Shape转换成cube形式, 2-创建空Material,并转换成Cube/skybox形式, 3-将图片拖入新建的SkyboxMaterial, 4-用刚创建的Material代替项目中原本的系统默认Skybox
2022-06-26 19:08:56 315.16MB unityVR开发 unity skybox 天空盒子
可用于UnityVR开发,3D游戏开发,高清天空盒子Skybox素材,游戏环境背景素材,无水印。 让你身临其境的天空盒子,各类题材丰富,都是辛苦搜罗所得的高清exr格式,可以直接用于Unity开发,特别是VR游戏的开发。 内景、外景、城市、乡间、日出,夜晚,欧式宫殿,中式园林,应有尽有,可以在我的下载频道选择需要的下载。 注意,由于是高清,所以体积较大(大的可以达到500M),请下载前预留合适的空间。 使用方法: 1-导入Unity后将图片的Shape转换成cube形式, 2-创建空Material,并转换成Cube/skybox形式, 3-将图片拖入新建的SkyboxMaterial, 4-用刚创建的Material代替项目中原本的系统默认Skybox
2022-06-26 19:08:55 329.65MB vr开发 unity skybox 天空盒子