该程序生成随机武器,您只需输入要生成的武器数量,就可以立即拥有足够大的武器库来填充100个幻想世界。 当前有数以万亿计的成果,该软件非常适合地牢大师生成战利品,游戏设计师可以制作武器,甚至可以做任何事情! 玩得开心和享受,我会尽可能地对其进行更新,我也正在开发Fantasy Race Generator,尽管它不会在一段时间内完成--------------- ----------------精湛的武器-某些物品的绝版-雕刻-附魔-射程-伤害等级取决于条件-Craft.io注释-武器年龄-某些武器的诅咒
2023-02-20 19:01:55 298KB 开源软件
1
心血管疾病使用决策树和随机森林分类器 决策树算法可用于预测心血管疾病并使用随机森林分类器和探索性数据分析来提高准确性
2023-02-08 15:13:46 778KB
1
Probability and Random Processes with Application to Signal Processing,经典的信号处理教程,英文原版,非扫描版,带部分书签
2023-01-08 10:32:41 8.12MB Probability Signal Processing
1
An Introduction to Random Matrices by G. Anderson
2023-01-03 17:51:07 2.95MB RandomMatrices
1
预测航空公司延误 使用Hadoop通过2007年和2008年的数据预测奥黑尔机场的航班延误。使用Pig脚本,构建了一个特征矩阵,通过该矩阵我们可以训练和预测航空公司的延误,准确度约为80% 项目详情 建立了一个预测航空公司延误的模型,准确度约为80% 将航空公司数据集与UCI Repo的740万飞行记录一起使用 利用Pydoop实现MapReduce以构建特征矩阵 使用Pig脚本生成功能 使用Python,Scikit-Learn,Pig,Hadoop,HDFS,AWS EMR,IPython构建 技术指标 Python 2.7 Hadoop 2.7.3 Scikit学习 大熊猫 线性回
2022-12-29 17:10:00 6KB python hadoop random-forest scikit-learn
1
Python机器学习 通用机器学习算法的Python代码
1
本书从数学的角度对随机信号进行了详尽描述;对卡拉曼滤波及其在INS、GPS中的应用进行了阐述
2022-11-29 23:18:32 48.82MB 随机信号 卡拉曼滤波
1
随机密码生成器 一个简单且自定义的随机密码生成器。 生成一个默认长度为6-16的简单密码。 生成具有自定义属性的密码。 从给定的字符生成密码。 生成非重复密码。 可在 API(获取请求) 基本: ://random-pg.herokuapp.com 生成简单的密码/api/generate 可选属性可以作为参数提供例如: /api/generate?minlen=16 /api/generate?minlen=16&minlchars=5 从吉文字符生成自定义密码 强制属性可以作为参数提供例如: /api/shuffle?password=sdjbfbfB&maxlen=14 生成一个非重复的密码。 强制属性“ maxlen” 例如: /nonduplicate?maxlen=14 用法 安装软件包。 导入包。 创建一个实例 修改默认属性。 (可选的) 生成密码
2022-11-26 14:07:47 13KB Python
1
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
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