cbr-classify 基于案例推理的分类学习算法，即Case-Based-Reasoning。

决策树二分类matlab代码这是用于使用决策森林框架[1]（在下文中称为Sherwood）进行分类的MATLAB包装器。 培训和分类是并行的。 入门 需要MATLAB和c ++编译器。 根据Sherwood的许可，您必须下载并将其放在/ Sherwood /中。 使用“ mex -setup”设置MATLAB。 example.m中提供了一个示例 所有文件都会自动编译 该代码已经过测试 在Ubuntu 13.10上具有GCC 4.8的MATLAB 2013a。 Windows 7上具有Visual Studio 2013的MATLAB 2013a 局限性 如果使用不支持OpenMP的c ++编译器，则需要通过在sherwood_train.m中设置“ use_openmp = false”来关闭多线程训练。 遗憾的是，Mathworks for Windows建议的c ++编译器不支持OpenMP。 但是，Visual Studio支持它。 备择方案 对于MATLAB [2,3]，至少有两种流行的随机森林实现。 与舍伍德的主要区别是 没有套袋，因此不会出现袋外错误等。 叶子中的概率存储

bagofwords_classification是opencv_contrib中用bags of words对图像进行分类的一个范例，其测试数据是PASCAL VOC。PASCAL VOC为图像识别和分类提供了一套标准化的优秀数据集，该数据集是验证各种精妙算法性能的标准评估系统。在配置好opencv和opencv_contrib，准备好VOC测试数据的前提下，该工程可以直接编译，访问livezingy.com可以获取更多详细信息。

KNN 分类器的经典算法 MATLAB代码，测试通过，可采用不同的距离计算

树叶分类数据集-python版本

信息安全_数据安全_Total recall or how to classify 安全建设 数据安全 APT 安全研究 APT

text_classify 以复旦中文文本分类语料库为样本，用python实现的文本分类算法 由于训练集和测试集太大，所以给出的是训练集和测试集的下载地址，以及停用词表hlt_stop_words.txt Python版本为2.7 运行顺序： step1：corpus_segment.py step2: corpus2Bunch.py (需要提前创建目录train_word_bag和test_word_bag) step3: TFIDF_space.py step4:NBayes_Predict.py

分类客户流失 在这里，使用数据集对客户是否流失进行分类。 使用数据集EDA已完成。 在执行此操作时，我们将 使用iqr和z-scores方法处理outliers 使用backward elimination功能进行特征选择 目录 入门 该可在Kaggle上使用，可在创建该笔记本的相同环境中使用，即使用所使用的相同版本的软件包等。 EDA 相关矩阵 计数图（数据集的不平衡程度） 模型表现 不同模型的交叉验证分数 学习曲线 混淆矩阵，无归一化 执照 APACHE许可，版本2.0

基于python用深度学习实现垃圾分类识别，包含数据集，识别准确率在90%左右，有注释，代码简洁易懂。

KNN算法