需要更多资源请关注。 Github: https://github.com/huangyueranbbc

matlab的egde源代码机器学习 存储库包含我在MATLAB和PYTHON中实现的机器学习算法 使用的Alogrithm是： 决策树和随机森林分类器 朴素贝叶斯分类器 高斯朴素贝叶斯Calssifier 高斯混合的EM算法 神经网络 奇异值分解 主成分分析 将数据拟合到一维高斯 使数据适合2D高斯 K最近的邻居 线性回归 逻辑回归 K均值聚类 价值迭代法 动态时间规整 误差函数和正则化

MNIST和USPS手写数字识别算法: 朴素贝叶斯和随机森林 bayes-mnist : 多项式朴素贝叶斯和伯努利朴素贝叶斯解决MNIST数据集 bayes-usps : 多项式朴素贝叶斯和伯努利朴素贝叶斯解决USPS数据集 random-forest-mnist : 随机森林解决MNIST数据集 random-forest-usps : 随机森林解决USPS数据集

随机森林基础——load_wine红酒数据集.ipynb

深度优先生成森林 在进行深度优先搜索DFS时，有时并不一 定能够保证从某一个结点出发能访问到所有的顶点 在这种情况下，必须再选中一个未访问过的顶点，继续进行深度优先搜索。直至所有的顶点都被访问到为止。 这时，得到的是一组树而不是一棵树，这一组树被称为深度优先生成森林。

深度森林.pdf。 探索深度神经网络

iOS版支付宝，一键收取蚂蚁森林全部好友能量，一键帮好友收取能量，定时收取能量,为好友浇水。.zip,iOS版支付宝，一键收取蚂蚁森林全部好友能量，一键帮好友收取能量，定时收取能量,为好友浇水

近些年，利用计算机对极化SAR图像进行分类逐渐成为遥感领域的一个研究热点.本文采用全极化SAR数据，利用不同的特征提取算法提取特征，并基于随机森林模型最终实现对江苏沿海滩涂的分类.首先采用H/α和Freeman两种分解算法提取极化特征参数，采用灰度共生矩阵提取纹理特征参数；然后将提取的所有特征进行不同的组合，构成不同的特征集；最后采用随机森林模型对不同特征集合进行分类和精度评估.结果表明仅用纹理特征对沿海滩涂进行分类时效果较差；利用极化分解提取出的散射特征进行分类的结果要优于矩阵元素特征的分类结果；综合了极化散射特征和纹理特征的组合方式在沿海滩涂的分类中可以取得最优的分类结果，总体精度和Kappa系数可以达到94.44%和0.9305，表明极化SAR图像中蕴含的不同方面的特征在分类中具有一定的互补性.

南昌森林温泉小镇国际度假城规划方案.pdf

为了充分利用高光谱图像的光谱信息和空间结构信息，提出了一种新的基于随机森林的高光谱遥感图像分类方法，首先，利用主成分分析降低数据的维数，并对主成分进行独立成分分析提取其光谱特征，同时消除像元的空间相关性，再采用形态学分析提取像元的空间结构特征，然后，根据像元的谱域和空域特征分别构造随机森林，并引入空间连续性对像元点的预测结果进行约束修正，最后由投票机制决定最后的分类结果。在AVIRIS和ROSIS高光谱图像上的实验结果表明，所提方法的分类性能要优于传统的高光谱图像分类方法，且分类精度高于基于单一特征的方法。