基于BP神经网络原理，针对数据当中所需的分类需求进行开发的小程序，具备一定的直到作用。

#将SVM代码文件直接导，pycharm2017软件中，将data数据的路径在代码中进行修改 #fileIn = open('C:/Users/LENOVO/Desktop/SVM-master/datasets.txt') #open()进行文件的读取工作，直接修改路径即可，但是要注意绝对路径与相对路径的区分

在matlab平台下的基于libsvm的svm双螺旋线二分类问题

数据挖掘实验报告 PAGE 4 实验二 分类挖掘算法ID3 一实验目的 1理解分类 2掌握分类挖掘算法ID3 3为改进ID3打下基础 二实验内容 1选定一个数据集可以参考教学中使用的数据集 2选择合适的实现环境和工具实现算法 ID3 3给出分类规则 三实验原理 决策树是一种最常见的分类算法它包含有很多不同的变种ID3算法是其中最简单的一种ID3算法中最主要的部分就是信息熵和信息增益的计算 信息熵

基于Tensorflow的英文评论二分类CNN模型-附件资源

使用java实现的KNN算法，并进行了二分类问题，不懂的可以交流。适合初学者使用 ，可以下载看一看

逻辑回归预测良性和恶性乳腺肿瘤实现二分类（使用 scikit-learn 和 XGBoost 两种方式）,可扩展应用到小样本数据的故障诊断领域二分类问题 # 使用逻辑回归预测乳腺肿瘤是良性的还是恶性的 # 数据集为乳腺癌数据集，通过细胞核的相关特征来预测乳腺肿瘤为良性/恶性，这是一个非常著名的二分类数据集 # 数据集包含569个样本，其中有212个恶性肿瘤样本，357个良性肿瘤样本 # 共有32个字段，字段1为ID，字段2为label，其他30个字段为细胞核的相关特征 # scikit-learn实现逻辑回归 # XGBoost 实现逻辑回归 # XGBoost在预测结果上和scikit-learn有些差别，XGBoost的预测结果是概率，而scikit-learn的预测结果是0或1的分类，需要用户自己对其进行转化，程序能够实现scikit-learn 和XGBoost的概率输出和0或1分类输出 # 使用评估指标对分类和预测结果进行评估， 实现scikit-learn 和 XGBoost 两种逻辑回归方式对比分析

使用XGBoost解决机器学习二分类问题，数据集描述的是不同蘑菇的相关特征，如大小、颜色等多维特征，目的是诊断每一种蘑菇是有毒。任务是对蘑菇特征数据进行学习，训练XGBoost二分类模型，然后利用训练好的模型诊断和预测未知的蘑菇样本。程序可扩展应用到故障诊断领域小样本数据的二分类问题或异常检测问题。

结合用户使用掌厅的行为数据，建模预测用户下个月是否继续使用掌厅，撰写报告，描述并解释整个建模过程，以及模型达到的效果。

根据鸡的图片和鸡的温度判断是否为病j鸡，flask进行可视化展示