细粒度分析学科领域热点主题发展脉络并对利用机器学习算法对未来发展趋势进行 准确预测研究。[方法/过程] 提出一种基于机器学习算法的研究热点趋势预测方法与分析框架，以基因工程领 域为例利用主题概率模型识别 WOS 核心集中论文摘要数据研究热点主题并进行主题演化关联构建，然后选取 BP 神经网络、支持向量机及 LSTM 模型等 3 种典型机器学习算法进行预测分析，最后利用 RE 指标和精准度指标评 价机器学习算法预测效果并对基因工程领域在医药卫生、农业食品等方面研究趋势进行分析。 [结果/结论] 实 验表明基于 LSTM 模型对热点主题未来发展趋势预测准确度最高，支持向量机预测效果次之，BP 神经网络预测 效果较差且预测稳定性不足，同时结合专家咨询和文献调研表明本文方法可快速识别基因领域研究主题及发展趋 势，可为我国学科领域大势研判和架构调整提供决策支持和参考

梯度下降C++的简单实现，没有做优化，包含源码，可执行程序以及测试集、训练集和结果。

本文使用三种已有的机器学习算法，针对可穿戴传感器采集用户日常行为数据，进行训练和测试等，涉及支持向量机、神经网络和隐藏马尔可夫模型等的研究

MSET是由Singer等提出的一种非线性的多元预测诊断技术，是一种通过分析对比实际监测参数与设备正常运行时的健康数据为基础，对正常运行时的各个参数进行运算并做出估计，以这种正常的状态估计作为标准。当得到实际的运行数据时，同样以健康数据为基础，并找到实际数据与健康数据的关联程度，以此对实际运行状态做出估计，这种＂程度＂是通过权值向量来决定的，用于衡量实际状态与正常状态的相似性。最终对健康状态与实际运行状态的估计结果进行对比分折，并引入残差的概念，最终进行诊断。目前在核电站传感器校验、设备监测、电子产品寿命预测等方面有成功的应用。

Matlab实现的Knn算法，用于数字图像分类，具有很高的准确率

非常适用于初学者，有详细算法实现过程，用于分类的例子，用于回归的例子，可以帮你深入理解随机森林算法哦~

1.亲测MATLAB2014a及2016a可运行 2.拥有从训练树到测试树分类性能的完整流程