支持张量机 尝试实现算法“支持张量机”

汽车价格预测-高度线性预测项目：一种线性回归模型，用于预测美国市场的汽车价格，以帮助新进入者了解美国汽车行业的重要定价变量。 高度全面的分析，详细说明所有步骤； 数据清理，探索，可视化，特征选择，模型构建，评估和MLR假设有效性

基于方面的情感分析 给定句子中的某个方面字词，预测该方面字词的情感标签 该项目的所有详细信息都可以在找到 MemNet代码是

具有手工特征设计的音频隐写分析（统计机器学习） 基于统计机器学习算法的音频隐写分析。 // @作者： @电子邮件： 希望我们能有一个愉快的沟通。 该项目是我们最近基于统计机器学习进行音频隐写分析的工作的实现，您还可以通过该平台设计自己的算法。 档案 ID 文件 功能 1个 应用 音频隐写分析和隐写发现 2 batch_script 所有批处理脚本，用于特征提取，培训，测试等 3 数据处理 用于QMDCT系数提取和数据集构建的工具 4 feature_extract 用于特征提取的脚本（ADOTP，MDI2，I2C，D2MA，JPBC，共存） 5 情节 图脚本 6 tra

眼网 机器学习算法框架（SVM + DNN）已在CompBio 2018的ICML-IJCAI研讨会上接受 EyeNet包含用于医学信息学和机器学习研究的机器学习模型和疾病标签 参考 如果您觉得这对您的工作有用，请考虑引用以下参考资料： @article{yang2018novel, title={A Novel Hybrid Machine Learning Model for Auto-Classification of Retinal Diseases}, author={Yang, C-H Huck and Huang, Jia-Hong and Liu, Fangyu and Chiu, Fang-Yi and Gao, Mengya and Lyu, Weifeng and Tegner, Jesper and others}, journal={arXiv

Marvin Minsky - The Emotion Machine - Common Sense Thinking, Artificial Intelligence And The Future Of Human Mind (Simon & Schuster, 380, 2006).pdf

LassoADMM：我们的论文“边缘计算中的协作回归学习的分布式ADMM方法”的源代码

SHAP（SHapley Additive exPlanations）是一种游戏理论方法，用于解释任何机器学习模型的输出。 它使用博弈论中的经典Shapley值及其相关扩展将最佳信用分配与本地解释联系起来（详细信息和引文，请参见）。 安装 Shap可以从或 安装： pip install shap or conda install -c conda-forge shap TreeExplainer的树集成示例（XGBoost / LightGBM / CatBoost / scikit-learn / pyspark模型） 尽管SHAP可以解释任何机器学习模型的输出，但我们已经为树集成方法开发了一种高速精确算法（请参见）。 XGBoost ， LightGBM ， CatBoost ， scikit-learn和pyspark树模型支持快速的C ++实现： import xgboost import shap # load JS visualization code to notebook shap . initjs () # train XGBoost model X , y

在当今时代，检测和预测任何疾病非常重要，为什么要这样做，因为每个人都忙于日常生活，没有人关心自己的健康，也没有人遵循适当的饮食，这种鲁leads的行为会导致多种疾病。 在所有疾病中，心脏病是一种非常严重的疾病。 心脏病的主要原因之一是吸烟，饮酒和缺乏运动等。WHO（世界卫生组织）记录说，有3100万人死于CVD（心血管疾病）。 因此，有必要在心脏病发作之前对心脏病进行预测。 有大量来自医疗保健行业和医院的数据，但是像医生或医学专家这样的人却无法分析这些数据，因此机器学习可以分析大量数据并提供更好的结果。 过去几年的研究人员发现，机器学习在分析数据方面非常有效，因此我们提出了几种机器学习算法，例如人工神经网络（ANN），随机森林（RF），逻辑回归，K近邻（KNN） ），朴素贝叶斯（NB），支持向量机（SVM），决策树（DT）等来预测心脏病。 并且在本文中，我们获得了各种机器学习算法的结果，并进行了比较。

smote的matlab代码介绍 该项目实现了经典的机器学习算法（ML）。 这个项目的动机包括： 帮助机器学习大一新生对这个领域的基本算法和模型有更好更深入的理解。 在 ML 领域提供现实生活和商业执行方法。 由于这种情况，我的数学理论和编码能力保持新鲜。 概述 1.调频 1.1 fast_fm 展示如何使用“fast_fm”包对数据集进行分类。 1.2 fm_rewrite 遵循FM的理论，我们自己编写python脚本。 1.3 使用者： pip install fm_easy_run 。 2.xgboost 2.1 xgboost 展示如何使用“xgboost”包对数据集进行分类。 2.2 网格搜索 展示如何使用“gridsearch”包来选择“xgboost”算法的最佳参数。 3.N-gram 用 n-gram 代替朴素贝叶斯解决的面试问题。 4.Svd @博尔格： 4.1 linalg中的矩阵分解 4.2 矩阵分解与 RSVD 5.协同过滤推荐系统 @博尔格： 5.1 项目基础 5.2 用户基础 6.语义识别 @博尔格： 6.1 解霸流程 6.2 Tf-Idf 6.3 Bp 神