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

要解决的是一个医学图像的二分类问题，有AK和SK两种病症，根据一定量数据，进行训练，对图像进行预测。 给定图片数据的格式： 解决思路 整体上采用迁移学习来训练神经网络，使用InceptionV3结构，框架采用keras. 具体思路： 读取图片数据，保存成.npy格式，方便后续加载 标签采用one-hot形式，由于标签隐藏在文件夹命名中，所以需要自行添加标签，并保存到.npy文件中，方便后续加载 将数据分为训练集、验证集、测试集 使用keras建立InceptionV3基本模型，不包括顶层，使用预训练权重，在基本模型的基础上自定义几层神经网络，得到最后的模型，对模型进行训练 优化模型，调整超参数，提高准确率 在测试集上对模型进行评估，使用精确率、召回率 对单张图片进行预测，并输出每种类别的概率 如何加载实际数据，如何保存成npy文件，如何打乱数据，如何划分数据，如何进行交叉验证 如何使用keras进行迁移学习 keras中数据增强、回调函数的使用，回调函数涉及：学习速率调整、保存最好模型、tensorboard可视化 如何使用sklearn计算准确率，精确率，召回率，F1_

SVM支持向量机和逻辑回归进行心音信号简单二分类-附件资源

matlab代码，用于SDP

交叉验证优化SVM参数，训练模型

BP神经网络实现简单的异或二分类器，没有任何工具包，单隐层，2个隐层神经元。没有构建神经网络类，只有神经元结构体。