(⼀) 在 jupyter notebook 中，实现 KNN 算法和 Decision Trees 算法，要求有完整的注释 (⼆) ⼿手写数字识别 样本中包含1797个⼿手写数字灰度图像，每个图像⼤大⼩小为8*8，可使⽤用 numpy.load('filename.npy') 进 ⾏行行载⼊入 使⽤用留留出法拆分训练集与测试集，留留出10%作为测试集。训练KNN模型，搜索最佳的超参数k和n的取值，提 升识别准确度

加州住房价格模型 客观的 我使用“加利福尼亚房屋价格数据集”的“随机森林回归”建立了一个模型，以预测加利福尼亚房屋的价格。 图书馆与依存关系 我在这里列出了该项目所需的所有必要的库和依赖项： import sys , os , tarfile , urllib . request import numpy as np import pandas as pd from sklearn . model_selection import train_test_split , cross_val_score , GridSearchCV from sklearn . model_selection import StratifiedShuffleSplit from pandas . plotting import scatter_matrix from sklearn . impute im

The classical article in decision trees

决策树 具有验证，修剪和属性多分裂贡献者的C4.5决策树python实现：Ryan Madden和Ally Cody 要求 python 2.7.6 档案文件 btrain.csv，bvalidate.csv，btest.csv-用于构建和测试程序的培训，验证和测试集 Decision-tree.py-决策树程序 datatypes.csv-一个元数据文件，用于指示（使用逗号分隔的true / false条目）哪些属性是数字（true）和名义上的（false）注意：如果使用与提供的数据集不同的数据集，则必须编辑此文件或提供自己的属性 怎么跑 Decision-tree.py接受通过命令行传递的参数。 可能的参数是： 培训的文件名（必需，必须是“ python Decision-tree.py”之后的第一个参数） 分类器名称（可选，默认情况下，分类器是数据集的最后一列） 数据类型标志（

文献资料 建立状态 覆盖范围 SDDP.jl是一个使用随机双重动态规划解决大型多阶段凸随机规划问题的软件包。 您可以在找到文档。 如果需要帮助，请提交Github问题： :

Decision_Tree_Regression 使用Python进行决策树回归 执行代码的步骤： •首先下载决策树Regression.py文件和数据集。 并确保两个文件都在文件夹中。 •然后在任何Python编译器中打开python文件并运行代码。

Gradient Boosting Decision Tree

IPHIE-2018决策树 阿姆斯特丹IPHIE大师班2018的学生项目。 在R中使用决策树和随机森林分析数据集 糖尿病数据集-1999-2008年间美国130所糖尿病医院的数据集-https: 在Python中根据论文清理数据集-https:

Optimization and Decision Science－Methodologies and Applications（优化与决策科学-方法及应用）

经典之作，不多用多介绍。欧美金融经济学或金融理论必推参考书。 John E. Ingersoll Rowman & Littlefield Publishers, Inc. Based on courses developed by the author over several years, this book provides access to a broad area of research that is not available in separate articles or books of readings. Topics covered include the meaning and measurement of risk, general single-period portfolio problems, mean-variance analysis and the Capital Asset Pricing Model, the Arbitrage Pricing Theory, complete markets, multiperiod portfolio problems and the Intertemporal Capital Asset Pricing Model, the Black-Scholes option pricing model and contingent claims analysis, "risk-neutral" pricing with Martingales, Modigliani-Miller and the capital structure of the firm, interest rates and the term structure, and others.