将 myloess.m 函数安装到您的路径上，然后浏览 MTT Nonparametric Fitting Demo.m。

核密度非参数估计的matlab代码交叉验证 在我目前的课程“数据分析和解释”中，我们的课程讲师是图像处理专家，我们已经完成了关于这个主题的几个有趣的作业，并在 MATLAB 中实现了它们。 其中之一是 PDF 估计器，我们在其中比较了各种非参数估计技术，如直方图和核密度估计，并实现了交叉验证程序，这是机器学习的一种应用。 在另一个问题中，我们获得了部分人脑的两个 {\it Magentic Resonance Images} (MRI)，这些图像是通过 MRI 机器的不同设置获得的。 在将图像转换为双阵列后，我们被要求以不同的量移动第二张图像，并为每个图像计算第一张图像和第二张图像的移位版本的相关系数 (CC) 和二次互信息 (QMI)。 主要的一点是在几次绘图后意识到 QMI 是一个比 CC 强得多的指标，并分析为什么会这样。 问题陈述： 我们已经通过最大似然在课堂上广泛地看到了参数 PDF 估计。 在许多情况下， 然而，PDF 的家族是未知的。 这种情况下的估计称为非参数密度估计。 我们在课堂上研究了一种这样的技术，即直方图，我们还分析了它的比率 的收敛。 还有另一种流行的非参数密

朴素贝叶斯 数据挖掘的第一个任务。 实施朴素贝叶斯，使用基于熵的离散化预处理数据，并使用 10 倍交叉验证进行验证。

spacv ：Python中的空间交叉验证 spacv是一个小型Python 3（3.6及更高版本）软件包，用于模型的交叉验证，该模型评估对具有空间依赖性的数据集的泛化性能。 spacv提供了一个类似spacv的熟悉的API，公开了一套适用于基于点的空间预测任务的工具。 有关用法，请参阅笔记本spacv_guide.ipynb 。 依存关系 numpy matplotlib pandas geopandas shapely scikit-learn scipy 安装及使用 要安装，请使用pip： $ pip install spacv 然后使用sklearn构建快速的空间交叉验证

所有ML算法 它包括所有ML模型。（用于KTM和银行数据） 由所有ML预处理技术组成，如a。 采样技术（欠采样，过采样-ROS和SMOTE）b。 交叉验证（K折，分层K折）c。 主成分分析 具有HYPER参数校正的Boston数据集的套索和岭回归。 该存储库还包含我在编码文件中使用的RAW数据文件

libsvm交叉验证与网格搜索(参数选择)

matlab 10折交叉验证知识代码贷款违约模型 基于ML的贷款违约预测模型。 该项目使用了不同的机器学习技术-1. Logistic回归，KNN，分类树，合奏（分类方法），套索（正则化技术），10折交叉验证（ML技术，用于有效地训练我们的分类器，将总体分为训练）和测试样本）。 1.初步要求 为了利用该项目，用户应在其PC上安装Matlab版本R2016b，以便他们可以编译和运行此存储库中包含的代码。 2.入门 为了运行模型，用户需要遵循以下简单步骤： 将信息从名为LCloanbook.rar的文件LCloanbook.rar到本地目录中（确保所有文件都保存在一个位置） 打开并运行名为loan_Default_Model.m的文件 所有测试结果应显示在屏幕的左下角（工作区） 享受！ :) 3.仓库组成 loan_Default_Model.m -Matlab代码，包括此模型中使用的不同机器学习技术的定义。 LCloanbook.rar实际的基础贷款数据和变量描述 README.md您当前正在读取的文件 5.执照 MIT许可证涵盖了此存储库中包含的文件。 6.作者 斯韦特洛萨尔·斯托耶夫

在构建模型时，调参是极为重要的一个步骤，因为只有选择最佳的参数才能构建一个最优的模型。但是应该如何确定参数的值呢？所以这里记录一下选择参数的方法，以便后期复习以及分享。 （除了贝叶斯优化等方法）其它简单的验证有两种方法： 1、通过经常使用某个模型的经验和高超的数学知识。 2、通过交叉验证的方法，逐个来验证。 很显然我是属于后者所以我需要在这里记录一下 sklearn 的 cross_val_score： 我使用是cross_val_score方法，在sklearn中可以使用这个方法。交叉验证的原理不好表述下面随手画了一个图： （我都没见过这么丑的图）简单说下，比如上面，我们将数据集分为10折

程序流程 1.将数据进行预处理。 2.通过一对一方法将45类训练样本（(0,1),(0,2),…(1,2)…(2,3)）送入交叉验证法，训练算法为smo 3.得出45个模型，测试时在利用投票法判定 数据结构 '''*************************************************************** * @Fun_Name : judgeStruct: * @Function : 存放训练后的分类器参数 * @Parameter : * @Return : * @Creed : Talk is cheap

给定形成任意数据集的多个样本，该函数为训练和验证创建 K 个集合，以便每个样本仅使用一次用于验证目的，K-1 次用于培训目的。