传统的支持向量机(SVM)算法在数据不均衡的情况下,分类效果很不理想。为了提高SVM算法在不均衡数据集下的分类性能,提出随机下采样与SMOTE算法结合的不均衡分类方法。该方法首先利用随机下采样对多数类样本进行采样,去除样本中大量重叠的冗余样本,使得在减少数据的同时保留更多有用信息;而对少数类样本则是利用SMOTE算法进行过采样。实验部分将其应用在UCI数据集中并同其他采样算法比较,结果表明文中算法不但能有效提高SVM算法在不均衡数据中少数类的分类性能,而且总体分类性能也有所提高。

K最邻近法KNN分类算法（单点、多点分类预测），内含数据和matlab代码，可运行。

这是《机器学习实战》书中KNN算法的笔记

【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类与MMClassification【交大PPT】通用视觉框架OpenMMlab课程02图像分类

这是一个基于VGG网络架构的cat and dog分类实战的小项目，里面包含所有源代码，同时也含有对应的用到的数据集。模型已经经过优化，同时含有部分注释便于理解，欢迎下载交流。

内容概要：人工智能CV入门Vgg16迁移学习猫狗分类实战代码及数据集；本内容为使用Pytorch对计算机视觉中的Vgg16迁移学习进行实战编码。本内容包含了实战教程使用的数据集及代码的jupyter notebook 能学到什么：通过此资源你可以学习到如何通过pytorch框架及python语言进行简单的计算机视觉中的Vgg16迁移学习猫狗分类算法实战，你可以对该算法有更加深入的理解，并且你也可以获得更强的实战能力。

机器学习与数据挖掘实验四：基于特征工程的支持向量机分类实验，特征为HOG，LBP，GLCM，分类器SVM，包括了数据集，python原码。

卷积神经网络 表情和性别分类 CNN for Emotion and Gender Classification

使用matlab对某一年的数据划分为12个月

分析了几种典型的文本分类算法的特点，并基于中文文本数据集和英文文本数据集对算法性能进行了综合评价．实验结果表明：对于英文文本数据，支持向量机具有最优的性能，但时间开销最大，贝叶斯算法速度较快；对于中文文本数据，由于分词的困难，使得算法性能普遍低于同等规模下在英文数据集上的性能．几种算法性能均随训练集规模的增大而有改善。