6种算法（线性回归、随机森林、支持向量机、BP神经网络、GRU、LSTM）对电力系统负荷进行预测。通过一个简单的例子。 各种算法（线性回归、随机森林、支持向量机、BP 神经网络、GRU、LSTM）用于电力系统负载预测/电力预测。

Unity3d超写实自然森林蕨类植物花草树木石头岩石蘑菇场景 UNity 场景 资源 森林场景

任务：使用机器学习相关知识完成购房贷款违约预测，给定特征字段，输出是否会发生逾期的预测。 1.2 实验要求 1.2 题目背景 随着世界经济的蓬勃发展和中国改革开放的逐渐深入，无论是企业的发展还是从人们消费观念的转变，贷款已经成为企业和个人解决经济问题的一种重要方式。随着银行各种贷款业务的推出和人们日益膨胀的需求，不良贷款也就是贷款违约的概率也随之激增。为了避免贷款违约，银行等金融机构在发放贷款时会对借款人的信用风险进行评估或打分，预测贷款违约的概率并根据结果做出是否发放贷款的判断。如何在发放贷款前有效的评价和识别借款人潜在的违约风险，是金融机构信用风险管理的基础和重要环节，用一套科学的模型和系统来判定贷款违约的风险性可以将风险最小化和利润最大化。 1.2 数据集 数据集在../dataset 目录下，train.csv 为训练集数据，包含 120000 条数据，每条数据除去 id 和结果共有 50 个特征。test.csv 为预测集数据，包含 30000 条数据等待预测。 1.2 任务描述 本任务研究如何借助非平衡数据分类的思想对银行等金融机构的购房贷款数据进行分析，并基于随机森

MATLAB首先对语音进行不同的非线性自适应时频分析的去噪，然后提取MFCC、GFCC、LPCC等特征，最后通过随机森林，对音标进行分类注1：音频文件数据集；注2：一行代码自动添加文件和子文件到路径；

基于监测数据及机器学习算法的湖泊水质实时评价技术对当前湖泊水资源的管理、维护和保护具有重要意义。本文针对巢湖水质的类别评价，利用随机森林(Random Forest, RF)分类算法对该区域水质进行类别判定。与其他算法相比,随机森林算法有着精度高、可容忍噪声强等诸多优点。测试结果表明，当决策树的棵数ntree=300，分裂属性集中属性个数mtry=2时，在合肥湖滨监测断面水质分类准确率可达96.15%，在巢湖裕溪口监测断面水质分类准确率高达100%，该方法具有稳健性较高、实用性强、泛化性能好等特点, 能够有效进行水质评价。

datasketch：大数据看起来很小 datasketch提供给您概率性的数据结构，这些数据结构可以超快地处理和搜索大量数据，而几乎不会降低准确性。 该软件包包含以下数据草图： 数据草图 用法 估计Jaccard相似度和基数 估计加权Jaccard相似度 估计基数 估计基数 提供了以下数据草图索引以支持亚线性查询时间： 指数 对于数据草图 支持的查询类型 MinHash，加权MinHash 提卡阈值 MinHash，加权MinHash Jaccard Top-K 最小哈希 遏制阈值 datasketch必须与Python 2.7或更高版本以及NumPy 1.11或更高版本一起使用。 Scipy是可选的，但有了它，LSH初始化可以更快。 请注意， 和也支持Redis和Cassandra存储层（请参见 ）。 安装 要使用pip安装datasketch： pip insta

信用评估是商业银行等机构防范风险的重要途径，为了提高信用评估的准确率，使用随机森林（RF）来建立风险评估模型。针对随机森林模型的性能与参数的选择和数据集不平衡比例密切相关，提出了一种基于随机森林的组合分类算法（KM-GA-RF）。以UCI数据库中的German数据集进行研究，通过K-means算法对标签进行类分解。而对于哪个类分成的簇数（ki）以及随机森林算法自身的参数：树数（n_estimators）、特征数（max_features），使用改进的遗传算法对其进行优化选取。实验结果表明，基于随机森林的组合优化模型与传统RF以及其他算法进行比较，RF的预测精度高于支持向量机等算法，达到0.765，而提出的组合优化模型的预测精度为0.815，提高了5%。

歪斜 倾斜决策树和随机森林的 Clojure 实现。 用法 执照 版权所有 :copyright: 2015 FIXME 根据 Eclipse 公共许可证分发 1.0 版或（由您选择）任何更高版本。

利用pytorch实现图像分类的一个完整的代码，训练，预测，TTA，模型融合，模型部署，cnn提取特征，svm或者随机森林等进行分类，模型蒸馏，一个完整的代码。 实现功能： 基础功能利用pytorch实现图像分类 包含带有warmup的cosine学习率调整 warmup的step学习率优调整 多模型融合预测，加权与投票融合 利用flask + redis实现模型云端api部署（tag v1） c++ libtorch的模型部署 使用tta测试时增强进行预测（tag v1） 添加label smooth的pytorch实现（标签平滑）（tag v1） 添加使用cnn提取特征，并使用SVM，RF，MLP，KNN等分类器进行分类（tag v1）。 可视化特征层。 转载：https://github.com/lxztju/pytorch_classification

SPORF-稀疏投影倾斜随机森林（aka RerF，Rander Forest或Random Projection Forests）-是由开发的算法 类似于由开发的Random Forest-Random Combination（Forest-RC 。 两种算法之间的区别是随机线性组合的发生位置：Forest-RC在树级别组合特征，而RerF在节点级别组合特征。 配套 内存优化的RandomForest和RerF的C ++实现。 Python对packedForest的绑定。 RerF的R和C ++实现。