使用LSTM-ARIMA模型进行混合预测，ARIMA做线性部分的预测，LSTM做非线性部分

MATLAB开发的LSTM深度学习网络来预测时间序列的工具箱-支持单时间序列和多元时间序列的预测

逻辑回归matlab代码预测PRNG 使用机器学习技术预测伪随机数生成器 要运行一个学习者的单个实例，请使用exampleKNN.m脚本（例如，运行KNN）。 要重新运行实验，请运行deployConfig.m。 我们总共实施了五名学习者： 随机抽样-按比例随机抽取训练集中标签的比例 随机森林-传统的随机森林算法，以固定深度生长自举树-预测由树预测的标签的模式 KNN（k最近邻）-从训练集中预测k最近邻标签的模式 朴素贝叶斯-假设给定标签的每个特征在条件上均独立于所有其他特征-通过在训练集中计数来学习概率，并根据未归一化的贝叶斯规则预测具有最高概率的标签 Logistic回归-传统的logistic回归分类器使用Barzilai Borwein方程对更新进行了梯度下降训练-预测每个输出最可能的标签 我们还实现或硬编码了几个伪随机数生成器（PRNG）。 除非另有说明，否则每一项我们都支持k = 2、3和5个标签的值。 Mercenne Twister-我们在Matlab内置的Mercenne Twister算法的默认实现中包装了一个函数。 线性同余生成器-我们已使用Borland C /

网球造型 网球建模资料库，用于我的硕士论文。 特别感谢Stratagem公司（ ）。 Stratagem的网球建模项目启发了该项目。 此项目中使用的某些功能是从其存储库中复制的。 在使用Stratagem代码的文件中，您可以在页面顶部找到“（c）Stratagem”。

主成分分析PCA降维，BP神经网络回归预测。PCA-BP回归预测模型。 多元回归预测 | Matlab主成分分析PCA降维，BP神经网络回归预测。PCA-BP回归预测模型 评价指标包括:MAE、RMSE和R2等，代码质量极高，方便学习和替换数据。要求2018版本及以上。 多元回归预测 | Matlab主成分分析PCA降维，BP神经网络回归预测。PCA-BP回归预测模型

温度预测 python 确保你的Python环境中有正确安装了scikit-learn库后，即可成功导入LinearRegression模块，并进行温度预测。 安装scikit-learn库： 打开终端或命令提示符，运行 pip install scikit-learn 如果使用的是Anaconda环境，可以使用conda来安装scikit-learn。在终端或命令提示符中运行 conda install scikit-learn。

基于自然语言处理的法律判决预测系统的设计与实现_刘欢.caj

粒子群算法(PSO)优化极限梯度提升树XGBoost时间序列预测，PSO-XGBoost时间序列预测模型，单列数据输入模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

内容概要：通过数据集电力变压器油温数据详细的介绍双向LSTM，以及其机制，运行原理，以及如何横向搭配单向的LSTM进行回归问题的解决。 所需数据：在本次的模型所需的数据是电力变压器油温数据，由国家电网提供，该数据集是来自中国同一个省的两个不同县的变压器数据，时间跨度为2年，原始数据每分钟记录一次（用 m 标记），每个数据集包含2年 * 365天 * 24小时 * 60分钟 = 1,051,200数据点。 每个数据点均包含8维特征，包括数据点记录日期，预测目标值OT(oil temperature)和6个不同类型功率负载特征。 适合人群：时间序列和深度学习初学者本文的模型比较简单，易于理解。 阅读建议：可以大致阅读以下，本文件只是一个简单实现版本，并不复杂。 能学到什么：能够从本文件当中读懂深度学习的代码实现过程，对于时间序列有一个简单的了解， (PS:如果你使用你自己的数据进行预测需要将时间列和官方数据集保持一致，因为在数据处理部分我添加了一部分特征工程操作，提取了一些时间信息,因为LSTM不支持时间格式的数据输入,需要转化为数字) 如果大家不懂的地方可以看我的文章部分有详细的讲解。

粒子群算法(PSO)优化xgboost的分类预测，多输入单输出模型。PSO-xgboost分类预测模型。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。