可用于分类器训练的草莓图片，数量1000+，手机拍摄

心电图分类 该代码包含一种基于多个支持向量机（SVM）的自动分类心电图（ECG）方法的实现。 该方法依赖于随后的搏动及其形态之间的时间间隔来进行ECG表征。 使用基于小波，局部二进制模式（LBP），高阶统计量（HOS）和几个幅度值的不同描述符。 有关详细说明，请参见以下文章： : 如果您在出版物中使用此代码，请引用为： @article{MONDEJARGUERRA201941, author = {Mond{\'{e}}jar-Guerra, V and Novo, J and Rouco, J and Penedo, M G and Ortega, M}, doi = {https://doi.org/10.1016/j.bspc.2018.08.007}, issn = {1746-8094}, journal = {Biomedical Signal Processing and Control}, pages = {41--48}, title = {{Heartbeat classification fusing temporal and morphologica

Stroke_Prediction_6ML_models 该项目使用六个机器学习模型（XGBoost，随机森林分类器，支持向量机，逻辑回归，单决策树分类器和TabNet）进行笔画预测。 为此，我使用了Kaggle的“ healthcare-dataset-stroke-data”。 为了确定哪种模型最适合进行笔画预测，我绘制了每种模型的曲线下面积（AUC）。 AUC越高，模型越好

§1 引言 §2 Bayes决策理论 最小错误率的贝叶斯决策 最小风险的贝叶斯决策 §3 Bayes分类器和判别函数 §4 正态分布的Bayes决策

神经网络分类器实验.docx

1.拍四张不同方位的标准照片，falg 0 1 2 3。 2.选择了多层感知机分类器。 4.图片预处理（crop，sobel、emphasize），选取合适点的特征表征（这步比较关键，特征的选取根据图片来分析，分类结果好坏取决决于此） 5.四张照片训练模型得到模型句柄信息。 6.读取模型，映射分类。`

对iris数据集进行分类，基于lssvm,用matlab编写，里面有代码运行图，可以直接运行。里面还有lsssvm工具箱函数，不用另下lssvm工具箱。打开iris.m就可以直接运行。

身高、体重两特征，在单特征身高、单特征体重、双特征不相关、双特征相关四种情况下，基于最小错误率和最小风险，共计24个分类器。

利用贝叶斯分类规则进行分类，开发语言是C#。 对于刚接触贝叶斯知识的同学比较有用。

《Python机器学习》第3章复习思维导图