ICRA2020-JLU-TARS_GO-决定 吉林大学吉甲大师团队-AI挑战赛决策部分开源代码

倾斜决策树的合奏 作者：Torsha Majumder 电子邮件： 背景 该存储库包含几种与Scikit-Learn的Bagging分类器兼容的决策树算法。 有关完整的实验设置和结果，请检查。 如果您认为此代码有用，请引用我的工作。 引文 Majumder，T.（2020年）。 倾斜决策树的合奏[德克萨斯大学达拉斯分校的硕士学位论文]。 UTD论文和学位论文。 实验 本实验考虑的决策树： * Standard Decision Tree with Bagging * Oblique Classifier 1 with Bagging * Weighted Oblique Decision Tree with Bagging * Randomized CART with Bagging * HouseHolder CART with Bagging * Continuous Optimi

菜菜完整机器学习教程，内含code和从参数说明，以及参考书目的目录等 01 决策树课件数据源码 02随机森林 03数据预处理和特征工程 04主成分分析PCA与奇异值分解SVD 05逻辑回归与评分卡 06聚类算法Kmeans 07支持向量机上 08支持向量机下等

id3 matlab代码多使用从头开始的决策树进行分类 介绍 利用决策树基于ID3算法对字母识别数据进行分类，得到混淆矩阵。 第一部分 该树是根据信息增益（IG）准则进行训练的。 第二部分 该树是根据基尼系数准则进行训练的。 第三方 拥有最大IG的两个属性被交换并训练了树。 第四部分 使用随机森林，将属性聚类为K折，并训练K树，并找到最准确的K。 通过两种方法实现，一种使用单元格（消耗内存），另一种使用嵌套查询。 代码中的详细信息！ 数据集 数据集是一个Mat文件，可以使用MATLAB中的loadmat命令轻松读取。 它包括4000个测试和16000个训练的手写黑白字母，共26个班级。 每个实例具有16个特征，例如不同像素的数量，黑色像素的均值和方差以不同的方式等等。 该存储库中文件的描述 code/initial_tree.m ：执行此文件以训练基于IG的决策树。 code/initial_tree_GINI.m ：执行此文件以基于Gini索引训练决策树。 code/tree_changed_atts.m ：第三部分 code/random_forest.m ：包含第4部分。

@ vapurrmaid / markov-链 一个轻量级的TS库，用于使用马尔可夫链和概率矩阵进行计算。 安装 # yarn yarn add @vapurrmaid/markov-chain # npm npm install --save @vapurrmaid/markov-chain 模组 马尔可夫链 表示有限的离散时间。 该模块的功能是： 概率状态转换 状态可用于动态更新概率 报告当前状态是否为终端 终端状态将始终转换回自身 MarkovChain导入 import { MarkovChain } from '@vapurrmaid/markov-chain' MarkovChain构造函数 必须提供N x N个概率数组作为number[][] 必须提供大小为N的T[]的值数组 （可选）在[0, N)提供initialState 如果未提供任何参数，则默认的initial

Decision Making Under Uncertainty Theory and Application. 2015 By Mykel J. Kochenderfer With Christopher Amato, Girish Chowdhary, Jonathan P. How, Hayley J. Davison Reynolds, Jason R. Thornton, Pedro A. Torres-Carrasquillo, N. Kemal Üre and John Vian Overview Many important problems involve decision making under uncertainty—that is, choosing actions based on often imperfect observations, with unknown outcomes. Designers of automated decision support systems must take into account the various sources of uncertainty while balancing the multiple objectives of the system. This book provides an introduction to the challenges of decision making under uncertainty from a computational perspective. It presents both the theory behind decision making models and algorithms and a collection of example applications that range from speech recognition to aircraft collision avoidance. Focusing on two methods for designing decision agents, planning and reinforcement learning, the book covers probabilistic models, introducing Bayesian networks as a graphical model that captures probabilistic relationships between variables; utility theory as a framework for understanding optimal decision making under uncertainty; Markov decision processes as a method for modeling sequential problems; model uncertainty; state uncertainty; and cooperative decision making involving multiple interacting agents. A series of applications shows how the theoretical concepts can be applied to systems for attribute-based person search, speech applications, collision avoidance, and unmanned aircraft persistent surveillance. Decision Making Under Uncertainty unifies research from different communities using consistent notation, and is accessible to students and researchers across engineering disciplines who have some prior exposure to probability theory and calculus. It can be used as a text for advanced undergraduate and graduate students in fields including computer science, aerospace and electrical enginee

AHP网络层次分析代码及资料，以及super decision的详细讲解

ML-ATIC 在 API的帮助下，基于机器学习方法的异常流量识别分类器。 这是我的本科毕业设计代码。 而且代码中会有很多错误。 无论如何，在训练模型和评估中可能有一些不合适的方法。 欢迎您发现它。 有任何疑问，请给我发电子邮件！ 要求 Java SE 7 Maylib中的Jars 来自KDDCUP99的数据，我使用受计算资源限制的10％版本。 安装 将TrainAndTest.zip和Model.zip解压缩到数据文件中。 通过添加原始数据的头对Train.arff和Test.arff进行了预处理。 如果有兴趣，您可以打开它，然后进行探索。 Java文件中有一些字符编码问题，它们是UTF-8和GB18030。 并可能在注释中导致一些错误。 文件模型包含一些训练有素的模型，可以直接使用。 您还可以通过运行BuildTree.java，TestBP.java和TestLibs

决策树又称为判定树,是运用于分类的一种树结构,其中的每个内部节点代表对某一属性的一次测试,每条边代表一个测试结果,叶节点代表某个类或类的分布

该软件已在波士顿大学认知和神经系统系技术实验室实现 - http://techlab.bu.edu 。 该软件的主要作者是 Praveen Pilly ( http://techlab.bu.edu/members/advait/ )。 大脑如何做出知觉决定？ 关于运动方向的扫视决定的速度和准确性取决于运动刺激中固有的模糊性，并与猕猴顶叶和额叶皮层神经元放电率的时间动态相关。 MOtion DEcision (MODE) 模型结合了视网膜/外侧膝状核、初级视觉皮层、中颞区、内侧颞区和外侧顶内区内部和之间的相互作用，由基底神经节门控，以提供对运动的功能和机械理解基于实验运动刺激的决策行为。 该模型展示了中颞区和内侧上颞区的运动捕捉电路如何逐渐解决信息Kong径问题，同时与侧顶内区的嘈杂循环竞争场相互作用，其自我归一化选择特性实时做出概率方向决策。 定量模型模拟包括在固定持续时间和Reac