算法选的课设，含变量的表达式求值，通过对课本上的算法进行改良，优化，里面有完整的代码和课设报告，仅供参考

Java基础学习，第二章

KEPSERVER采集Intouch变量以OPC UA服务器方式发布，真正全图文描述，实际应用配置好后的截图，最具实际应用价值

用于变量选择的自举软收缩 (BOSS) 方法

自变量中有定性变量的回归 例1(highschoo.sav)的数据中,还有一个自变量是定性变量“收入”,以虚拟变量或哑元(dummy variable)的方式出现;这里收入的“低”,“中”,“高”，用1,2,3来代表.所以,如果要用这种哑元进行前面回归就没有道理了. 以例1数据为例,可以用下面的模型来描述:

LINGO-WINDOWS-64x86-变量无限制版

糖尿病预测：使用Cima决策树算法和K-最近模型，根据患者的实验室测试结果变量（例如葡萄糖，血压等​​），使用Pima Indians糖尿病数据集来预测患者是否患有糖尿病。 Python-Scikit学习，SciPy，熊猫，MatPlotLib

今天小编就为大家分享一篇python实现连续变量最优分箱详解--CART算法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

霍特林 地位 关于 Hotelling 实施了一个和两个样本 Hotelling T^2（T 平方）测试。 它还实现了 Hotelling Control Charts (Multivariate) 和多个 Univariate Control Charts 自由软件：MIT 许可证 文档： : 。 tests/data额外tests/data 特征 统计模块涵盖hotelling t^2（t平方）统计、f值和p值 覆盖单变量控制图和霍特林控制图的绘图模块 使用可选的dask （和distributed ）模块，可以有效地处理大型数据集 使用可选的plotly模块，提供交互式图表： 为了使其正常工作，您必须安装plotly 0.5 或更高版本。 这可以从 pypi 或通过 conda 的 plotly 通道获得： conda install plotly -c plotly 学分

之字形回旋镖 概述 马尔可夫链蒙特卡罗（MCMC）方法用于从概率分布中进行采样，例如贝叶斯模型中的后验分布。 在ZigZagBoomerang.jl中实现的分段确定性蒙特卡洛（PDMC）方法具有相同的目标，不同的是，此处的分布是通过粒子的连续运动而不是一次移动一个点来进行探索的。 在此，粒子在随机时间改变方向，并在确定性轨迹上移动（例如，沿着恒定速度的直线，请参见图片） 校准随机方向的变化，以使粒子的轨迹采样正确的分布； 从轨迹可以估算出感兴趣的量，例如后均值和标准差。 是否改变方向的决定仅需要评估偏导数，该偏导数依赖于很少的坐标-坐标在马尔可夫毯子中的邻域。 这样就可以使用Julia的多线程并行性（或其他形式的并行计算）来利用多个处理器内核。 约里斯·比尔肯（Joris Bierken）的“以及我们关于话语是ZigZagBoomerang.jl所涵盖方法的理论和应用的良好起点。