针对传统税收预测模型精度较低的问题，提出一种将Adaboost算法和BP神经网络相结合进行税收预测的方法。该方法首先对历年税收数据进行预处理并初始化测试数据分布权值；然后初始化BP神经网络权值和阈值，并将BP神经网络作为弱预测器对税收数据进行反复训练和调整权值；最后使用Adaboost算法将得到的多个BP神经网络弱预测器组成新的强预测器并进行预测。通过对我国1990--2010年税收数据进行仿真实验，结果表明该方法相比传统BP网络预测，平均误差相对值从0.50％减少到0.18％，有效地降低了单个BP陷入局

用于pCR预测的乳腺癌患者CDIs图像集合，250多例数据 用于pCR预测的乳腺癌患者CDIs图像集合，250多例数据 用于pCR预测的乳腺癌患者CDIs图像集合，250多例数据

人口预测软件 让工作轻松愉快！！

高清版，应用预测建模，人工智能nlp方向必读书籍，BAT算法工程师极力推荐！

主要内容：以上是实现空气质量与天气预测的数据集 适合人群：深度学习初学者 大家可以看深度学习实战6的案例，利用卷积神经网络(pytorch版)实现空气质量的识别分类与预测。 我们知道雾霾天气是一种大气污染状态，PM2.5被认为是造成雾霾天气的“元凶”，PM2.5日均值越小，空气质量越好．

1.train_feature.csv 训练集特征数据，每个时刻1个数据，每天8个时刻，共17008条。 2. train_label.csv 训练集标签数据，每天1个数据，共2126个数据。 3.test_feature.csv 测试集特征数据，每个时刻1个数据，每天8个时刻，共7320条数据，

缺陷预测旨在通过从历史缺陷数据中学习来估计软件的可靠性。 缺陷预测方法根据从软件项目中提取的指标来识别软件模块是否容易出现缺陷。 这些度量值（也称为特征）可能涉及不相关和冗余，这将损害缺陷预测方法的性能。 现有工作采用特征选择来预处理缺陷数据以滤除无用的特征。 在本文中，我们提出了一种新颖的特征选择框架MICHAC，它是通过层次聚类聚类通过最大信息系数进行缺陷预测的简称。 MICHAC分为两个主要阶段。 首先，MICHAC利用最大信息系数对候选特征进行排序，以过滤掉不相关的特征；其次，MICHAC通过分层聚集聚类对特征进行分组，并从每个结果组中选择一个特征以去除冗余特征。 我们使用三个具有四个性能指标（精度，召回率，F量度和AUC）的不同分类器，对11个被广泛研究的NASA项目和四个开源AEEEM项目评估了我们提出的方法。 与五种现有方法的比较表明，MICHAC可有效选择缺陷预测中的特征。

小波神经网络预测代码，包括43个·案例分析与解答

使用随机森林、SVM、线性回归等常用机器学习模型预测肺癌患病数据集的存活时长。 随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定。 支持向量机（Support Vector Machine, SVM）是一类按监督学习（supervised learning）方式对数据进行二元分类的广义线性分类器（generalized linear classifier），其决策边界是对学习样本求解的最大边距超平面。

在订单式生产的中小制造企业中,订单的完成过程受诸多不确定因素的影响。考虑影响完工期的确定因素及随机因素,如生产时间、插单的等待时间、机械故障等待时间、误工时间、损耗率及返工率等,根据数据统计分析假定各因素服从一定的随机分布,建立了完工期区间预测模型,通过多次仿真得到了完工期区间范围。以相关原则为依据,通过比较预测完工期及客户要求交货期,做出承诺交货期及价格决策。最后进行灵敏度分析,通过仿真得到完工期均值与各随机变量对应参数的变化关系,在此基础上提出了控制完工期影响因素的措施。