链路概率模型 (LPM) 可用作指数随机图模型 (ERGM) 的替代方法来模拟网络数据。 LPM 根据基于历史频率的链接概率来表征网络。 在本文中，LPM 与 ERGM 进行了比较和对比。 通过将这两种方法应用于四个纵向数据集来检查这两种方法的相对效用。 描述了这两种方法在数据需求、可扩展性和假设方面的相对优势和劣势。

对数正态随机变量 创建一个用对数绘制填充的或数组。 安装 $ npm install distributions-lognormal-random 要在浏览器中使用，请使用 。 用法 var random = require ( 'distributions-lognormal-random' ) ; random（[dims] [，opts]） 创建一个用对数绘制填充的或 。 dims参数可以是指定length的正integer也可以是指定尺寸的正integers array 。 如果未提供dims参数，则该函数从对数返回一个随机抽奖。 var out ; // Set seed random . seed = 2 ; out = random ( 5 ) ; // returns [ ~0.435, ~2.085, ~0.239, ~1.059, ~0.878 ] out =

| | 什么是新的？ ThunderGBM获得了IEEE计算机协会出版委员会颁发的IEEE并行和分布式系统事务奖（2019年最佳论文奖）（在987篇论文中，有1篇是因为“ Zeyi Wen ^，Jiahuaai Shi *，Bingsheng He，Jian Chen，Kotagiri Ramamohanarao和李勤彬*，“为高效梯度提升决策树训练开发GPU”，IEEE并行和分布式系统交易，第30卷，第12期，2019年，第2706-2717页。”）。 查看更多详细信息： ， 总览 ThunderGBM的任务是帮助用户轻松有效地应用GBDT和随机森林来解决问题。 ThunderGBM利用G

检测帕金森病 帕金森氏病与运动障碍症状有关，例如震颤，僵硬，运动迟缓和姿势不稳。 运动迟缓和僵硬的表现通常在疾病的早期。 这些对患者的笔迹和素描能力有显着影响，显微照相术已被用于帕金森氏病的早期诊断。 虽然人的笔迹受许多因素（例如语言熟练程度和教育程度）的影响，但发现绘制形状（例如螺旋形）是一种非侵入性且独立的措施。 怎么跑 python detect_parkinsons.py --dataset dataset/spiral python detect_parkinsons.py --dataset dataset/wave

数据集名称：成人自闭症谱系筛查数据 摘要：自闭症谱系障碍（ASD）是一种与显着的医疗费用有关的神经发育疾病，早期诊断可以显着减少这些疾病。 不幸的是，等待ASD诊断的时间很长，而且程序的成本效益也不高。 自闭症的经济影响和全世界ASD病例数量的增加表明，迫切需要开发易于实施和有效的筛查方法。 因此，迫切需要进行时间高效且可访问的ASD筛查，以帮助卫生专业人员并告知个人是否应进行正式的临床诊断。 全球ASD病例数的快速增长需要与行为特征相关的数据集。 但是，这样的数据集很少，因此很难进行全面的分析以提高ASD筛选过程的效率，敏感性，特异性和预测准确性。 目前，与临床或筛查有关的自闭症数据集非常有限，并且大多数都是自然遗传的。 因此，我们提出了一个与成人自闭症筛查有关的新数据集，其中包含20个特征，可用于进一步分析，特别是在确定有影响力的自闭症特征和改善ASD病例分类方面。 在此数据集中，我们

RBF 神经网络（激活函数的中心和分布随机选择） 参数（K：内核数） RBFNN 有 5 个优化参数： 1- 隐藏层和输出层之间的权重。 2- 激活函数。 3- 激活函数的中心。 4- 激活函数的分布。 5- 隐藏神经元的数量。 隐藏层和输出层之间的权重使用 Moore-Penrose 广义伪逆计算。 该算法克服了传统梯度算法中的许多问题，如停止标准、学习率、时期数和局部最小值。 由于其较短的训练时间和泛化能力，适合实时应用。 选择的径向基函数通常是用于模式识别应用的高斯核。 通常激活函数的中心和分布应该具有与数据相似的特征。 这里，高斯分布的中心和宽度是随机选择的。 基于通用逼近理论中心和激活函数的分布是不确定的，如果隐藏神经元数量足够多，可以说具有足够数量隐藏神经元的单隐藏层前馈网络可以将任何函数逼近任意级别的准确性。

BMI健康状况预测 数据可视化和机器学习来预测健康状况（BMI：体重指数） 随机森林分类 该数据集取自 。 描述 性别：男/女 高度：数（厘米） 重量：数量（千克） 索引：0-极度弱1-极度2-正常3-超重4-肥胖5-极度肥胖 kaggle笔记本内核可在找到。

本文描述了最新的回归技术随机森林分位数回归森林（QRF）的新扩展，以应用于具有数千个特征的高维数据。 我们提出了一种新的子空间采样方法，该方法从两个单独的特征集中随机抽取一个特征子集，一个特征集包含重要特征，另一个特征集包含次要特征。 这两个功能部件集基于功能部件的重要性度量对输入数据进行分区。 通过使用特征置换产生分区原始重要性特征评分首先进行，然后应用p值评估将重要特征与次要特征分开。 新的子空间采样方法能够从袋装样本数据生成树，而回归误差较小。 对于点回归，我们从两个分位数Q0：05和Q0：95之间的范围中选择Y的预测值，而不是回归随机森林中使用的条件均值。我们的实验结果表明，具有这些扩展的随机森林要优于回归随机森林和分位数回归森林减少均方根残差。

Algorithm-random-sampling.zip,Java 8中用于水库随机抽样问题的算法集合,算法是为计算机程序高效、彻底地完成任务而创建的一组详细的准则。

The aim of this book is to provide the reader with a fairly thorough treatment of the main body of basic and classical probability theory, preceded by an introduction to the mathematics which is necessary for a solid treatment of the material.