基于支持向量机递归特征消除(SVM_RFE)的分类特征选择算法，matlab代码，输出为选择的特征序号。 多特征输入单输出的二分类及多分类模型。程序内注释详细，直接替换数据就可以用。 程序语言为matlab，程序可出分类效果图，迭代优化图，混淆矩阵图。

【视频演示】 bilibili.com/video/BV1Se411v7oy/ 【博客地址】 blog.csdn.net/FL1623863129/article/details/135359963 【测试环境】 vs2019 net framework4.7.2 opencvsharp4.8.0

基于深度学习的分类 python代码-基于深度学习的英文文本分类研究 python代码-基于深度学习的英文文本分类研究 python代码-基于深度学习的英文文本分类研究

服装识别论文

内容 1）自选文本分类数据集； 2）测试单向、双向TextRNN深度网络算法分类精度； 3）编写、运行程序并查看结果； 4）调节单向、双向TextRNN算法相关参数，分析其对模型效果的影响

基于weka的数据分类和聚类分析实验报告.doc

OpenCV级联分类器识别车辆实践笔记中所涉及到的资源

CUB_200_2011-ViT鸟类分类-高质量精讲

内容概要：该资源介绍了使用机器学习方法对毒蘑菇进行分类的实现。主要包含了逻辑回归、高斯朴素贝叶斯、支持向量机、随机森林、决策树和人工神经网络等六种监督学习模型的应用。 适用人群：对机器学习和分类算法感兴趣的学习者、数据科学家、机器学习工程师等。 使用场景及目标：本资源可用于学习如何使用不同的监督学习模型对毒蘑菇进行分类，帮助用户理解各种模型的原理和应用场景，并能够根据实际需求选择合适的模型进行分类任务。 其他说明：资源中提供了详细的代码示例和实验结果，以及对比不同模型在毒蘑菇分类任务上的性能评估，帮助用户深入理解各个模型的优缺点和适用范围。

数据集中约包含2000+张水果图像，一共有五类水果已经分好类存在不同水果名的文件夹下，五类水果分别为apple、banana、grape、orange、pear。 为了确保数据集的多样性和代表性，我们从多个来源收集了水果图像，并对其进行了 筛选和整理。在构建数据集的过程中，我们特别注意确保每个类别的样本数量均衡， 以避免数据不平衡对模型训练和测试结果的影响。此外，为了验证模型的泛化能力，我们 特意准备了另一个独立的测试数据集 Testreal，以更全面地评估模型在未知数据上的表 现。 在图像的选择和整理过程中，我们力求保证图像的质量和多样性，以确保模型能够对 不同种类和不同外观的水果进行准确识别。我们相信这样的数据集构建能够为研究的实 验结果提供可靠的基础，同时也为相关研究提供了具有挑战性和实用性的数据资源