Tensorflow 实现论文"Spectral Normalization for Generative Adversarial Networks" (ICML 2017)

可用于机器学习课程的结课论文。 本文在对Lending Club数据集进行初步数据分析的基础上，通过选取4组不同的特征，采用同一种算法（逻辑回归，LR）进行分类预测，最终确定3个相对较优特征为：loan_amnt，annual_inc，term。随后本文针对“多源数据集”，采用神经网络、贝叶斯分类器和决策树三种算法对数据进行分类预测，最终综合三种算法的模型结果参数，确定决策树为三者最优。最后，本文仍选取Lending Club数据集作为研究对象，经预处理后，选取数据的55个特征，并将二分类问题变为三分类问题。之后，采用单一树类模型——决策树，以及集成树类模型——随机森林和极端随机树对数据进行分类预测，对比模型结果参数，得出结论：集成算法相比较于单一算法有更好的准确度和泛化能力，但是相应模型也会消耗更多计算机资源。

本资源为原创论文的word版。 可用于机器学习课程的结课论文。 本文在对Lending Club数据集进行初步数据分析的基础上，通过选取4组不同的特征，采用同一种算法（逻辑回归，LR）进行分类预测，最终确定3个相对较优特征为：loan_amnt，annual_inc，term。随后本文针对“多源数据集”，采用神经网络、贝叶斯分类器和决策树三种算法对数据进行分类预测，最终综合三种算法的模型结果参数，确定决策树为三者最优。最后，本文仍选取Lending Club数据集作为研究对象，经预处理后，选取数据的55个特征，并将二分类问题变为三分类问题。之后，采用单一树类模型——决策树，以及集成树类模型——随机森林和极端随机树对数据进行分类预测，对比模型结果参数，得出结论：集成算法相比较于单一算法有更好的准确度和泛化能力，但是相应模型也会消耗更多计算机资源。

目前，机器学习中的K近邻(KNN)分类算法和支持向量机(SVM)算法被认为是处理文本分类的最好方法。但KNN分类算法有以下的缺陷： KNN是基于近邻度量的一种模式分类算法，它高度依赖于数据间的相似度度量，简单的欧式距离在实际应用时，由于不考虑不同维度之间对分类的影响以及输入数据数据维数高的问题，往往不能取得良好的分类效果。 KNN 分类算法虽然可以一定情况下克服数据偏斜带来的分类误差，但是这也是造成它对样本密度分布敏感的主要原因，当类间密度高度分布不均时，分类效果会有较大的影响。

卷积神经网络 表情和性别分类 CNN for Emotion and Gender Classification

电力需求预测：机器学习模型预测Sunyani和Nationwide的未来电力需求

机器学习的经典案例就是鸢尾花进行分类，本资源包括了鸢尾花的四种数据和四类数据下所对应的鸢尾种类，数据分成训练学习模型所需要的数据和对训练模型评估所需要的数据，为方便对数据进行导入，表头也已经填好，导入软件不用更改表头。

基于RBF神经网络的回归分析的matab实现

机器学习之朴素贝叶斯分类+拉普拉斯平滑 资源内容：西瓜数据集3.0+朴素贝叶斯分类（python手写） 代码可直接运行 输入数据为DataFrame类型，比较好理解。

机器学习实战数据集def loadDataSet(): 3 dataMat = [] ; labelMat = [] 4 fr = open('testSet.txt') 5 for line in fr.readlines(): # 对文件的数据进行按行遍历 6 lineArr = line.strip().split() 7 dataMat.append([1.0, float(lineArr [0]), float(lineArr[1])]) 8 labelMat.append(int(lineArr[2])) # 数据的类别号列表丰富