基于KNN实现使用脑电波预测眼睛睁闭项目源码+数据+超详细注释 任务:根据获取的脑电波的数据,预测人的眼睛是睁开的开始闭上的 内容包含: 1.做数据基本预览时发现数据有部分异常值存在 2.对数据异常值进行处理,当数据值超过三倍标准差时,作为异常值删除掉 3.使用K折交叉重构数据,以便对数据进行重复验证,令K=10,将数据分成10组 4.用KNN模型对数据进行预测,model = KNeighborsClassifier(n_neighbors=3)表示设置KNN的参数K=3 5.本文后续讨论了对于有时间序列特点的数据使用KNN可能具有的缺陷,对打乱顺和正常顺序的数据进行预测结果是有较大差异的,因为KNN是找到最相似的数据聚类,但对于具有时间序列特征的数据,在高频取数的数据集中,连续时间上相邻的数据一定是最为相似的。
基于单变量+多变量逻辑回归实现根据环境因素预测房间入住率_项目源码+数据+超详细代码注释 任务:通过"Temperature","Humidity","Light","CO2","HumidityRatio"等环境数据预测房间是否在使用 内容包含: 1.用多变量进行逻辑回归预测 2.用单变量进行逻辑回归预测
1.数据预览 2.预览一下数据的自相关图 3.预览残差图和残差的密度分布图 4.滑动窗口预测ARIMA模型
2022-12-02 14:29:44 3KB ARIMA 时间序列预测 单变量
1.SARIMA模型的网格搜索超参数优化 基本一样 指数平滑预测方法,预测是过去观察值的加权,模型对过去观察值使用指数递减权重 所谓三重指数平滑在股票中指对数据重复进行三次平滑处理,从而减小数据波动。对应的指标叫TRIX 在时间序列预测中,三次指数平滑算法指可以对同时含有趋势和季节性的时间序列进行预测,该算法是基于一次指数平滑和二次指数平滑算法的 程序只修改了使用的预测模型部分, 从SARIMA模型改成了ExponentialSmoothing模型 同时修改了模型使用的参数,别的逻辑基本相同 内容: 1.网格搜索框架 2.无趋势和季节性研究 3.趋势性研究 4.季节性研究 5.趋势和季节性研究
基于MLP(多层感知机)的时间序列预测python源码+超详细注释 内容包含: 01.(多步+单变量输入)_(单步+单变量输出)_监督学习数据 02.(多步+单变量输入)_(单步+单变量输出)_MLP模型 03.(多步+多变量输入)_(单步+单变量输出)_监督学习数据 04.(多步+多变量输入)_(单步+单变量输出)_MLP模型 05.(多步+多变量输入)_(单步+多变量输出)_监督学习数据 06.(多步+多变量输入)_(单步+多变量输出)_MLP模型 07.多路输入_(多步+多变量输入)_(单步+单变量输出)_MLP模型 08.多路输出_(多步+多变量输入)_(单步+多变量输出)_MLP模型 09.(多步+单变量输入)_(多步+单变量输出)_监督学习数据 10.(多步+单变量输入)_(多步+单变量输出)_MLP模型 11.(多步+多变量输入)_(多步+单变量输出)_监督学习数据 12.(多步+多变量输入)_(多步+单变量输出)_MLP模型 13.(多步+多变量输入)_(多步+多变量输出)_监督学习数据 14.(多步+多变量输入)
2022-12-02 14:29:41 16KB MLP 多层感知机 监督学习数据 MLP模型
基于CNN(卷积神经网络)的时间序列预测python源码+超详细注释 以CNN网络模型为示例,介绍了各种不同数据类型的网络结构 重点包含: 1.如何构造输入输出数据的形状 2.如何配置合适的网络参数来接受这些输入输出训练数据 本教程的目的是提供不同类型的时间序列预测模型的独立示例,作为模板,您可以针对特定的时间序列预测问题进行复制和调整
2022-12-02 14:29:40 18KB CNN 时间序列预测
基于LSTM(长短期记忆人工神经网络)_CNN+LSTM_堆叠式LSTM的时间序列预测python源码+超详细注释 以LSTM网络模型为示例,介绍了各种不同数据类型的网络结构 重点包含: 1.如何构造输入输出数据的形状 2.如何配置合适的网络参数来接受这些输入输出训练数据 本教程的目的是提供不同类型的时间序列预测模型的独立示例,作为模板,您可以针对特定的时间序列预测问题进行复制和调整
人类活动识别(多变量分类)_根据智能手机数据对人类活动进行建模_python实现源码+数据+超详细注释 以LSTM网络模型为示例,介绍了各种不同数据类型的网络结构 重点包含: 1.如何构造输入输出数据的形状 2.如何配置合适的网络参数来接受这些输入输出训练数据 本教程的目的是提供不同类型的时间序列预测模型的独立示例,作为模板,您可以针对特定的时间序列预测问题进行复制和调整
2022-12-02 14:29:38 57.71MB LSTM 时间序列预测 python源码 数据
基于四种决策树实现预测大气污染日的概率模型项目源码+数据+超详细注释 任务:根据环境数据,预测当天是不是大气污染日 内容包含: 1.本程序使用了四种模型进行预测,并对四种模型预测效果进行评估测试,分别是: 袋装决策树(BaggingClassifier) 额外决策树(ExtraTreesClassifier) 随机梯度提升(GradientBoostingClassifier) 随机森林(RandomForestClassifier) 2.本程序通过对例4中的梯度提升模型调整参数,来提高预测的准确率。分别调整了深度,学习率,采样集,和树数,通过brier skill score值来评价结果
学习笔记之Oracle教程(免费).pdf--超详细 sql 数据库 java
2022-12-01 01:46:34 2.92MB oracle 教程 sql 数据库
1