心血管疾病使用决策树和随机森林分类器 决策树算法可用于预测心血管疾病并使用随机森林分类器和探索性数据分析来提高准确性
2023-02-08 15:13:46 778KB
1
Kaggle-SMS-Spam-Collection-Dataset-:使用NLTK和Scikit-learn分类为垃圾邮件或火腿邮件
1
ISO 17387:2008 specifies system requirements and test methods for Lane Change Decision Aid Systems (LCDAS). LCDAS are fundamentally intended to warn the driver of the subject vehicle against potential collisions with vehicles to the side and/or to the rear of the subject vehicle, and moving in the same direction as the subject vehicle during lane change manoeuvres. This standardization addresses LCDAS for use on forward moving cars, vans and straight trucks in highway situations.
2023-01-05 17:00:55 7.28MB LCDAS
1
这里是 ShowMeAI 持续分享的【开源eBook】系列!内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享(审核大大请放手) ◉ 简介:本书对不确定条件下的决策算法作了广泛的介绍,内容涵盖了与决策有关的各种主题,介绍了基本的数学问题公式和解决这些问题的算法。 ◉ 目录: 第一部分:概率推理 - 表征 - 推理 - 参数学习 - 结构学习 - 简单决策 第二部分:顺序问题 - 精确解法 - 近似值函数 - 在线规划 - 政策搜索 - 政策梯度估计 - 政策梯度优化 - 角色批判方法 - 政策验证 第三部分:模型的不确定性 - 探索和利用 - 基于模型的方法 - 无模型的方法 - 模仿学习 第四部分:状态的不确定性 - 信念 - 准确的信念状态规划 - 离线信念状态规划 - 在线信念状态规划 - 控制器抽象 第五部分:多Agent系统 - 多Agent推理 - 序列问题 - 状态的不确定性 - 协作代理
2022-12-31 14:24:18 6.93MB 人工智能 算法 机器学习 深度学习
1
在本文中,我们提出了一种深度强化学习方法,以评估虚拟创建的自动驾驶场景的性能。 马尔可夫决策过程用于将车辆状态映射到动作。 折扣和奖励功能也包含在决策策略中。 为了处理导致强化学习的标准不稳定的高维度输入,我们使用了经验重播。 为了进一步降低相关性,我们使用迭代更新来定期更新Q值。 基于随机目标函数的亚当优化器与整流线性单元激活函数一起用作神经网络中的优化器,有助于进一步优化过程。 这款自动驾驶汽车不需要任何带有标签的训练数据即可学习人类的驾驶行为。 受现实情况启发,基于动作的奖励功能用于训练车辆。 在我们的方法中已经证明,经过多次迭代,虚拟制造的车辆会产生无碰撞运动,并执行与人类相同的驾驶行为。
2022-12-09 15:58:08 558KB Reinforcement learning; Markov decision
1
Decision_Tree_ID3:使用ID3算法从训练数据集(CSV文件)创建决策树。
2022-11-28 16:27:34 8KB Java
1
可伸缩高效视频编码(SHVC)是高效视频编码(HEVC)的扩展。 由于用于HEVC的编码过程非常复杂,因此用于SHVC的编码过程甚至更加复杂,因此提高其编码速度非常重要。 在本文中,我们提出了一种用于质量SHVC帧内预测的快速模式和深度决策算法。 最初,仅检查部分模式以根据模式及其对应的Hadamard成本(HC)之间的关系确定局部最小点(LMP); 然后通过跳过基于它们的层间相关性和纹理特征指示的可能性很小的深度来仅检查部分深度。 实验结果表明,该算法平均可提高编码速度61.31%,编码效率损失可忽略不计。
2022-11-18 20:31:17 244KB SHVC; mode decision; depth
1
matlab导入excel代码决策树GUI 标题 具有交叉验证和ROC分析图的决策树和预测模型 概括 该代码为数据挖掘方法实现了一个分类树,并为每个目标类别绘制了ROC曲线。 描述 决策树学习是数据挖掘中常用的方法。 大多数商业软件包提供复杂的树分类算法,但是它们非常昂贵。 此Matlab代码使用实现GINI算法的“ classregtree”函数来确定每个节点的最佳分割。 该代码的主要功能名为Tree。 它使用第一行作为变量名(必要)直接从excel或csv文件导入数据。 第一列是结果组。 它必须是数字。 要在Matlab工作区中启动分类树类型,请执行以下操作:Tree('filename.xls')或Tree('filename.csv')(请注意,您的excel文件的第一行包含变量名,第一列中包含结果组) 。 它也可以直接从Matlab文件(扩展名为.mat)导入。 请使用以下3个变量创建文件:X(协变量值的矩阵),y(结果值),textdata(单元格结构包含结果和协变量的文本名称)。 如果您想要一个示例,请输入:[X,y,textdata] = ExcelImport('ex
2022-10-14 17:19:20 702KB 系统开源
1