k-means聚类算法及matlab代码安全聚类 SAFE（来自Ensemble的单细胞聚合聚类）：单细胞RNA-seq数据的聚类集成 尽管最近已经开发出几种方法来使用单细胞RNA-seq（scRNA-Seq）数据对细胞类型进行聚类，但它们利用了数据的不同特征，并且在聚类数量和实际聚类分配方面均产生了不同的结果。 在这里，我们介绍了SAFE聚类，单细胞聚合（来自Ensemble）聚类，这是一种灵活，准确且可靠的聚类scRNA-Seq数据的方法。 SAFE聚类将多种聚类方法的结果作为输入，以构建一个共识解决方案。 SAFE聚类目前嵌入了四种最先进的方法，即SC3，CIDR，Seurat和t-SNE + k -means。 并使用三种基于超图的分区算法将这四种方法的解决方案整合在一起。 SAFE聚类由Yuchen Yang []和Yun Yun []维护。 新闻与更新 2020年9月7日 2.00版已发布 SAFEclustering中使用的Seuart版本已更新为版本3。Seuratv.2不再兼容 SAFE聚类仅接受计数数据。 其他格式，例如FPKM，CPM和RPKM不再兼容 2018年

nmi指数matlab代码演示快速入门 运行 demo.m。 这可以在 30 个测试数据集上为以下两种聚类方法重现图 4A 中的结果。 ND-Ward-E(KT) ：2020年Pattern Recognition上发表的拟议聚类方法（标题：邱和李的“Enhancing In-Tree-based Clustering via Distance Ensemble and Kernelization”）； ND-K ：一种比较方法（Qiu 等人。“最近下降、树内和聚类”，arXiv：1412.5902v2，2014 年）。 注：a) ND-K 是 ND-Ward-E(KT) 的基础； b) 对于 ND.m，低版本 Matlab 中可能不存在函数“maxk”； 在这种情况下，可以使用 ND.m 中它后面的以下代码代替（我们在 ND.m 中突出显示了它）。 推荐方法介绍：ND-Ward-E(KT) 最近，我们提出了一种新的受物理启发的方法，称为最近下降（ND），它的作用是将所有样本组织成一个有效的图，称为 in-tree（图 1A）。 由于其有效的特性，这种 in-tree 证明非常适合数据

神经元学习是神经元网络更复杂学习的基础。 简历是用于加标神经元的最受欢迎的监督学习算法之一。 它对应于Widrow-Hoff规则，其权重调整是基于基于尖峰的Hebbian进程得出的。 尽管它取得了很大的成功，但是当所需的输出尖峰序列变长时，学习精度会Swift下降。 本文分析了与简历学习趋同有关的两个重要因素。 在此基础上，我们提出了两种方法来提高简历的有效性。 实验结果表明，两种改进算法均可以达到较好的性能。

更新（2021年2月1日） 注意力！ 该存储库将不再维护，请检查我们新的Deep Forest存储库，以提高效率。 详细信息在： 仓库： : 文档： : PyPI上的软件包： ://pypi.org/project/deep-forest/ 您可以通过pip安装较新版本的gcForest pip install deep-forest 此存储库中的旧版本（gcForest v1.1.1）仅用作该算法的说明。 gcForest v1.1.1来了！ 这是gcForest实施的官方克隆。（大学的Web服务器有时不稳定，因此我们将官方克隆放在github上） 软件包官方网站： : 该软件包按“原样”提供，免费供学术使用。 您可以自行承担运行风险。 出于其他目的，请联系教授（ ）。 说明：[1]中提出的gcForest的python 2.7实现。 gcFores

模型时间集合 使用Modeltime进行时间序列预测的集成算法 一个modeltime扩展，它实现了集成预测方法，包括模型平均，加权平均和堆栈。 安装 安装CRAN版本： install.packages( " modeltime.ensemble " ) 或者，安装开发版本： remotes :: install_github( " business-science/modeltime.ensemble " ) 入门 ：了解使用Modeltime进行预测的基础知识。 ：了解Modeltime集成模型的预测基础。 在几分钟内使您的第一支乐团 加载以下库。 library( tidymodels ) library( modeltime ) library( modeltime.ensemble ) library( tidyverse ) library( timetk ) 第

小样本利器1.半监督一致性正则 Temporal Ensemble & Mean Teacher代码实现.doc

加权盒融合 存储库包含Python方法的几种实现，这些方法用于组合对象检测模型中的框： 非最大抑制（NMS） 软网管 非最大加权（NMW） 加权框融合（WBF） -与其他方法相比，可以提供更好的结果的新方法 要求 Python 3。*，Numpy，Numba 安装 pip install ensemble-boxes 用法示例 预计将标准化的框的坐标，例如，范围为[0; 1]。 顺序：x1，y1，x2，y2。 下面的2种型号的盒装示例。 第一个模型预测5个盒子，第二个模型预测4个盒子。 每个盒子模型的置信度得分1：[0.9、0.8、0.2、0.4、0.7] 每个盒子模型2的置信度得分：[0.5、0.8、0.7、0.3] 每个包装盒型号1的标签（类）：[0，1，0，1，1] 每个盒子模型2的标签（类）：[1、1、1、0] 我们将第一个模型的权重设置为2，将第二个模型

Ensemble Learning Toolbox

self-paced ensemble learning

One Millisecond Face Alignment with an Ensemble of Regression Trees.pdf