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

机器学习工程师纳米学位 顶石项目 项目：预测库存移动方向 安装 此项目需要Python 3.6和已安装的以下Python库： 您还需要安装软件才能运行和执行 我们建议安装 ，这是一个预包装的Python发行版，其中包含该项目的大多数必需库和软件。 代码 该代码在Notebooks文件夹中提供。 由于大小限制，不包括CSV文件和Clfs文件夹（经过训练的分类器池）。 跑步 在终端或命令窗口中，导航到顶层项目目录Notebooks/ （包含此自述文件）并运行以下命令之一： ipython notebook {name of notebook file}.ipynb 或者 jupyter notebook {name of notebook file}.ipynb 这将在浏览器中打开iPython Notebook软件和项目文件。 数据 该数据集由Github上某个帖子的1分钟库存数据

DESlib DESlib是一个易于使用的集合学习库，致力于实现动态分类器和集合选择的最新技术。 该库基于 ，并使用相同的方法签名： fit ， predict ， predict_proba和score 。 所有动态选择技术都是根据的定义实施的。 动态选择： 动态选择（DS）是指根据要分类的每个新样本在测试时动态选择基本分类器的技术。 仅选择最胜任的分类器或最胜任的分类器来预测特定测试样品的标签。 这些技术的基本原理是，不是池中的每个分类器都是对所有未知样本进行分类的专家，而是每个基本分类器都是在特征空间的不同局部区域中的专家。 DS是最有前途的MCS方法（多重分类器系统）之一，原因是越来越多的实证研究表明其性能优于静态组合方法。 这样的技术已经实现了更好的分类性能，尤其是在处理小型且不平衡的数据集时。 安装： 可以使用pip安装该软件包： 稳定版： pip install

深脑节 此回购利用2-D和3-D全卷积神经网络（CNN）的集成，从多模态磁共振图像（MRI）分割脑肿瘤及其成分。 分段网络中使用的密集连接模式可以有效地重用较少数量的网络参数来使用功能。 在BraTS验证数据上，分割网络获得的完整肿瘤，肿瘤核心和活动肿瘤骰子分别为0.89、0.76、0.76。 特征 脑肿瘤分割 脑面罩生成SkullStripping（当前使用HD-BET和ANTs） 放射性特征 核心地位 dcm和nifty支持（将dcm转换为nifty并起作用） 基于UI的推理框架 微调 强化 逐渐解冻 自定义netwrok培训框架 全脑分割 安装 基于PyPi的安装： 所需的Python版本：3.5 安装： pip install DeepBrainSeg 或者 git clone https://github.com/koriavinash1/DeepB

集成学习则是机器学习的首要热门方向[1]。集成学习是使用一系列学习器进行学习，并使用某种规则把各个学习结果进行整合从而获得比单个学习器更好的学习效果的一种机器学习方法．

集成学习是通过集成多个基分类器共同决策的机器学习技术,通过不同的样本集训练有差异的基分类器,得到的集成分类器可以有效地提高学习效果。在基分类器的训练过程中,可以通过代价敏感技术和数据采样实现不平衡数据的处理。由于集成学习在不平衡数据分类的优势,针对不平衡数据的集成分类算法得到广泛研究。详细分析了不平衡数据集成分类算法的研究现状,比较了现有算法的差异和各自存在的优点及问题,提出和分析了有待进一步研究的问题。

Python的DeepSuperLearner（2018） 这是机器学习的DeepSuperLearner算法（一种用于分类问题的深度集成方法）的实现。 有关DeepSuperLearner的详细信息，请参阅 Super Learner：有关分类问题的深度合集，作者是Steven Young，Tamer Abdou和Ayse Bener。 安装和演示 克隆此存储库 git clone https://github.com/levyben/DeepSuperLearner.git 安装python库 cd DeepSuperLearner python setup.py install 例子： ERT_learner = ExtremeRandomizedTrees ( n_estimators = 200 , max_depth = None , max_features =

使用R进行动手合奏学习 这是Packt发布的“ 进行的代码库。 使用集成技术结合机器学习算法功能的初学者指南 这本书是关于什么的？ 集成技术用于组合两个或多个相似或相异的机器学习算法以创建一个强大的模型。 它提供了卓越的预测能力，并可以提高数据集的准确性。 本书涵盖以下激动人心的功能： 对重采样方法，引导程序和模型平均进行必要的审查 探索涵盖方法的覆盖范围，例如套袋，随机森林和增强 使用多种算法建立强大的预测模型 享受加强疗法的综合治疗 具有ROC等统计测试的补充方法 如果您觉得这本书适合您，请立即获取！ 说明和导航 所有代码都组织在文件夹中。 例如，Chapter02。 该代码将如下所示： set.seed(1234) X <- mvrnorm(n = 200, mu = c(0, 0, 0, 0, 0), Sigma = matrix(c( 1, .9999, .9

pdf包含机器学习中集成学习的相关内容，包括bagging、stacking和Boosting的区别，bagging的具体实现算法-随机森林以及Boosting的具体实现算法-AdaBoost。

针对非平衡数据分类问题,提出了一种改进的SVM-KNN分类算法,在此基础上设计了一种集成学习模型。该模型采用限数采样方法对多数类样本进行分割,将分割后的多数类子簇与少数类样本重新组合,利用改进的SVM-KNN分别训练,得到多个基本分类器,对各个基本分类器进行组合。采用该模型对UCI数据集进行实验,结果显示该模型对于非平衡数据分类有较好的效果。