基于麻雀算法(SSA)优化径向基神经网络SSA-RBF时间序列预测。 matlab代码，优化参数为扩散速度，采用交叉验证。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

基于粒子群算法优化深度置信网络(PSO-DBN)的数据回归预测，优化参数为隐藏层节点数目，反向迭代次数，反向学习率，利用交叉验证抑制过拟合问题，matlab代码。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

基于麻雀算法优化深度置信网络(SSA-DBN)的数据回归预测，优化参数为隐藏层节点数目，反向迭代次数，反向学习率，利用交叉验证抑制过拟合问题，matlab代码。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

matlab交叉验证代码PyTorch DGCNN 关于 DGCNN（深图卷积神经网络）的PyTorch实现。 检查更多信息。 要求：python 2.7或python 3.6； 火炬> = 0.4.0 安装 此实现基于戴汉俊的structure2vec图后端。 在“ lib /”目录下，键入 make -j4 编译必要的c ++文件。 之后，在此存储库的根目录下，键入 ./run_DGCNN.sh 使用默认设置在数据集MUTAG上运行DGCNN。 或输入 ./run_DGCNN.sh DATANAME FOLD 在数据集= DATANAME上运行，使用倍数= FOLD（1-10，对应于在交叉验证实验中用作测试数据的倍数）。 如果将FOLD设置为0，例如键入“ ./run_DGCNN.sh DD 0”，则它将在DD上运行10倍交叉验证，并报告平均准确度。 或者，键入 ./run_DGCNN.sh DATANAME 1 200 将数据集中的最后200张图用作测试图。 折数1将被忽略。 检查“ run_DGCNN.sh”以获取更多选项。 数据集 默认图形数据集存储在“ data / DSN

分布最优平衡分层交叉验证 (DOB-SCV) 将数据集划分为 n 折，这样，除了基于标签的分层之外，还可以为每个类维护特征空间中的平衡分布。 使用 DOB-SCV 而不是分层交叉验证的实际效果是稍微提高了测试准确性。 最大的改进可以预期在小的、类别不平衡的数据集上。 该实现可用作CVPARTITION的直接替代。 参考：关于分区诱导的数据集偏移对 k 折交叉验证的影响的研究，可从https://ieeexplore.ieee.org/document/6226477 获得

K-近邻算法 文章目录K-近邻算法学习目标1.10 交叉验证，网格搜索1 什么是交叉验证(cross validation)1.1 分析1.2 为什么需要交叉验证**问题：那么这个只是对于参数得出更好的结果，那么怎么选择或者调优参数呢？**2 什么是网格搜索(Grid Search)3 交叉验证，网格搜索（模型选择与调优）API：4 鸢尾花案例增加K值调优 学习目标 掌握K-近邻算法实现过程 知道K-近邻算法的距离公式 知道K-近邻算法的超参数K值以及取值问题 知道kd树实现搜索的过程 应用KNeighborsClassifier实现分类 知道K-近邻算法的优缺点 知道交叉验证实现过程 知道超

交叉验证LOOCV matlab代码GPR_loocv LOOCV 计算代码，用于确定从 GPR 剖面计算碎片厚度反演的阈值。 使用 xval_tsB.csv 中的真实厚度测量值来训练天线单元升高 27 cm 时的阈值，以及 xval_tsAC.csv 中天线单元为 19 cm 时的阈值。 xval_cng.m 是 matlab 脚本，它将通过留一交叉验证（Arlot et al., 2010）计算阈值，这些验证与 Changri Nup Glacier（A＆C 组合或 B，分开的）选定横断面上的每次测量相关通过天线单元仰角）。 scale_cng.m 根据最低 10% 的 RMSE 计算报告的阈值，并将其应用于生成所选轮廓的厚度检索。 在 Changri Nup Glacier 收集的 .DZT 文件可在 ，等待出版接受。

居民的购房意愿在整个宏观层面上影响着整个社会结构的变迁和转型。文中基于500份居民购房意愿调查问卷,利用主成分分析法提取了主要特征,对主成分序列建立了支持向量机分类模型。五折交叉验证结果表明:分类效果良好,对政府和房地产开发商进行客户细分、制定营销策略有一定的借鉴意义。

matlab如何进行交叉交叉验证的代码场景分类 杰西卡·斯宾塞（Jessica Spencer）进行的研究，由康涅狄格大学的Ozgur Izmirli教授建议，2016年秋季-2017年Spring 为什么？ 图像中的场景分类是许多领域的重要机器学习问题，包括归档，博物馆作品和社交媒体标记。 场景分类可用于定位社交媒体中的广告，预标记图像以及了解有关公司受众的更多信息。 这项研究是在不依赖于对象检测的情况下创建场景分类器的尝试（很多人都这样做）。 从我获得的所有研究中，我使用了一个数据集。 怎么办？？ 该分类器的准确度为78.6％，交叉验证为10倍。 ！ 所需成分 为了正确运行此代码，您需要使用Matlab机器学习工具箱，该工具箱需要花一些钱（或者您可以免费试用30天）。 它还需要将数据库从上传到名为allPhotos的文件夹。 专家提示：“旧建筑物”和“田野”的类别是模糊的，因此如果将其包括在内，结果将有所不同。 我该如何运行？ 运行framework.m之后，转到matlab工具栏中的Apps，然后打开分类学习器。 点击显示“新会话”的黄色+，然后选择“ T”作为变量。 在所有SV

功能类似于csaps。 使用 Craven 和 Wahba 的广义交叉验证方法确定最佳平滑参数。 该函数返回平滑样条拟合的输出、平滑参数、估计的方差、估计的 95% 置信区间的大小以及最小化函数的值。 选择平滑参数的通用交叉验证方法应该比 csaps 的默认选择更稳健，并给出“更好”的答案。 它适用于不等距的数据。 代码没有优化。