为什么要做降维： 提高计算效率 留存有用的特征，为后续建模使用 在项目中实际拿到的数据，可能会有几百个维度（特征）的数据集，这样的数据集在建模使用时，非常消耗计算资源，所以需要通过使用降维方法来优化数据集 线性判别分析（Linear Discriminant Analysis） 用途：数据预处理中的降维，分类任务（有监督问题） 目标：LDA关心的是能够最大化类间区分度的坐标轴成分 将特征空间（数据集中的多维样本）投影到一个维度更小的 k 维子空间中，同时保持区分类别的信息 原理：投影到维度更低的空间中，使得投影后的点，会形成按类别区分，一簇一簇的情况，相同类别的点，将会在投影后的空间中更接近

蒙特卡洛方法及应用.nh

基于Verilog HDL的CAN代码实现

压缩包里包括实现MVAR各个功能的20子函数，还有一个自己写的调用各个函数用来实现求EEG信号各通道相关性的脚本。另外还可以画出各通道相关性的图。

自己亲自测试过，没有问题，

stm32F407ZGT6 DMA—直接存储器访问 代码实现

python实现bp算法，包括算法类，实现类，包含两个实现机器学习的小例子test1，test2，用pycharm打开直接运行！

零售商品销售预测代码实现

最优化代码实现：包括牛顿迭代法、最速下降法、下降法、梯度下降法、共轭、、等等

本文件包括随机森林的代码实现和相应的数据集，以及详尽的中文注释，已调试通过。代码有两份，一份是在网上下载的，另一份是自己整理后编写的。编程环境为Python2.7。因为只是用来学习随机森林算法，所以在调参方法没下多少功夫，正确率可能不太高,当然数据集比较小也是一个原因。感兴趣的童鞋可以自己调整参数提高正确率。