搜索资源列表
The_Status_Quo_of_Machine_Learning_of_Artificial_I
- 机器学习是人工智能的一个子领域，是人工智能中非常活跃且范围甚广的主要核心研究领域之一，也是现代智能系统的关键环节和瓶颈。机器学习吸取了人工智能、概率统计、计算复杂性理论、控制论、信息论、哲学、生理学、神经生物学等学科的成果，主要关注于开发一些让计算机可以自动学习的技术，并通过经验提高系统自身的性能。本文介绍了机器学习的概念、基本结构和发展，以及各种机器学习方法，包括机械学习、归纳学习、类比学习、解释学习、基于神经网络的学习以及知识发现等
RandomForest
- ID3决策树+随机森林算法生成决策森林，采用投票机制进行决策；有训练数据aaa和测试数据bbb；非常适合机器学习的初学者-The ID3 the+ random forest algorithm to generate decision forests voting mechanism for decision-making training data the the aaa and test data bbb ideal for
随机森林文本分类
- 在机器学习中，随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定。 Leo Breiman和Adele Cutler发展出推论出随机森林的算法。 而 "Random Forests" 是他们的商标。 这个术语是1995年由贝尔实验室的Tin Kam Ho所提出的随机决策森林（random decision forests）而来的。这个方法则是结合 Breimans 的 "
DecisionTreeAndRDF-master
- id3决策树算法和随机森林算法，讲的很清晰，步骤很详细-id3 decision tree algorithms and random forest algorithms, said very clearly, very detailed step
RandomForestaAdaBoost
- 随机森林，决策树以及adaboost分类器的java实现。随机森林和adaboost都基于决策树完成。-Random forests, tree and adaboost classifier java. Random Forest and adaboost are based on the decision tree is complete.
DataMining_5
- java实现的决策树代码和随机森林以及Adaboost,里面有自带的数据集可以测试，结果和书上描述一样，亲测有效-DesicionTree，RandomForest and AdaBoost implemented by java,have been tested by myself.It can help those who want to learn data mining
source
- 对两个数据集分别建立决策树，并运用自适应算法和随机森林，并验证准确率-Of the two data sets were established decision tree, and the use of adaptive algorithms and random forest, and verify accuracy
test_2
- 用python 实现的随机森林算法 并且和决策树等其他算法对比-With Random Forest algorithm implemented in python and other decision tree algorithms and contrast
randomForest_4.6-12.tar
- 在机器学习中，随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定。 Leo Breiman和Adele Cutler发展出推论出随机森林的算法。 而 "Random Forests" 是他们的商标。 这个术语是1995年由贝尔实验室的Tin Kam Ho所提出的随机决策森林(random decision forests)而来的。这个方法则是结合 Breimans 的 "
R
- 本文分别利用逻辑回归、决策树和随机森林三种模型针对员工是否会过早离职问题进行探究，结果显示三种方法预测结果的精确度依次增加，分别为78.59%、96.8%和 99%，并且三种模型均显示员工演满意度是最重要的特征变量。(Predicting employee turnover)
Classifiers
- 我们需要成百上千的分类器来解决现实世界的分类吗 我们评估179分类17种分类器（判别分析，贝叶斯，神经网络，支持向量机，决策树，基于规则的分类器，升压、装袋、堆放、随机森林和其他合奏，广义线性模型，线性，偏最小二乘法和主成分回归，logistic回归、多项式回归、多元自适应回归样条等方法），实现在WEKA，R（有或没有插入包），C和Matlab，包括所有目前可用的相关分类。(Do-we-Need-Hundreds-of-Classif
Random Forest
- 在机器学习中，随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定。 Leo Breiman和Adele Cutler发展出推论出随机森林的算法。 而 "Random Forests" 是他们的商标。 这个术语是1995年由贝尔实验室的Tin Kam Ho所提出的随机决策森林（random decision forests）而来的。这个方法则是结合 Breimans 的 "
决策树与随机森林
- 给出对决策树与随机森林的认识。主要分析决策树的学习算法：信息增益和ID3、C4.5、CART树，然后给出随机森林。 决策树中，最重要的问题有3个: 1. 特征选择。即选择哪个特征作为某个节点的分类特征； 2. 特征值的选择。即选择好特征后怎么划分子树； 3. 决策树出现过拟合怎么办？ 下面分别就以上问题对决策树给出解释。决策树往往是递归的选择最优特征，并根据该特征对训练数据进行分割。(The understandin
08 决策树与随机森林
- 决策树和决策森林的代码，很不错，适合初学者，一起交流一起进步(The decision tree and decision forest code, very good, suitable for beginners, together with the progress of communication)
19.决策树与随机森林
- 决策树和随机森林，非常实用的PPT资料，推荐(Decision tree and random forest, very useful PPT data, recommended.)
神经网络入门13课源码
- 神经网络入门13课源码 第一课 MATLAB入门基础 第二课 MATLAB进阶与提高 第三课 BP神经网络 第四课 RBF、GRNN和PNN神经网络 第五课 竞争神经网络与SOM神经网络 第六课 支持向量机( Support Vector Machine, SVM ) 第七课 极限学习机( Extreme Learning Machine, ELM ) 第八课 决策树与随机森林 第九课 遗传算法( Genetic Al