搜索资源列表
@dagsvm
- 有向无环图支持向量(DAG-SVMS)多类分类方法,是一种新的多类分类方法。该方法采用了最小超球体类包含作为层次分类依据。试验结果表明,采用该方法进行多类分类,跟已有的分类方法相比有更高的分类精度。
SSiCP2.0b
- 基于weka平台的数据挖掘方法，改进特征基因选择过程，使得癌症分类精度更高
Bayesian_Classification
- 针对遥感影像的光谱信息进行分类，并评价分类精度。但需要人为调整数组的大小，来控制输入变量，将训练样本和检验样本存为.txt格式的文件，执行即可得到分类后属于各个类别的概率，以及混淆矩阵。
Confusion_Matrix
- 影像分类精度评价算法——混淆矩阵，评价漏分和错分情况
BPclassification
- BP学习算法应用——模式分类 应用动量BP学习算法对UCI提供的经典数据库——鸢尾属植物数据库进行分类，速度快，精度高。iris.arff为数据库文件，可用Weka数据挖掘软件打开。Iris.csv为源代码读取的数据文件，通过Weka软件转换得到。 将源文件Iris_classify.m和Iris.csv文件放入matlab的work文件夹中直接运行即可。-BP learning algorithm applications-
@dagsvm
- 有向无环图支持向量(DAG-SVMS)多类分类方法,是一种新的多类分类方法。该方法采用了最小超球体类包含作为层次分类依据。试验结果表明,采用该方法进行多类分类,跟已有的分类方法相比有更高的分类精度。 -Directed acyclic graph support vector (DAG-SVMS) multi-category classification methods, is a new multi-category class
genetic_algorithm
- 提出了一种通过遗传算法(GA)对单个分类器进行优化以及对多个分类器进行组合优化的方法.该方法使用叠加(stacking)的策略.经典的叠加策略分为两步,该方法将遗传算法作为叠加策略的第2步.实验结果表明,遗传算法可以较好地完成优化任务,同单个分类器比较,它可以提高分类的精度.在对分类器进行组合优化方面,它得到比单个分类器更高的精度以及使分类结果具有更好的可理解性. 关 键 词: 分类 遗传算法 优化 机器学习 数据挖掘 分类规则.-
guizhou
- 利用主成分分析法对BP神经网络的输入参数进行降维，然后进行网络的训练，PCA-BP处理的结果同单一的bp相比，不仅提高了网络的收敛速度，而且提高了网络对预测数据分类的精度-Using principal component analysis method of BP neural network for dimensionality reduction of input parameters, and then training the
SSiCP2.0b
- 基于weka平台的数据挖掘方法，改进特征基因选择过程，使得癌症分类精度更高-Weka platform based on data mining methods, to improve the characteristics of gene selection process, making cancer a higher classification accuracy
Bayesian_Classification
- 针对遥感影像的光谱信息进行分类，并评价分类精度。但需要人为调整数组的大小，来控制输入变量，将训练样本和检验样本存为.txt格式的文件，执行即可得到分类后属于各个类别的概率，以及混淆矩阵。-Spectral imaging for remote sensing information classification, and to evaluate the classification accuracy. However, the need
Confusion_Matrix
- 影像分类精度评价算法——混淆矩阵，评价漏分和错分情况-Image Classification Accuracy Assessment Algorithm- confusion matrix, evaluation of leakage points and the wrong sub-situation
7894561@dagsvm
- 很好用的svm工具箱，dagsvm对于图像分类效果非常好，分类精度很高，代码清洗简单。-Good use of SVM Toolbox, dagsvm for image classification effect is very good, very high classification accuracy, code cleaning easy.
beiyesifenbu
- 分类判别中，bayes判别的确具有明显的优势，与模糊，灰色，物元可拓相比，判别准确率一般都会高些，而BP神经网络由于调试麻烦，在调试过程中需要人工参与，而且存在明显的问题，局部极小点和精度与速度的矛盾，以及训练精度和仿真精度间的矛盾，等，尽管是非线性问题的一种重要方法，但是在我们项目中使用存在一定的局限，基于此，最近两天认真的研究了bayes判别，并写出bayes判别的matlab程序，与spss非逐步判别计算结果一致。-Classif
7788
- 大名鼎鼎的方帅的博士学位论文---目前,计算机智能视频监控在理论和应用上都面临着很多难题,国内外大批学者投身于该领域的研究和探索,并且取得了大量的成果.本文是在这些成果的基础上,对计算机智能视频监控系统的关键技术进行研究.主要贡献可概括如下:首先,对目标检测技术进行了研究,并提出了一种基于背景建模的运动目标检测算法.利用统计的方法建立了基于颜色和颜色梯度的背景模型,并实时地对背景模型进行更新,最后将这两种背景模型综合考虑对目标进行了有效
NB
- 编写朴素贝叶斯分类器，对测试集进行分类预测，并计算分类精度(The naive Bias classifier is compiled, and the test set is classified and predicted, and the classification accuracy is calculated)
libsvm-mat-2[1].89-3[FarutoUltimate3.0Mcode]
- 一般的支持向量机只支持二分类，使用libsvm可以实现多分类，原理也是基于二分类，然后在使用投票机制，经测验，libsvm的分类精度可达85%以上(Multi class supported by libsvm,after testing, the classification accuracy can reach 85%.)
BPSO
- 二元粒子群优化（BPSO）用于特征选择任务，可以选择潜在特征，提高分类精度。(binary particle swarm optimization (BPSO) for feature selection tasks, which can select the potential features to improve the classification accuracy.)
kappa
- 通过已有的混淆矩阵计算总体分类精度、期望精度以及Kappa系数
SVM分类
- 基于SVM的疲劳驾驶系统。基于神经网络的非接触式疲劳驾驶检测已成为当前针对疲劳驾驶检测领域炙手可热的研究方向。它有效解决了接触式疲劳检测方法给驾驶员带来的干扰以及单一信号源对于反映疲劳程度可靠性低的问题，同时通过设计神经网络模型对多源信息进行分类，实现对疲劳状态的高精度和高速度的检测。选取合适的特征值对网络检测准确率以及准确反映疲劳程度至关重要。基于驾驶员生理信号检测可靠性和准确性较高。(Fatigue driving system b
PCA+mnist
- 基于python，利用主成分分析（PCA）和K近邻算法（KNN）在MNIST手写数据集上进行了分类。 经过PCA降维，最终的KNN在100维的特征空间实现了超过97%的分类精度。(Based on python, it uses principal component analysis (PCA) and K nearest neighbor algorithm (KNN) to classify on the MNIST handwr