-
-
DCF-PM2.5：用于低成本PM2.5传感器的动态校准框架
... 型
浮动
浮动
例
11.3
1个
32.5
72.5
方法：
RR，LassoR，LinearR，BR，RFR，SVR，GAM
缩写
全名
包
RR
岭回归
sklearn.linear_model.Ridge
拉索
套索回归
sklearn.linear_model.Lasso
线性R
线性回归
sklearn
-
-
Machine_Learning：Python中的我的机器学习代码
... 方程式。 我们也不必“对Logistic回归分类进行必要的使用”，但是使用它可以提高模型的性能（所以我在代码16中使用了它）。 “ KNN分类”和“ SVM（SVC）分类”以及“内核SVM（SVC）分类”和“决策树/随机森林分类”也相同。
但是，我们必须将其用于“ SVR回归”。
但是，功能扩展是深度学习的必修课！ 因此，我们必须在ANN问题中做到这一点。 （就像我在“ 36_ANN_bank流失建模”中所做的那样），它是如此重要，因此我们将其应用于所有列！ 我们还对“自组织地图”进行功能缩放。
* ...
-
shapley：具有基尼系数的Shaple值回归
使用具有基尼系数的Shapley值回归
这是用于使用基尼系数运行Shapley值回归的代码。 训练模型后，我们想了解每个预测变量如何对模型预测做出贡献。 解决此问题的一种方法是使用Shapley值回归（SVR）。 传统的SVR方法适用于线性回归模型，并使用Shapley值分解R平方。 该代码使用基尼系数代替R平方，因此它不仅可以应用于线性回归模型，而且可以应用于决策树，神经网络等各种不同模型。
当前支持的 ...
-
-
机器学习课程
机器学习课程（Python / R）
第1部分-数据预处理
第2部分-回归：简单线性回归，多重线性回归，多项式回归，SVR，决策树回归，随机森林回归
第3部分-分类：逻辑回归，K-NN，SVM，内核SVM，朴素贝叶斯，决策 ...
-
软件工作量估算，使用机器学习技术
使用机器学习技术的软件工作量估计
第八学期重大项目
班加罗尔Dayananda Sagar University
Desharnais数据集变量摘要
Maxwell数据集变量摘要
见解
Desharnais模型的功能：“长度”，“交易”，“实体”，“积分调整”，“积分非调整”，“努力”
火车测试成绩：0.33
线性回归得分：0.7629
线性回归负数MAE：-2436.7587
SVR得分：0.7198
SVR负面MAE：-2719.7004（已调整GridSearchCV）
资源
-
多元校正输入的钢液Mn元素LIBS定量分析
为了提高光诱导击穿光谱(LIBS)技术定量分析的精准度,用LIBS技术对不同合金钢中的Mn元素进行定量分析,结合支持向量回归(SVR)建立定标模型,研究输入向量对SVR模型的影响,并与校正后的内标法进行比较。结果表明:输入向量为内标元素校正和信背比时,测试集的相对标准偏差和相对误差的平均值分别为2.6%和11.97%,回归效果最理想;对合金钢中的Mn元素进行定量分析时,校正后的二元输入向量可以减小参数波动和校正基体效应的影响,为LIBS钢液元素定量分析优化数据输入提供了参考。
-
一种稀疏支持向量回归解的方法
尽管支持向量机（SVM）的解决方案相对稀疏，但由于支持向量的数量通常随训练集的大小线性增长，因此不必要地自由使用了基函数。 在本文中，我们提出了一种简单的后处理方法，以稀疏化支持向量回归（SVR）的解决方案。 主要思想如下：首先，我们在完整的训练设备上训练一台SVR机器。 然后，另一台SVR机器仅在具有修改后目标值的完整训练集中的子集上进行训练。 此过程反复进行几次。 实验表明，该方法在保持SVR良好泛化能力的同时，可以大大减少支持向量。
-
基于支持向量回归的温度和应变同时测量的长周期光栅
本文使用单个长周期光栅同时测量温度和应变。 为了有效降低交叉敏感度的影响，基于其在整个区域近似逼近非线性函数的特点，提出了一种支持向量回归（SVR）方法。 通过检测液化石油气不同损耗峰的共振波长的变化，通过回归预测的方式获得温度和应变，并选择适当的参数。 在SVR和标准矩阵求逆方法之间进行了一些比较。 两种方法的均方根误差分别为0.1746 C，3.82 me和2.981 C，28.61 me。 实验结果表明，SVR具有样本量小，学习能力强，泛化能力强，误差小，计算精度高等优点。
-
Go To English Version 超过100万源码资源，1000万源码文件免费下载
