June2Hua / machinLearningProjectLinks
学习吴恩达视频,完成一个小project。使用梯度下降、正则化、神经网络进行房价的预测。使用python中的numpy、scipy、pandas以及matplotlib完成编程的实现。
☆24Updated 5 years ago
Alternatives and similar repositories for machinLearningProject
Users that are interested in machinLearningProject are comparing it to the libraries listed below
Sorting:
- 利用Python实现三层BP神经网络☆82Updated 7 years ago
- 数据特征工程、各种机器学习回归模型、回归数据预处理☆44Updated 5 years ago
- 机器学习预测系统汇总:包括贝叶斯网络、马尔科夫模型、线性回归、岭回归、多项式回归、决策树 回归、深度神经网络预测☆76Updated 4 years ago
- 这一篇notebook是关于我写的毕业论文的整个过程的方法和总结,包括了我在写论文时的一些感悟和体验。☆18Updated 7 years ago
- 一种有效的电力负荷预测方法☆63Updated 5 years ago
- XGB、LSTM、KNNR、SVR预测☆13Updated 5 months ago
- 机器学习算法超参数的优化方法——基于hyperopt和bayes_opt☆14Updated 6 years ago
- PSO algorithm for multi-parameters optimizaiton☆65Updated 6 years ago
- 数据预处理过程(属性选择, 异常值处理, 归一化, 标准化等)☆63Updated 4 years ago
- 使用支持向量机、弹性网络、随机森林、LSTM、SARIMA等多种算法进行时间序列的回归预测,除此以外还采取了多种组合方法对以上算法输出的结果进行组合预测。Support vector machine, elastic network, random forest, LSTM…☆46Updated 4 years ago
- 基于遗传算法的BP神 经网络☆16Updated 4 years ago
- 建立SARIMA-LSTM混合模型预测时间序列问题。以PM2.5值为例,使用UCI公开的自2013年1月17日至2015年12月31日五大城市PM2.5小时检测数据,将数据按时间段划分,使用SARIMA过滤其线性趋势,再对过滤后的残差使用LSTM进行预测,最后对预测结果进行…☆80Updated 6 years ago
- Regression prediction of time series data using LSTM, SVM and random forest. 使用LSTM、SVM、随机森林对时间序列数据进行回归预测,注释拉满。☆190Updated 5 years ago
- Multidimensional Time Series Prediction by using LSTM☆56Updated 6 years ago
- 机器学习集成模型之Stacking各类模型及工具源码☆117Updated 4 years ago
- Sklearn机器学习中的主要算法原理以及实现(线性回归、逻辑回归、朴素贝叶斯、K-Means聚类、KNN、PCA主成分分析、BP神经网络)☆83Updated 5 years ago
- Time Series Prediction, Stateful LSTM; 时间序列预测,洗发水销量/股票走势预测,有状态循环神经网络☆58Updated 7 years ago
- 粒子群算法优化支持向量机☆137Updated 2 years ago
- 如何使用ARIMA模型预测世界肺炎确诊人数?【时序数据预测】☆41Updated 5 years ago
- use PSO to train the sigle layer NN structure☆23Updated 2 years ago
- 利用时间序列预测汽车销量☆41Updated 6 years ago
- 支持向量机,Support Vector Machine(SVM),多类分类☆31Updated 8 years ago
- 《应用时间序列分析》易丹辉、王燕著; 案例Python实现☆16Updated 5 years ago
- python 用GA算法优化BP神经网络☆158Updated 4 years ago
- 机器学习预测模型,分别用逻辑回归,决策树,随机森林,神经网络,XGBOOST和支持向量机算法建模,交叉验证,并选出AUC最优的模型。特征工程优化后,AUC值达到0.8259☆56Updated 5 years ago
- 集成学习Stacking方法详解☆75Updated 5 years ago
- 支持向量机(SVM)——分类预测,包括多分类问题,核函数调参,不平衡数据问题,特征降维,网格搜索,管道机制,学习曲线,混淆矩阵,AUC曲线等☆52Updated 7 years ago
- 机器学习的特征工程,包括特征抽取、特征预处理、特征选择、特征降维。☆25Updated 6 years ago
- 基于LSTM的电力负荷预测☆152Updated 6 years ago
- 本项目为时间序列预测项目,主要重点在于对预测项目整体流程的梳理总结,不同框架下如何进行简单数据处理和模型搭建。因此项目中搭建的主要为一些常用模型(后续会不断修改完善)。模型包含了prophet模型、keras库的bp神经网络和lstm网络模型、pytorch …☆22Updated 2 years ago