biaobiao2 / ForecastCropYieldLinks
农作物产量预测-天池
☆14Updated 2 years ago
Alternatives and similar repositories for ForecastCropYield
Users that are interested in ForecastCropYield are comparing it to the libraries listed below
Sorting:
- 遥感图像分类识别毕业设计☆20Updated 5 years ago
- 水质预测系统,利用机器学习进行水质预测☆88Updated 3 years ago
- 基于机器学习的遥感图像识别算法 (kNN/SVM/CNN/LSTM)☆85Updated 11 months 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
- 数据预处理之缺失值处理,特征选择☆22Updated 6 years ago
- 空气质量指数预测☆20Updated 7 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)☆64Updated 5 years ago
- 基于卷积神经网络的遥感图像分类☆68Updated last month
- 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 8 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☆53Updated 7 years ago
- 依据广西81个县早稻、晚稻作物4年产量的相关历史数据,结合4年气象降雨、温度、光照、温差等气象数据,一方面探索广西各地区气象环境局部特征,构建未来气象预测系统,另一方面挖掘气象和水稻产量的关系,构建因地制宜精准产量预测模型。☆14Updated 6 years ago
- 机器学习课程大作业 - 基于深度神经网络的图像分类任务☆31Updated 8 years ago
- 常见的数据预处理,包括数据加载、缺失值&异常值处理、描述性变量转换为数值型、训练测试集划分、数据规范化☆44Updated last year
- 基于Keras的LSTM多变量时间序列预测☆181Updated 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
- XGB、LSTM、KNNR、SVR预测☆13Updated 8 months ago
- 集成学习Stacking方法详解☆76Updated 5 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
- 客流量时间序列预测模型☆126Updated 3 years ago
- 常见机器学习算法回归、分类应用示例,调参;包括基础的线性回归算法、集成学习、支持向量机等;调参包括网格搜索、随机搜索、贝叶斯优化、优化算法如GA优化等。☆22Updated 2 years ago
- 基于ARIMA时间序列的销量预测模型,实际预测准确率达90%以上,内含有测试记录和实际上线效果。☆104Updated 6 years ago
- 利用Python实现三层BP神经网络☆82Updated 7 years ago
- 2018比赛-大数据-光伏电站-人工智能运维☆24Updated 7 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☆80Updated 5 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。☆194Updated 5 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】☆40Updated 5 years ago
- PyTorch框架构建花朵图像分类模型(Resnet网络,迁移学习)☆16Updated 3 years ago
- 高分辨率城市遥感图像的水体提取☆16Updated 3 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…☆82Updated 6 years ago
- 机器学习实践:贷款违约预测☆38Updated 6 years ago