biaobiao2 / ForecastCropYieldLinks
农作物产量预测-天池
☆15Updated 2 years ago
Alternatives and similar repositories for ForecastCropYield
Users that are interested in ForecastCropYield are comparing it to the libraries listed below
Sorting:
- 水质预测系统,利用机器学习进行水质预测☆100Updated 3 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。☆15Updated 6 years ago
- XGB、LSTM、KNNR、SVR预测☆13Updated last year
- 集成学习Stacking方法详解☆81Updated 6 years ago
- 数据预处理之缺失值处理,特征选择☆23Updated 6 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。☆26Updated 2 years ago
- 基于遗传算法的特征选择☆127Updated 6 years ago
- 基于机器学习的遥感图像识别算法 (kNN/SVM/CNN/LSTM)☆95Updated last year
- 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 8 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☆56Updated 8 years ago
- 由时间空间成对组成的轨迹序列,通过循环神经网络lstm,自编码器auto-encode,时空密度聚类st-dbscan做异常检测☆74Updated 6 years ago
- python实现的随机森林☆112Updated 3 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☆58Updated 5 years ago
- 机器学习集成模型之Stacking各类模型及工具源码☆120Updated 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
- 数据预处理过程(属性选择, 异常值处理, 归一化, 标准化等)☆66Updated 5 years ago
- 麻雀算法优化支持向量机 python实现☆15Updated 3 years ago
- 关于算法、机器学习的一些读书笔记,思维导图☆42Updated 3 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☆43Updated 6 years ago
- 利用时间序列预测汽车销量☆44Updated 7 years ago
- 基于Keras的LSTM多变量时间序列预测☆185Updated 8 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。☆112Updated 6 years ago
- 随机森林,Random Forest(RF)☆430Updated 5 years ago
- 使用numpy实现的聚类算法(包括时空聚类算法)☆610Updated 6 years ago
- 基于Python实现了K-Means、GMM、DBSCAN、AGNES等四种常见的聚类算法☆73Updated 6 years ago
- 粒子群算法优化支持向量机☆143Updated 3 years ago
- 通过修改transformer使其可以预测金融时间序列☆38Updated 4 years ago
- 使用GCN和GRU组合模型,多站点气温预测☆40Updated 4 years ago
- Bayesian Optimization and Grid Search for xgboost/lightgbm☆79Updated 11 months 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…☆84Updated 7 years ago