sileixinhua / Python_data_science_by_iris
iris数据集的基本数据分析方法,包括KNN,LG,NB,SVM算法。
☆44Updated 7 years ago
Alternatives and similar repositories for Python_data_science_by_iris:
Users that are interested in Python_data_science_by_iris are comparing it to the libraries listed below
- AdaboostExample☆43Updated 5 years ago
- some small codes about deep learning☆51Updated 7 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
- 2018年研究生数学建模F组题☆14Updated 2 years ago
- 用python实现SVM/AdaBoost/C4.5/CART/Naïve Bayes等数据挖掘领域十大经典算法☆79Updated 7 years ago
- [大数据课程作业]分别采用神经网络、线性回归、SVM方法预测学生成绩☆44Updated 6 years ago
- 基于Keras的LSTM多变量时间序列预测☆176Updated 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
- 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
- keras注意力机制☆18Updated 6 years ago
- Python实现经典分类回归、关联分析、聚类以及推荐算法等☆211Updated 6 years ago
- CCF2018 数据挖掘 机器学习 智能匹配 特征工程☆48Updated 5 years ago
- 在sklearn下,几种常用的特征选择方法☆40Updated 9 years ago
- 基于Keras的LSTM多变量时间序列预测☆23Updated 7 years ago
- 基于Python实现了K-Means、GMM、DBSCAN、AGNES等四种常见的聚类算法☆68Updated 6 years ago
- 基于kaggle上Titanic数据集实现的ID3、C4.5、CART和CART剪枝算法☆39Updated 6 years ago
- 天池大数据竞赛数据集&代码☆12Updated 5 years ago
- 2019科大讯飞工程机械赛题-亚军☆38Updated 5 years ago
- 不同时间序列预测方法对上海旅游规模进行预测☆17Updated 6 years ago
- 时间序列ARIMA模型的销量预测☆62Updated 6 years ago
- 基于TensorFlow的深度学习、深度增强学习代码:NN(传统神经网络)、CNN(卷积神经网络)、RNN(递归神经网络)、LSTM(长短期记忆网络)、GAN(生成对抗网络)、DRL(深度增强学习)☆51Updated 7 years ago
- 运用GAN来进行交通流预测和数据修复☆20Updated 4 years ago
- FP-growth codes in "Machine Learning in Action"☆53Updated 6 years ago
- K-Means聚类算法及其改进☆31Updated 6 years ago
- 时间序列理论和案例实践☆70Updated 7 years ago
- 论文基于注意力机制的卷积神经网络模型 源代码☆16Updated 7 years ago
- 天池全球城市计算AI挑战赛:A榜单模型12.28, B榜单模型12.53,多模型融合11.74(Top 3), C榜官方结果17.08(新人赛验证C榜可通过乘个衰减提升很多到12.00,A榜也有效果到11.88)☆40Updated 5 years ago
- 机器学习练习,使用SVM、随机森林、Adaboost算法训练 102 flower 训练集 得到特征提取☆32Updated 7 years ago
- 统计分析课程实验作业/包含《统计分析方法》中因子分析,主成分分析,Kmeans聚类等典型算法的手写实现☆77Updated 5 years ago
- DataCastle国能日新功率预测题 rank21解决方案☆41Updated 5 years ago