机器学习
AQ_cainiao_AQ
反卷联盟成员
展开
-
本体学习笔记--在eclipse里操作本体的准备
1.在eclipse中编辑本体,一定要导入相应的jar包:这个包的来源是,在protege官网(http://protege.stanford.edu/)下载protege软件,里面自带OWL API提供给Java的众多编程接口。 在下载后的protege文件夹下,找到相应的地址:E:\protege\plugins\org.semanticweb.owl.owlapi.jar,把这个包导入即可。原创 2016-03-25 17:30:32 · 952 阅读 · 3 评论 -
Protege-OWL API中文版(自己翻译的)
Protege-OWL API 网址链接如下 以上全部是我自己根据官网API文档翻译的,存在很多不足之处,仅供参考。。期待和正在研究本体相关知识的人共同进步。。。。谢谢。。翻译 2016-03-31 16:29:56 · 8923 阅读 · 4 评论 -
将protege-owl API的doc文档添加到eclipse的编程坏境中
方法与导入普通jar区别不大,以下内容是我试过的,可以放心使用,如果有更好的方法,希望能告诉我。。谢谢。。(我下载的protege中没有找到本地的doc文档,所以只好采用这种方法了)原创 2016-04-05 12:08:50 · 1718 阅读 · 0 评论 -
本体自动提取工具的初步实验计划书
一. 实验目的:“本体自动提取工具”的设计与实现 二. 实验用到的软件及语言:eclipse,navicat,protégé;java原创 2016-04-01 21:02:09 · 1214 阅读 · 3 评论 -
pso-svm 算法实现(1):python DEAP
在之前的文章已经叙述了pso算法的实现,http://blog.csdn.net/AQ_cainiao_AQ/article/details/78448508 接下来解决pso-svm算法的实现。在pso-svm 算法中,参数寻优步骤大概如下:(1)PSO算法寻找适用于SVM模型的核函数类型Step 1:初始化粒子群规模m,设定算法的权重因子,终止条件和初始粒子编码;Step 2:将每个粒子的翻译 2017-11-06 16:04:35 · 12653 阅读 · 0 评论 -
python DEAP PSO 算法的学习
翻译自:http://deap.readthedocs.io/en/master/examples/pso_basic.html粒子群优化基础这里的实现是基本PSO算法的实现。wikipedia的PSO的定义如下: PSO通过拥有一个种群规模的候选解决方案来优化一个问题,这里的候选解决方案指的是粒子,在解空间中根据简单的数学公式移动这些粒子。粒子的移动被解空间的最优位置引导着,如果粒子发现更好的位翻译 2017-11-05 11:51:29 · 3877 阅读 · 0 评论 -
The cascade SVM (串联SVM;层级SVM;层叠SVM)
对于标题布置如何翻译较好; 本文翻译自论文:http://download.csdn.net/download/aq_cainiao_aq/10136946parallel support vector machine:the cascade svmcascade svm的提出是通过并行的方式解决svm算法时间和空间占用资源多的缺点,尤其是非线性svm需要较多的支持向量时,数据占用内存多,运行耗时原创 2017-11-29 15:22:16 · 2379 阅读 · 0 评论 -
Python scikit-learn 模块svc方法的参数解释
关于sklearn.svm.SVC的参数的学习class sklearn.svm.SVC(C=1.0, kernel='rbf', degree=3, gamma='auto', coef0=0.0, shrinking=True, probability=False, tol=0.001, cache_size=200, class_weight=None, verbose=False, max_翻译 2017-07-24 16:38:00 · 10299 阅读 · 1 评论 -
Python scikit-learn 模块的SVM方法介绍
本文翻译自: http://scikit-learn.org/stable/modules/svm.html#1.4 SVM支持向量机SVM是一系列监督学习算法,包括分类,回归,异常点检测。 SVM优点: 1. 在高维空间有效; 2. 即使维数高于样本数,算法仍然高效; 3. 决策函数由支持向量机(子数据集)决定,可在内存中有效; 4. 不同核函数产生不同的决策函数。常用的核函数和自定义翻译 2017-07-28 10:37:13 · 9181 阅读 · 1 评论 -
支持向量机(斯坦福大学课程讲义Andrew Ng)
SVM算法是最流行的监督学习算法之一(很多人认为是最好的)。为了讲清楚SVM算法,我们需要先讨论一下间隔(margin)和分离数据的间隙(gap)。 下一步,我们将会讨论最优间隔分类器,其中用到了拉格朗日对偶。 我们也会接触到核函数,核函数提供了一种将SVM应用于高维(比如无限维)特征空间的方法。 最后我们讲解SMO(序列最小优化)算法,它是SVM算法的高效实现。1.间隔:直观 这部分给出了间隔和翻译 2016-10-28 19:19:44 · 1205 阅读 · 0 评论