使用神经网络-垃圾邮件检测-LSTM或者CNN（一维卷积）效果都不错【代码有问题，pass】...

最新推荐文章于 2023-03-02 15:31:28 发布
最新推荐文章于 2023-03-02 15:31:28 发布
阅读量481 收藏 1
点赞数
文章标签： 人工智能 数据结构与算法 python
原文链接：http://www.cnblogs.com/bonelee/p/7908573.html
版权

 

from sklearn.feature_extraction.text import CountVectorizer
import os
from sklearn.naive_bayes import GaussianNB
from sklearn.model_selection import train_test_split
from sklearn import metrics
import matplotlib.pyplot as plt
import numpy as np
from sklearn import svm
from sklearn.feature_extraction.text import TfidfTransformer
import tensorflow as tf
import tflearn
from tflearn.layers.core import input_data, dropout, fully_connected
from tflearn.layers.conv import conv_1d, global_max_pool
from tflearn.layers.conv import conv_2d, max_pool_2d
from tflearn.layers.merge_ops import merge
from tflearn.layers.estimator import regression
from tflearn.data_utils import to_categorical, pad_sequences
from sklearn.neural_network import MLPClassifier
from tflearn.layers.normalization import local_response_normalization
from tensorflow.contrib import learn


max_features=500
max_document_length=1024



def load_one_file(filename):
    x=""
    with open(filename) as f:
        for line in f:
            line=line.strip('\n')
            line = line.strip('\r')
            x+=line
    return x

def load_files_from_dir(rootdir):
    x=[]
    list = os.listdir(rootdir)
    for i in range(0, len(list)):
        path = os.path.join(rootdir, list[i])
        if os.path.isfile(path):
            v=load_one_file(path)
            x.append(v)
    return x

def load_all_files():
    ham=[]
    spam=[]
    for i in range(1,5):
        path="../data/mail/enron%d/ham/" % i
        print "Load %s" % path
        ham+=load_files_from_dir(path)
        path="../data/mail/enron%d/spam/" % i
        print "Load %s" % path
        spam+=load_files_from_dir(path)
    return ham,spam

def get_features_by_wordbag():
    ham, spam=load_all_files()
    x=ham+spam
    y=[0]*len(ham)+[1]*len(spam)
    vectorizer = CountVectorizer(
                                 decode_error='ignore',
                                 strip_accents='ascii',
                                 max_features=max_features,
                                 stop_words='english',
                                 max_df=1.0,
                                 min_df=1 )
    print vectorizer
    x=vectorizer.fit_transform(x)
    x=x.toarray()
    return x,y

def show_diffrent_max_features():
    global max_features
    a=[]
    b=[]
    for i in range(1000,20000,2000):
        max_features=i
        print "max_features=%d" % i
        x, y = get_features_by_wordbag()
        x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.4, random_state=0)
        gnb = GaussianNB()
        gnb.fit(x_train, y_train)
        y_pred = gnb.predict(x_test)
        score=metrics.accuracy_score(y_test, y_pred)
        a.append(max_features)
        b.append(score)
        plt.plot(a, b, 'r')
    plt.xlabel("max_features")
    plt.ylabel("metrics.accuracy_score")
    plt.title("metrics.accuracy_score VS max_features")
    plt.legend()
    plt.show()

def do_nb_wordbag(x_train, x_test, y_train, y_test):
    print "NB and wordbag"
    gnb = GaussianNB()
    gnb.fit(x_train,y_train)
    y_pred=gnb.predict(x_test)
    print metrics.accuracy_score(y_test, y_pred)
    print metrics.confusion_matrix(y_test, y_pred)

def do_svm_wordbag(x_train, x_test, y_train, y_test):
    print "SVM and wordbag"
    clf = svm.SVC()
    clf.fit(x_train, y_train)
    y_pred = clf.predict(x_test)
    print metrics.accuracy_score(y_test, y_pred)
    print metrics.confusion_matrix(y_test, y_pred)

def get_features_by_wordbag_tfidf():
    ham, spam=load_all_files()
    x=ham+spam
    y=[0]*len(ham)+[1]*len(spam)
    vectorizer = CountVectorizer(binary=True,
                                 decode_error='ignore',
                                 strip_accents='ascii',
                                 max_features=max_features,
                                 stop_words='english',
                                 max_df=1.0,
                                 min_df=1 )
    print vectorizer
    x=vectorizer.fit_transform(x)
    x=x.toarray()
    transformer = TfidfTransformer(smooth_idf=False)
    print transformer
    tfidf = transformer.fit_transform(x)
    x = tfidf.toarray()
    return  x,y


def do_cnn_wordbag(trainX, testX, trainY, testY):
    global max_document_length
    print "CNN and tf"

    trainX = pad_sequences(trainX, maxlen=max_document_length, value=0.)
    testX = pad_sequences(testX, maxlen=max_document_length, value=0.)
    # Converting labels to binary vectors
    trainY = to_categorical(trainY, nb_classes=2)
    testY = to_categorical(testY, nb_classes=2)

    # Building convolutional network
    network = input_data(shape=[None,max_document_length], name='input')
    network = tflearn.embedding(network, input_dim=1000000, output_dim=128)
    branch1 = conv_1d(network, 128, 3, padding='valid', activation='relu', regularizer="L2")
    branch2 = conv_1d(network, 128, 4, padding='valid', activation='relu', regularizer="L2")
    branch3 = conv_1d(network, 128, 5, padding='valid', activation='relu', regularizer="L2")
    network = merge([branch1, branch2, branch3], mode='concat', axis=1)
    network = tf.expand_dims(network, 2)
    network = global_max_pool(network)
    network = dropout(network, 0.8)
    network = fully_connected(network, 2, activation='softmax')
    network = regression(network, optimizer='adam', learning_rate=0.001,
                         loss='categorical_crossentropy', name='target')
    # Training
    model = tflearn.DNN(network, tensorboard_verbose=0)
    model.fit(trainX, trainY,
              n_epoch=5, shuffle=True, validation_set=(testX, testY),
              show_metric=True, batch_size=100,run_id="spam")

def do_rnn_wordbag(trainX, testX, trainY, testY):
    global max_document_length
    print "RNN and wordbag"

    trainX = pad_sequences(trainX, maxlen=max_document_length, value=0.)
    testX = pad_sequences(testX, maxlen=max_document_length, value=0.)
    # Converting labels to binary vectors
    trainY = to_categorical(trainY, nb_classes=2)
    testY = to_categorical(testY, nb_classes=2)

    # Network building
    net = tflearn.input_data([None, max_document_length])
    net = tflearn.embedding(net, input_dim=10240000, output_dim=128)
    net = tflearn.lstm(net, 128, dropout=0.8)
    net = tflearn.fully_connected(net, 2, activation='softmax')
    net = tflearn.regression(net, optimizer='adam', learning_rate=0.001,
                             loss='categorical_crossentropy')

    # Training
    model = tflearn.DNN(net, tensorboard_verbose=0)
    model.fit(trainX, trainY, validation_set=(testX, testY), show_metric=True,
              batch_size=10,run_id="spm-run",n_epoch=5)


def do_dnn_wordbag(x_train, x_test, y_train, y_testY):
    print "DNN and wordbag"

    # Building deep neural network
    clf = MLPClassifier(solver='lbfgs',
                        alpha=1e-5,
                        hidden_layer_sizes = (5, 2),
                        random_state = 1)
    print  clf
    clf.fit(x_train, y_train)
    y_pred = clf.predict(x_test)
    print metrics.accuracy_score(y_test, y_pred)
    print metrics.confusion_matrix(y_test, y_pred)



def  get_features_by_tf():
    global  max_document_length
    x=[]
    y=[]
    ham, spam=load_all_files()
    x=ham+spam
    y=[0]*len(ham)+[1]*len(spam)
    vp=tflearn.data_utils.VocabularyProcessor(max_document_length=max_document_length,
                                              min_frequency=0,
                                              vocabulary=None,
                                              tokenizer_fn=None)
    x=vp.fit_transform(x, unused_y=None)
    x=np.array(list(x))
    return x,y



if __name__ == "__main__":
    print "Hello spam-mail"
    #print "get_features_by_wordbag"
    #x,y=get_features_by_wordbag()
    #x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.4, random_state = 0)

    #print "get_features_by_wordbag_tfidf"
    #x,y=get_features_by_wordbag_tfidf()
    #x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.4, random_state = 0)
    #NB
    #do_nb_wordbag(x_train, x_test, y_train, y_test)
    #show_diffrent_max_features()

    #SVM
    #do_svm_wordbag(x_train, x_test, y_train, y_test)

    #DNN
    #do_dnn_wordbag(x_train, x_test, y_train, y_test)

    print "get_features_by_tf"
    x,y=get_features_by_wordbag()
    x_train, x_test, y_train, y_test = train_test_split(x, y, test_size = 0.4, random_state = 0)
    #CNN
    do_cnn_wordbag(x_train, x_test, y_train, y_test)


    #RNN
    #do_rnn_wordbag(x_train, x_test, y_train, y_test)

自己写检测算法的时候也记得多个算法比较下

转载于:https://www.cnblogs.com/bonelee/p/7908573.html

djph26741
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
黑客用机器学习发动攻击的九种方法
IT教育任姐姐的博客
06-24 408
机器学习算法是一柄双刃剑，既可被用来改进和加强网络安全解决方案，帮助人类分析师更快地分类威胁和修复漏洞，也会被黑客用来发动更大规模、更复杂的网络攻击。机器学习和人工智能正在成为新一代威胁检测和响应工具的核心技术，帮助网络安全团队增强了动态学习和自动适应不断变化的网络威胁的能力。然而，一些攻击者也在使用机器学习和人工智能来增强网络攻击能力，逃避安全控制，并以前所未有的速度发现新的漏洞，并带来毁灭性的后果。以下是攻击者利用这些技术的九种最常见方式。1、垃圾邮件，垃圾邮件，垃圾邮件Omdia分析师Fernando
基于CNN的垃圾邮件分类系统.zip
最新发布
04-07
卷积神经网络（Convolutional Neural Network, CNN）是一种专门针对图像、视频等结构化数据设计的深度学习模型，它在计算机视觉、语音识别、自然语言处理等多个领域都有广泛应用。CNN的核心设计理念源于对生物视觉系统的模拟，尤其是大脑皮层中视觉信息处理的方式，其主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。以下是CNN技术的详细介绍： ### **1. 局部感知与卷积操作** **卷积层**是CNN的基本构建块，它通过使用一组可学习的滤波器（或称为卷积核）对输入图像进行扫描。每个滤波器在图像上滑动（卷积），并以局部区域（感受野）内的像素值与滤波器权重进行逐元素乘法后求和，生成一个输出值。这一过程强调了局部特征的重要性，因为每个滤波器仅对一小部分相邻像素进行响应，从而能够捕获图像中的边缘、纹理、颜色分布等局部特征。 ### **2. 权重共享** 在CNN中，同一滤波器在整个输入图像上保持相同的权重（参数）。这意味着，无论滤波器在图像的哪个位置应用，它都使用相同的参数集来提取特征。这种权重共享显著减少了模型所需的参数数量，增强了模型的泛化能力，并且体现了对图像平移不变性的内在假设，即相同的特征（如特定形状或纹理）不论出现在图像的哪个位置，都应由相同的滤波器识别。 ### **3. 池化操作** **池化层**通常紧随卷积层之后，用于进一步降低数据维度并引入一定的空间不变性。常见的池化方法有最大池化和平均池化，它们分别取局部区域的最大值或平均值作为输出。池化操作可以减少模型对微小位置变化的敏感度，同时保留重要的全局或局部特征。 ### **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起，形成深度网络结构。随着网络深度的增加，每一层逐渐提取更复杂、更抽象的特征。底层可能识别边缘、角点等低级特征，中间层识别纹理、部件等中级特征，而高层可能识别整个对象或场景等高级语义特征。这种层级结构使得CNN能够从原始像素数据中自动学习到丰富的表示，无需人工设计复杂的特征。 ### **5. 激活函数与正则化** CNN中通常使用非线性激活函数（如ReLU、sigmoid、tanh等）来引入非线性表达能力，使得网络能够学习复杂的决策边界。为了防止过拟合，CNN常采用正则化技术，如L2正则化（权重衰减）来约束模型复杂度，以及Dropout技术，在训练过程中随机丢弃一部分神经元的输出，以增强模型的泛化性能。 ### **6. 应用场景** CNN在诸多领域展现出强大的应用价值，包括但不限于： - **图像分类**：如识别图像中的物体类别（猫、狗、车等）。 - **目标检测**：在图像中定位并标注出特定对象的位置及类别。 - **语义分割**：对图像中的每个像素进行分类，确定其所属的对象或背景类别。 - **人脸识别**：识别或验证个体身份。 - **图像生成**：通过如生成对抗网络（GANs）等技术创建新的、逼真的图像。 - **医学影像分析**：如肿瘤检测、疾病诊断等。 - **自然语言处理**：如文本分类、情感分析、词性标注等，尽管这些任务通常结合其他类型的网络结构（如循环神经网络）。 ### **7. 发展与演变** CNN的概念起源于20世纪80年代，但其影响力在硬件加速（如GPU）和大规模数据集（如ImageNet）出现后才真正显现。经典模型如LeNet-5用于手写数字识别，而AlexNet、VGG、GoogLeNet、ResNet等现代架构在图像识别竞赛中取得突破性成果，推动了CNN技术的快速发展。如今，CNN已经成为深度学习图像处理领域的基石，并持续创新，如引入注意力机制、残差学习、深度可分离卷积等先进思想。 综上所述，卷积神经网络通过其独特的局部感知、权重共享、多层级抽象等特性，高效地从图像数据中提取特征并进行学习，已成为解决图像和视频处理任务不可或缺的工具，并在众多实际应用中取得了卓越的效果。
垃圾邮件识别（一）：用机器学习做中文邮件内容分类
02-14 1万+
总的来说，一封邮件可以分为发送人、接收人、抄送人、主题、时间、内容等要素，所以很自然的可以认为主要通过上述要素中的发送方、主题以及内容来进行垃圾邮件判断。 因此我们依次对上述要素进行分析： 垃圾邮件内容分类（通过提取垃圾邮件内容进行判断） 中文垃圾邮件分类 英文垃圾邮件分类 垃圾邮件标题分类 垃圾邮件发送方分类 最终，我们可以根据这三个维度进行综合评判，从而实现垃圾邮件的准确分类。本文将根据邮件内容进行垃圾邮件分类。...
基于卷积神经网络(CNN)的中文垃圾邮件检测
04-27 3384
http://blog.csdn.net/clayanddev/article/details/70738475
垃圾邮件识别
不忘初心，护天下安全！
02-28 3453
数据集：Enron-Spam数据集 正常邮件内容举例如下： Subject: christmas baskets the christmas baskets have been we have ordered several baskets individual earth - sat freeze - smith barney group baskets rodney keys matt ...
基于贝叶斯(bayes)优化卷积神经网络-长短期记忆网络(CNN-LSTM)回归预测（Matlab完整源码和数据）
02-21
基于贝叶斯(bayes)优化卷积神经网络-长短期记忆网络(CNN-LSTM)回归预测，bayes-CNN-LSTM多输入单输出模型。 优化参数为：学习率，隐含层节点，正则化参数。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高...
MATLAB实现WOA-CNN-LSTM鲸鱼算法优化卷积神经网络-长短期记忆网络数据分类预测（完整源码和数据）
02-21
基于鲸鱼算法(WOA)优化卷积神经网络-长短期记忆网络(CNN-LSTM)分类预测，WOA-CNN-LSTM多特征输入模型。（完整源码和数据） 优化参数为：学习率，隐含层节点，正则化参数。 多特征输入单输出的二分类及多分类模型。...
MATLAB实现BO-CNN-LSTM贝叶斯优化卷积神经网络-长短期记忆网络数据回归预测（完整源码和数据）
02-22
基于贝叶斯(bayes)优化卷积神经网络-长短期记忆网络(CNN-LSTM)回归预测，BO-CNN-LSTM/Bayes-CNN-LSTM多输入单输出模型。 1.优化参数为：学习率，隐含层节点，正则化参数。 2.评价指标包括:R2、MAE、MSE、RMSE和MAPE...
MATLAB实现CNN-LSTM神经网络多输入回归预测（完整源码和数据）
10-24
MATLAB实现CNN-LSTM神经网络多输入回归预测（完整源码和数据） CNN-LSTM神经网络，卷积长短期记忆神经网络多输入回归预测 数据为多输入回归数据，输入12个特征，输出1个变量。 运行环境MATLAB2020b及以上。
RNN-LSTM卷积神经网络Matlab实现.zip
09-07
在本项目中，我们主要探讨的是如何在Matlab环境下实现循环神经网络（RNN）以及其特殊变体长短期记忆网络（LSTM）用于数据拟合。这些神经网络模型广泛应用于序列数据处理，如自然语言处理、语音识别、时间序列预测等...
基于lstm网络的垃圾邮件处理——NLP
12-24
详细介绍了如何用lstm网络实现给定数据集的垃圾分类识别，并实现roc曲线评估可视化。实验报告，实验ppt全都在压缩包中
请你说说CNN，RNN，LSTM，Transformer之间的优缺点
yyaannnnnnnn的博客
01-11 1万+
CNN概念： 传统意义上的多层神经网络是只有输入层、隐藏层、输出层，其中隐藏层的层数按需决定。而卷积神经网络CNN，在传统的多层神经网络基础上，全连接层前面加入了部分连接的卷积层、激活层和池化层操作，使得实际应用场景中能够构建更加深层、功能更强大的网络。
【LSTM分类】基于卷积神经网络结合双向长短时记忆CNN-Bi-LSTM实现数据分类含Matlab源码
matlab_dingdang的博客
02-17 434
一种基于长短时记忆网络和卷积神经网络的文本分类方法,首先,利用词向量将输入文本进行向量表示,通过三层CNN提取文本的局部特征,进而整合出全文语义,同时,使用LSTM存储文本序列中历史信息的特征,以获取文本的上下文依赖关系,其次,将输入向量分别与各层CNN的输出相融合,缓解深层神经网络中层与层之间特征传递时出现的特征丢失问题.本发明适用于文本分类,具有运行效率高,运行时间短的优点,解决了传统分类技术在处理复杂抽象和上下文的强相关性文本时的缺陷.转存失败重新上传取消。
CNN + LSTM 航空乘客预测
weixin_45063703的博客
08-22 8883
LSTM 航空乘客预测单步预测的两种情况。简单运用LSTM 模型进行预测分析。加入注意力机制的LSTM 对航空乘客预测采用了目前市面上比较流行的注意力机制，将两者进行结合预测。多层 LSTM 对航空乘客预测简单运用多层的LSTM 模型进行预测分析。双向LSTM 对航空乘客预测双向LSTM网络对其进行预测。MLP多层感知器 对航空乘客预测使用MLP 对航空乘客预测本文采用的CNN + LSTM网络对其进行预测。我喜欢直接代码+ 结果展示先代码可以跑通，才值得深入研究每个部分之间的关系；
TensorFlow搭建CNN-LSTM混合模型实现多变量多步长时间序列预测（负荷预测）
KI的博客
08-30 1万+
TensorFlow搭建CNN-LSTM混合模型实现多变量多步长时间序列预测（负荷预测）
基于pytorch搭建多特征CNN-LSTM时间序列预测代码详细解读（附完整代码）
hardworking_T的博客
10-14 2万+
除了LSTM神经网络，一维CNN神经网络也是处理时间系列预测和分类的一种重要工具，本文不从理论上赘述CNN处理时间序列，仅通过代码复现向大家展示CNN+LSTM是如何具体的运作的。另外，数据集和数据预处理仍沿用之前文章基于pytorch搭建多特征LSTM时间序列预测代码详细解读（附完整代码），本文不再赘述其细节，主要复现网络结构的变动。cnn-lstm主要是维度和输入限制，建议大家在草稿纸上画一画，会明了很多完整代码见我的GitHub。
基于CNN-LSTM（卷积神经网络-长短期记忆）的多输入分类任务实现——附代码
热门推荐
不定时分享电力优化、神经网络、数学建模等技术等
03-02 2万+
此示例演示如何通过将二维卷积神经网络（CNN）与长短期记忆（LSTM）层相结合，为多输入的语音序列分类任务创建二维CNN-LSTM网络。CNN通过将滑动卷积滤波器应用于输入来处理序列数据。CNN可以从空间和时间维度学习特征。LSTM网络通过循环时间步长和学习时间步之间的长期依赖关系来处理序列数据。CNN-LSTM网络使用卷积层和LSTM层从训练数据中学习。
LSTM结合一维CNN使用的基本理解
a871891824的博客
10-03 5574
模型如下： from keras.models import Sequential from keras import layers model = Sequential() model.add(layers.Conv1D(64, 5, activation='relu', input_shape=(None, 10))) model.add(layers.LSTM(32)) 看看模型的参数数量： model.summary() _________
垃圾邮件分类任务中多种机器学习（贝叶斯、支持向量机和随机森林）和深度学习（GloVe和LSTM）方法的应用和对比
meyalo的博客
03-21 4361
随着时代的发展，信息以指数形式增长，为了能够从海量信息中迅速找到所需要的信息，就需要对信息进行分类，因此自动文本分类技术应运而生。文本分类其任务是将自然语言文本根据其内容分为预先定义的两类或者多类。文本分类的应用领域极为广泛，垃圾邮件分类就是其中一个很重要的应用。 通常我们将“广告促销”等营销邮件判定成垃圾邮件。例如\垃圾邮件分类任务语料\train\Data\001\路径下的067邮件： < TEXT > 萬泰商銀特別專案貸款 (非 @指成金信用貸款,即使非上班族也能申貸) 免保人,免擔保品,
1. ARIMA 2. SARIMA 3. VAR 4. Auto-ARIMA 5. Auto-SARIMA 6. LSTM 7. GRU 8. RNN 9. CNN 10. MLP 11. DNN 12. MLP-LSTM 13. MLP-GRU 14. MLP-RNN 15. MLP-CNN 16. LSTM-ARIMA 17. LSTM-MLP 18. LSTM-CNN 19. GRU-ARIMA 20. GRU-MLP 21. GRU-CNN 22. RNN-ARIMA 23. RNN-MLP 24. RNN-CNN 25. CNN-ARIMA 26. CNN-MLP 27. CNN-LSTM 28. CNN-GRU 29. ARIMA-SVM 30. SARIMA-SVM 31. VAR-SVM 32. Auto-ARIMA-SVM 33. Auto-SARIMA-SVM 34. LSTM-SVM 35. GRU-SVM 36. RNN-SVM 37. CNN-SVM 38. MLP-SVM 39. LSTM-ARIMA-SVM 40. LSTM-MLP-SVM 41. LSTM-CNN-SVM 42. GRU-ARIMA-SVM 43. GRU-MLP-SVM 44. GRU-CNN-SVM 45. RNN-ARIMA-SVM 46. RNN-MLP-SVM 47. RNN-CNN-SVM 48. CNN-ARIMA-SVM 49. CNN-MLP-SVM 50. CNN-LSTM-SVM 51. CNN-GRU-SVM 52. ARIMA-RF 53. SARIMA-RF 54. VAR-RF 55. Auto-ARIMA-RF 56. Auto-SARIMA-RF 57. LSTM-RF 58. GRU-RF 59. RNN-RF 60. CNN-RF 61. MLP-RF 62. LSTM-ARIMA-RF 63. LSTM-MLP-RF 64. LSTM-CNN-RF 65. GRU-ARIMA-RF 66. GRU-MLP-RF 67. GRU-CNN-RF 68. RNN-ARIMA-RF 69. RNN-MLP-RF 70. RNN-CNN-RF 71. CNN-ARIMA-RF 72. CNN-MLP-RF 73. CNN-LSTM-RF 74. CNN-GRU-RF 75. ARIMA-XGBoost 76. SARIMA-XGBoost 77. VAR-XGBoost 78. Auto-ARIMA-XGBoost 79. Auto-SARIMA-XGBoost 80. LSTM-XGBoost 81. GRU-XGBoost 82. RNN-XGBoost 83. CNN-XGBoost 84. MLP-XGBoost 85. LSTM-ARIMA-XGBoost 86. LSTM-MLP-XGBoost 87. LSTM-CNN-XGBoost 88. GRU-ARIMA-XGBoost 89. GRU-MLP-XGBoost 90. GRU-CNN-XGBoost 91. RNN-ARIMA-XGBoost 92. RNN-MLP-XGBoost 93. RNN-CNN-XGBoost 94. CNN-ARIMA-XGBoost 95. CNN-MLP-XGBoost 96. CNN-LSTM-XGBoost 97. CNN-GRU-XGBoost 98. ARIMA-ANN 99. SARIMA-ANN 100. VAR-ANN 上面这些缩写模型的全称及相关用途功能详细解释
07-15
7. GRU (Gated Recurrent Unit): 一种类似于LSTM的循环神经网络，具有更简化的结构，适用于时间序列数据的建模和预测。 8. RNN (Recurrent Neural Network): 适用于处理序列数据的神经网络模型，能够捕捉时间序列的...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值