qq_36108664的博客

对于大数据的非线性分类，可以使用 fitckernel 训练二类高斯核分类模型。

对于组合二元支持向量机模型的多类学习，使用纠错输出码（ECOC，error-correcting output codes ）。有关详细信息，请参阅fitcecoc。 ECOC 可以用来将 Multiclass Learning 问题转化为 Binary Classification 问题。https://www.deeplearn.me/587.htmlhttps://blog.csdn.net/u010945683/article/details/52743515...

除了具有两个特征（即可以表示在二维坐标图）的数据分类，实际应用中的数据往往具有多个特征，fitclinear要在高维数据集（即包含许多预测变量的数据集）上训练用于二分类的线性支持向量机模型，可以改用fitclinear。fitclinear训练线性分类模型，用于高维、全或稀疏预测数据的二类（binary）学习。现有的线性分类模型包括正则化支持向量机（SVM）和logistic回归模型。FitchLinear使用减少计算时间的技术（如随机梯度下降）最小化目标函数。为了减少在包含多个预测变量的高维数据集

MATLAB实现SVM二分类SVM是名噪一时的机器学习方法，自20世纪末 以来在模式识别领域风生水起，至今仍然活跃在各大论文期刊中。无论是和其他特征提取方法的结合，还是和其他模式识别方法的对比，SVM的表现都可圈可点。...

理想情况下，txt文件中的内容是很规则的，如下但是现实却是，我们想要导入的txt文件中往往含有比较复杂的内容，字符串，汉子，日期，时间，真正要用的数据。这种文件往matlab里一导，整个工作区乱成了一锅粥。这时候，除了手动，还是有方法的。...

https://ww2.mathworks.cn/help/stats/examples/cluster-analysis.html#d122e1387

本文对决策树的皮毛进行一下探究，主要根据官方的两个网页进行简单的实现。本来想着在网上能找到比较容易上手的代码，结果发现大家都是大佬，自己写代码，咱也看不懂，还是乖乖地看matlab官网吧。1.fitctree以下关于ficctree的内容基于Fit binary decision tree for multiclass classification，主要介绍分类树的训练和深度设置、优化。1.1 Train Classification Tree以下代码使用35134的X和3511的Y训练一个分类树，

y = buffer(x,n)y = buffer(x,n,p)y = buffer(x,n,p,opt)[y,z] = buffer(___)[y,z,opt] = buffer(___)y = buffer(x,n)y = buffer(x,n) 将长度为L的信号向量x划分为长度为n的非重叠数据段（帧）。以下代码创建一个包含100帧的缓冲数据，每个帧包含11个样本，data为11*100的矩阵。data = buffer(1:1100,11)y = buffer(x,n,p)y =

偏最小二乘回归方法特点代码灵活应用

MATLAB实现指定文件夹中文件名的读取

MAT文件是matlab的大数据存储形式，其优点在于：无需将文件加载到内存中，就可以访问和更改MAT文件中的变量。可以加载或保存部分变量而不是全部。使用MAT文件对象部分加载和保存变量所需的内存少于load和save命令。matObj = matfile(filename) 创建一个matlab.io.MatFile对象，该对象连接到filename指定的MAT文件。matObj = matfile(filename,'Writable',isWritable) 启用或禁用对文件的写访问。 将i

1.多元线性回归回归分析（Regression Analysis）是一种统计学上分析数据的方法，目的在于了解两个或多个变量间是否相关、相关方向与强度，并建立数学模型以便观察特定变量来预测研究者感兴趣的变量。更具体的来说，回归分析可以帮助人们了解在只有一个自变量变化时因变量的变化量。一般来说，通过回归分析我们可以由给出的自变量估计因变量的条件期望。回归分析是建立因变量Y（或称依变量，反因变量）与自变量X（或称独变量，解释变量）之间关系的模型。简单线性回归使用一个自变量 X，多元回归使用超过一个自变量（X1

模糊综合评判法模糊综合评价法是一种基于模糊数学（fuzzy mathematics）的综合评价方法。该综合评价法根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。它具有结果清晰，系统性强的特点，能较好地解决模糊的、难以量化的问题，适合各种非确定性问题的解决。在司守奎《数学建模算法与应用》（第2版）一书的14.2节，介绍了将该方法用于多目标决策的过程，实现了在人事考核中运用模糊综合评判。本文中的数据和步骤都基于此书的内容，重点在于代码。一级模

作为科研领域十分重要的计算工具，MATLAB在深度学习方面也一直与时俱进，每一个版本的更新都会引进许多新的机器学习和深度学习案例。迁移学习，即将训练好的网络保存下来，当再次调用网络时，可以在前一次训练的基础上进一步训练，从而节省时间。也可以将网络直接用于新数据的学习和处理，而不需要重新训练数据。在python深度学习中，也存在“断点续训”这种类似的操作，将训练得到的网络参数以txt文本的形式保存下来，并在之后的运行中通过导入参数实现网络的继续训练。DL with python(9)——TensorFlow

径向基函数（Radial Basis Function，RBF）神经网络是一种传统的神经网络，于1988年首次被提出。1989年，Jackson论证了RBF神经网络对非线性连续函数的一致逼近性能。RBF神经网络有很强的逼近能力、分类能力和学习速度。其工作原理是把网络看成对未知函数的逼近，任何函数都可以表示成一组基函数的加权和，也即选择各隐层神经元的传输函数，使之构成一组基函数来逼近未知函数。RBF人工神经网络由一个输入层、一个隐含层和一个输出层组成。RBF神经网络结构简单、训练简洁且收敛速度快，能够逼近

本文的主要内容来自Mathworks官网的相关示例，body-fat-estimation。此示例说明神经网络如何基于多个身体测量值来估计体脂率，实现函数拟合。问题：估计体脂率在此示例中，尝试构建一个神经网络，该网络可以通过下面的 13 个身体属性来估计一个人的体脂率：这是输入数据与相关输出目标进行匹配的拟合问题，我们希望所创建的神经网络不仅可以根据已知输入估计已知目标，还能泛化成针对未知输入数据的网络。为什么使用神经网络？神经网络非常擅长处理函数拟合问题。具有足够元素（称为神经元）的神经网络可

学习向量量化(Learning Vector Quantization,LVQ)神经网络是一种用于训练竞争层的有监督学习(supervisedlearning)方法的输入前向神经网络，其算法是从Kohonen竞争算法演化而来的。LVQ神经网络在模式识别和优化领域有着广泛的应用。LVQ神经网络是LVQ网络结构LVQ神经网络由3层神经元组成，即输入层、竞争层和线性输出层，如下图所示。输入层与竞争层之间采用全连接的方式，竞争层与线性输出层之间采用部分连接的方式。竞争层神经元个数总是大于线性输出层神经元个数，

BP神经网络作为人工神经网络中的元老，其应用广泛程度已经不言而喻。本文主要对其具体应用要点进行总结。数据数据采用2020年第十届MathorCup高校数学建模挑战赛A题相关数据，原始数据含有60多个因素。经过筛选和量化，最终得到19个因素。将其中的调价比例作为被预测值，即网络的输出值，其余的18个因素作为网络的输入值。如图所示，本文建立的BP神经网络具有三层，由于输入值有18个，被预测值有1个。因此输入神经元的个数取为18，输出神经元的个数取为1。中间隐含层神经元的个数，BP网络需要根据经验取定，暂时

拖延症是进步最大的敌人，这是一篇二月就该写的文，硬是拖过了三月，来到了四月。频繁模式与Apriori算法关于原理这里不多做解释，感兴趣的可以去学习。这里引用机械工业出版社的《数据挖掘概念与技术》（中文第三版）中的两段。频繁模式(frequent patterm)是频繁地出现在数据集中的模式（如项集、子序列或子结构）。例如，频繁地同时出现在交易数据集中的商品（如牛奶和面包）的集合是频繁项集。一...

主成分分析主成分分析法(PCA)是一种高效处理多维数据的多元统计分析方法，将主成分分析用于多指标（变量）的综合评价较为普遍。该方法的基本思想是运用较少的变量去解释原始数据中的大部分变异，通过对原始数据相关矩阵内部结构关系的分析和计算，产生一系列互不相关的新变量。根据需要从中选取比原始变量个数少的几个新变量，这些新的变量就是所谓的主成分，它们能够充分解释原始数据的变化。因此，主成分分析法本质上是......