Prediction
文章平均质量分 52
该专栏记录了多种不同场景的基于人工智能技术的预测方法
我是狮子搏兔
这个作者很懒,什么都没留下…
展开
-
pyhton XGBoost交叉验证的两种方法——极简源码
文章目录前言一、XGBoost.cv源码二、sklearn前言交叉验证其实就是对数据集进行了训练集与验证集的一个划分,一般来说对于自己写的一些算法,我们可以用sklearn的KFold方法进行数据集划分。而像XGBoost和LGBM这类工具都是大佬写的,自然顺带也给你封装了一个交叉验证方法。中本文将会介绍基于XGBoost自带的交叉验证方法和通过sklearn的划分数据集的交叉验证方法。一、XGBoost.cv源码XGBoost.cv,其中cv是cross validtion的缩写,即交叉验证。原创 2022-01-24 18:28:28 · 5608 阅读 · 0 评论 -
2021科大讯飞_环境空气质量评价挑战赛_LineRegression_baseline0.04385
文章目录前言一、环境空气质量评价挑战赛二、使用步骤1.LineRegression总结前言没事的话就也来参加一下这些比赛吧,只要进入前20%就有证书发啦,以后说不定有用噢一、环境空气质量评价挑战赛参赛链接这是一个时间序列问题,数据是没有缺失的,是一个典型的回归问题,后续可能考虑提升树啊,XGBoost,lightGBM,DNN,LSTM等等二、使用步骤1.LineRegression代码如下(示例):import numpy as npimport pandas as pdfro原创 2021-08-09 16:26:07 · 753 阅读 · 2 评论 -
Python ELM模型预测美国10个商店3049个商品销售量 ANN人工神经网络
问题描述美国有10个商店,每个商店有3049个商品,统计了1914天内各个商品的价格和销售数量,以及每天的属性(节日,打折活动等),通过构建非时序模型预测1914天-1941天各个商品销售数量,使用均方误差作为评价标准。实验数据① 30490个商品在1941天内的价格②30490个商品在1914天的销量(标签)③1941天所对应的属性(节日,打折等)其中①和③是我们需要使用的特征,③中对应很多的节日,如Purim Enc,StPatricksl,Memoriall,Mother’s da..原创 2021-06-16 15:39:26 · 692 阅读 · 0 评论 -
python Scipy求解等价凸优化问题之Ridge_Regression(岭回归)
提示:本文不调用sklearn等包,直接使用scipy.optimize,numpy和pandas完成了Ridge_Regression,即岭回归算法的实现。文章目录一、Ridge_Regression岭回归之算法原理?二、python源码1.Ridge_Regression.py2.读入数据总结一、Ridge_Regression岭回归之算法原理?岭回归是一种常见的方法,简单来说就是在线性回归 Y = β X + b 的基础上加入了正则项,减少了过拟合,其实也就介绍完了,这个正则项可以转变成一.原创 2021-07-28 20:12:21 · 1028 阅读 · 0 评论 -
Matlab DNN多层感知机进行图像分类——附源码分享
提示:麻烦点赞,拒绝白嫖文章目录前言一、数据来源二、使用步骤1.引入库2.读入数据总结前言Python不香吗?非得用matlab来搞机器学习的东西?不是不是,matlab也有集成了许多机器学习算法,当然,都是一些非常基础的机器学习算法。深度学习还是得向python看齐。今天试用了一下matlab自带的DNN模型,封装在newff函数里,寥寥几行代码,非常简洁。提示:以下是本篇文章正文内容,下面案例可供参考一、数据来源打开画图软件自己画了10张图片,5张为A,5张为B,如下:将它们再次原创 2021-09-27 20:41:09 · 1764 阅读 · 0 评论 -
pytorch_预训练inceptionresnetv2自定义类别数量_源码分享
系列文章目录9种经典图片分类卷积模型系列合集(推荐程度依次递减):Se_resnet50Resnet50Xceptioninceptionresnetv2resnextbninceptionshufflenetv2polynetvggmImagenet的预训练inceptionresnetv2是1000个类别,根据笔者添加了一个bottleneck层和一个head层使得可以进行自定义类别训练。源码from __future__ import print_function, di原创 2021-09-27 20:34:41 · 1066 阅读 · 0 评论 -
pytorch_预训练bninception自定义类别数量_源码分享
系列文章目录9种经典图片分类卷积模型系列合集(推荐程度依次递减):Se_resnet50Resnet50Xceptioninceptionresnetv2resnextbninceptionshufflenetv2polynetvggmImagenet的预训练bninception是1000个类别,根据笔者添加了一个bottleneck层和一个head层使得可以进行自定义类别训练。源码from __future__ import print_function, division原创 2021-09-27 20:29:54 · 325 阅读 · 1 评论 -
pytorch_预训练polynet自定义类别数量_源码分享
系列文章目录9种经典图片分类卷积模型系列合集(推荐程度依次递减):Se_resnet50Resnet50Xceptioninceptionresnetv2resnextbninceptionshufflenetv2polynetvggmImagenet的预训练polynet是1000个类别,根据笔者的经验,预训练的网络结构是不能更改的,改了效果就不行,只能在末尾增加一个(1000,classes)的全连接层,中间还有一层dropout,这样效果是最好的。源码from __fut原创 2021-09-27 20:27:16 · 251 阅读 · 0 评论 -
pytorch_预训练Se_resnet50_自定义类别数量_源码分享
系列文章目录9种经典图片分类卷积模型系列合集(推荐程度依次递减):Se_resnet50Resnet50Xceptioninceptionresnetv2resnextbninceptionshufflenetv2polynetvggmImagenet的预训练Se_resnet50是1000个类别,根据笔者的经验,预训练的网络结构是不能更改的,改了效果就不行,只能在末尾增加一个(1000,classes)的全连接层,中间还有一层dropout,这样效果是最好的。源码注意:最好的原创 2021-09-27 20:25:31 · 3079 阅读 · 11 评论 -
pytorch_预训练Resnet50_自定义类别数量_源码分享
系列文章目录9种经典图片分类卷积模型系列合集(推荐程度依次递减):Se_resnet50Resnet50Xceptioninceptionresnetv2resnextbninceptionshufflenetv2polynetvggmImagenet的预训练Resnet是1000个类别,根据笔者的经验,预训练的网络结构是不能更改的,改了效果就不行,只能在末尾增加一个(1000,classes)的全连接层,中间还有一层dropout,这样效果是最好的。源码import torc原创 2021-09-27 20:25:05 · 1578 阅读 · 1 评论 -
pytorch_预训练vggm_自定义类别数量_源码分享
系列文章目录9种经典图片分类卷积模型系列合集(推荐程度依次递减):Se_resnet50Resnet50Xceptioninceptionresnetv2resnextbninceptionshufflenetv2polynetvggmImagenet的预训练vggm是1000个类别,根据笔者添加了一个bottleneck层和一个head层使得可以进行自定义类别训练。源码from __future__ import print_function, division, absol原创 2021-09-27 20:24:48 · 347 阅读 · 0 评论 -
pytorch_预训练Xception_自定义类别数量_源码分享
系列文章目录9种经典图片分类卷积模型系列合集(推荐程度依次递减):Se_resnet50Resnet50Xceptioninceptionresnetv2resnextbninceptionshufflenetv2polynetvggmImagenet的预训练Xception是1000个类别,根据笔者的经验,预训练的网络结构是不能更改的,改了效果就不行,只能在末尾增加一个(1000,classes)的全连接层,中间还有一层dropout,这样效果是最好的。源码"""Porte原创 2021-09-27 20:24:13 · 1932 阅读 · 2 评论 -
pytorch_预训练shufflenetv2自定义类别数量_源码分享
系列文章目录9种经典图片分类卷积模型系列合集(推荐程度依次递减):Se_resnet50Resnet50Xceptioninceptionresnetv2resnextbninceptionshufflenetv2polynetvggmshufflenetv2是一个轻量级的网络,速度很快。但Imagenet的预训练shufflenetv2是1000个类别,根据笔者添加了一个bottleneck层和一个head层使得可以进行自定义类别训练。源码import torchfrom原创 2021-09-27 20:23:46 · 1148 阅读 · 0 评论 -
pytorch_预训练resnext自定义类别数量_源码分享
系列文章目录9种经典图片分类卷积模型系列合集(推荐程度依次递减):Se_resnet50Resnet50Xceptioninceptionresnetv2resnextbninceptionshufflenetv2polynetvggmImagenet的预训练resnext是1000个类别,根据笔者的经验,预训练的网络结构是不能更改的,改了效果就不行,只能在末尾增加一个(2048,classes)的全连接层,中间还有一层dropout,这样效果是最好的。源码from __fut原创 2021-09-27 20:23:08 · 432 阅读 · 0 评论 -
Matlab_20行代码手撸纯矩阵运算KNN分类算法
文章目录前言一、KNN原理二、使用步骤1.matlab源码总结前言提示:KNN效果其实很拉。提示:以下是本篇文章正文内容,下面案例可供参考一、KNN原理如果说这个世界上有最简单的分类方法,那么毫无疑问就算KNN了。物以类聚,人以群分,KNN的精髓一句话概括,对任何一个样本,找出K个相似的样本进行投票决定新样本类别。那么相似怎么判断?就引入了距离度量和相似度度量:距离度量说人话就算欧几里得距离,再说人话就算,算了没啥好说的了,两个数据之间如何求欧几里得距离这个我就不教了吧。相似度度量就算余弦相原创 2021-08-05 15:30:15 · 587 阅读 · 0 评论 -
Matlab SA for Feature Selection(模拟退火求解特征选择)
文章目录前言一、SA原理二、源码1.matlab源码总结前言提示:本文在matlab平台实现了SA算法用于求解特征选择问题。一、SA原理通过模拟金属退火这一过程发现,从高温时粒子的不稳定状态到低温时粒子的稳定状态,其间并不是一直都往稳定的状态变化,也有小概率会往更加不稳定的状态变化,但最有总能收敛到一个比较好的局部最优解。SA算法是最经典的元启发式算法之一,已经被证明——只要时间足够就一定能收敛到全局最优解?忘了是不是记错了哈哈。不过对于复杂的问题上时间就是不可接受的了,只是理论上证明。..原创 2021-08-05 15:04:13 · 846 阅读 · 0 评论 -
特征选择,SFS(顺序向前)与SBS(顺序向后)matlab源码&解析
特征选择,SFS(顺序向前)与SBS(顺序向后)matlab源码&解析这边文章将会讲解最基础的SFS algorithm & SBS algorithm.SFS-matlab%% SFSfunction [X,MaxF] = SFS(gN)MaxTimes = 4800;times = 0;%迭代次数X = randsrc(1,gN,[0,1;0.5,0.5]);%随机初始解% X = zeros(1,gN);%初始特征向量MaxF = 0;%最佳适应度值while t原创 2021-05-09 10:57:59 · 3487 阅读 · 4 评论 -
Binary Particle Swarm Optimization(BPSO) for Feature Selection(二进制粒子群求解特征选择)
PSO算法是一种群智能优化算法,特点是布置速度快,收敛性强。同时面对着两大问题,容易早熟和容易陷入局部最优。对于特征选择这类离散型问题,我们使用二进制版本的BPSO进行优化。在PSO的迭代过程中,每个粒子都会向种群历史最优解(Gbest)和粒子本身历史最优解(Pbest)进行学习,同时也会不断地更新Gbest与Pbest,最后会收敛在Gbest与Pbest之间的某个区域。注意:(Gbest只有一个,所有粒子都会向它学习,而Pbest对于每个粒子都有一个,只属于它们自己,它们只会向自己的Pbest进行学习,原创 2021-05-09 14:01:35 · 4073 阅读 · 19 评论 -
python 基于KD树和线性搜索以及Cuda加速的KNN实现
实验过程:基于KD树和线性搜索以及Cuda加速的KNN实现,使用wxpython作UI交互。效果如下:以上即为效果展示,部分代码如下:# -*- coding = UTF-8 -*-import numpy as npimport timeclass KNN(object): def __init__(self, Pointlist1, Pointlist2, labelList, K): self.Pointlist1 = np.array((0, 0))原创 2021-06-20 11:45:32 · 878 阅读 · 0 评论