在过去的几十年中,特征选择已经在机器学习和人工智能领域发挥着重要作用。许多特征选择算法都存在着选择一些冗余和不相关特征的现象,这是因为它们过分夸大某些特征重要性。同时,过多的特征会减慢机器学习的速度,并导致分类过渡拟合。因此,提出新的基于前向搜索的非线性特征选择算法,该算法使用互信息和交互信息的理论,寻找与多分类标签相关的最优子集,并降低计算复杂度。在UCI中9个数据集和4个不同的分类器对比实验中表明,该算法均优于原始特征集和其他特征选择算法选择出的特征集。
1
OSPF协议理解,看这篇就够了。详细讲解了OSPF的原理和交互过程。
2022-03-26 10:54:20 2.36MB ospf
1
HTML5-Ajax-Freemarker 通过HTML表示静态页面,Ajax和Freemarker做数据交互的一个动态小demo 总共两个项目 ajax这个文件夹是用户ajax作为网络请求的 在request.js文件中造的json数据,前部分直接获取对应DOM标签进行赋值,下面的根据json的数据结构在js中直接造标签内容进行添加,响应的css和js的样式和交互就那样 第二个freemarker是通过freemarker作为模板技术,先手写ftl文件作为模板,其中有数据交互的地方加上标签内容,然后通过java文件获取数据源(对象模型),同时通过FreemarkerUtil生成html文件,需要指定生成目录,这里我生成在桌面ftl文件夹中,可将freemarker直接拖到桌面(里面有响应的css文件和js文件),当然我这里的生成html文件路径是绝对路径,可以改为相对路径。其数据交互模式
2022-03-25 13:32:31 1.83MB Java
1
主要介绍了微信小程序与后台PHP交互的方法,结合实例形式分析了微信小程序基于wx.request(OBJECT)方法与后台php程序交互相关操作技巧与注意事项,需要的朋友可以参考下
2022-03-25 12:12:08 75KB 微信小程序 后台 PHP交互
1
交互式数据分析报告生成软件labview diadem11.0注册机
1
Flutter的3D模型查看器 这是一个小部件,用于以和格式渲染交互式3D模型。 该小部件将Google的网络组件嵌入到。 屏幕截图 先决条件 2.8+和 1.17+ 兼容性 Android和iOS,以及。 安装 pubspec.yaml dependencies : model_viewer : ^0.8.1 AndroidManifest.xml (仅适用于Android 9+) 要在Android 9+设备上使用此小部件,必须允许您的应用与http://localhost:XXXXX建立HTTP连接。 Android 9(API级别28)将的默认设置从true更改为false ,因此您需要按以下方式配置应用程序的android/app/src/main/AndroidManifest.xml : --- a/example/android/app/src/main/AndroidManifest.xml +++ b/example/android/app/src/main/AndroidManifest.xml @@ -8,7 +8,8 @@ <appl
2022-03-25 10:16:50 3.95MB dart vr ar flutter
1
很好的qml中文学习文档,感谢那些整理qml文档和那些无私的翻译人员,在现在qml中文资料奇缺的时期,,是不可多得的学习文档,内容包括了初中高级的应用知识。
2022-03-24 22:16:38 1KB qt qml 中文
1
FastCAE源码下载与编译说明(源码下载编译必读) 特别注意: 源码绝对路径中不要出现中文字符; 源码文件夹中不要出现空格(){}*/?|\等特殊字符 要求Windows7以上的64位系统 要求自行安装Visual Studio 2017和Qt5.14.2 源码下载: 两种方式可以下载源码,直接下载和使用git克隆 直接下载,从GitHub直接一次性打包下载全部源码。 git克隆,使用git克隆代码仓库,后续可以不断拉取更新。 #文件夹结构 Code FastCAE源码 OCC OpenCASCADE7.4.0编译的第三方库,适用于windows平台 VTK VTK9.0.1编译的第三方库,适用于windows平台 output 程序的编译输出 cgns cgns第三方库,适用于windows平台 quazip 压缩文件的第三方库 编译过程 源码编译支
2022-03-24 21:27:54 385.57MB C++
1
前后端交互时接口的互相加密和解密数据的一些文件,可以用户接口的模糊安全
2022-03-24 17:09:44 11KB java js
1
mgcViz :通用加性模型的可视工具 mgcViz R软件包提供了用于通用加性模型(GAM)的可视化工具。 mgcViz提供的可视化与mgcv中实现的可视化有所不同,因为大多数绘图都基于ggplot2强大的分层系统。 这是通过包装几个ggplot2层并将其与GAM模型特定的计算集成而实现的。 此外, mgcViz使用合并和/或子采样来生成可缩放至大型数据集(n = O(10 ^ 7))的图,并提供了多种用于可视模型检查/选择的新方法。 有关以下可视化类别的介绍,请参见: 平滑和参数化效果图:基于ggplot2分层图和基于rgl库的交互式3d可视化; 模型检查:交互式QQ图,传统残差图和沿着一个或两个协变量的分层残差检查; 特殊图:1D或2D平滑差异图,并绘制多维平滑效果的多个切片。
2022-03-24 10:25:47 253KB R
1