温度预测 python 随机森林，该模型用于预测气候温度 随机森林，该模型用于预测气候温度 问题重述：预测当日温度,运用RandomForestRegressor(随机森林回归) 1.确定最优训练集： 第一个训练集拥有253个样本+14个指标 第二个训练集拥有1635个样本+17个指标 第三个训练集拥有1635个样本+14个指标 最终确定为第二个训练集预测精确度最高 2.利用第二个训练集，调整随机森林模型超参数 以下两大方法调整 运用from sklearn.model_selection import RandomSearchCV 运用from sklearn.model_selection import GridSearchCV 不断调整参数，比较预测准确度，最终确定最优模型。

2020年首都师范大学C语言程序设计考研复试终极预测五套题.pdf

上海大学《机器学习》课程项目，选题时序数据预测

VR和AR光学器件市场现状研究分析与发展前景预测.txt

MGP-TCN用于MIMIC数据集的败血症预测 该存储库包含有关论文的败血症预测的代码（用于标记，提取和建议的方法的代码）： @InProceedings{moor2019early, title = {Early Recognition of Sepsis with Gaussian Process Temporal Convolutional Networks and Dynamic Time Warping}, author = {Moor, Michael and Horn, Max and Rieck, Bastian and Roqueiro, Damian and Borgwardt, Karsten}, booktitle = {Proceedings of the 4th Machine Learning for Healthcare Conference

电力负荷预测是电力系统规划的重要组成部分。为了使电力系统安全经济平稳的运行，由此特别需要精确的电力负荷预测方法。为了实现更好负荷预测方法，文中将经验模态分解（EMD）与新兴的电力负荷预测模型分形理论相结合，提出了EMD-分形负荷预测模型。为了证明此方法的有效性，文中将这种新的预测模型跟分形预测模型和BP神经网络预测模型相比较。最终通过仿真算例说明了本文提出的这种新型预测方法精度更高，几乎所有的误差都在2％以下，预测结果更好，可以很好的应用在电力系统负荷预测中。

# 多变量股价预测-LSTM 训练集时间范围：2001-01-25到2021-09-29,预测目标列为Open import numpy as np from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout import pandas as pd from matplotlib import pyplot as plt from sklearn.preprocessing import MinMaxScaler import seaborn as sns from sklearn.model_selection import train_test_split

二摘代码MATLAB 相对属性 团队 卡纳夫·古普塔（Kanav Gupta） 帕塔·帕塔尼（Parth Partani） 阿努拉格·梅塔（Anurag Mehta） 介绍 项目涉及获得排名功能，该功能可以根据特定属性的强度关联两个或多个图像。 PubFig数据集用于项目 档案结构 MATLAB文件：所有matlab文件均包含用于GIST特征提取的代码 CV_Project.ipynb：项目的主要实施。 图像：772个图像的PubFig数据集 attribs.npy：每个属性的训练权重（使用Rank-SVM） attribs1.npy：训练过的权重用于零镜头学习的可见类

时间序列分析预测小工具。自回归模型分析，卡尔曼滤波自回归模型，AIC, BIC, FPE, MDL, SBC, CAT, PHI自回归模型检验。The TSA toolbox is useful for analysing Time Series. - Stochastic Signal processing - Autoregressive Model Identification - adaptive autoregressive modelling using Kalman filtering - multivariate autoregressive modelling - maximum entropy spectral estimation - matched (inverse) filter design - Histogram analysis - Calcution of the entropy of a time series - Non-linear analysis (3rd order statistics) - Test for UnitCircle- and Hurwitz- Polynomials - multiple signal processing - Several criteria (AIC, BIC, FPE, MDL, SBC, CAT, PHI) for model order selection an autoregressive model are included. - Fast algorithms are used - missing values (encoded as NaN's) are considered

训练集数据提供了4个电场的脱敏后的环境数据和电场实际辐照度和电场发电功率。测试集数据提供了4个电场的脱敏后的环境数据，需要利用这些数据预测每个时间点的光伏发电功率。注意： 为了贴近实际应用，环境数据提供的是预测值，不是实测值，训练集中的电场实际辐照度和电场实际发电功率为脱敏后的实测值。 训练集和测试集的描述如下： 训练集有train_1.csv, train_2.csv, train_3.csv, train_4.csv共4个文件，测试集有test_1.csv,test_2.csv,test_3.csv,test_4.csv共4个文件，分别为电场1，电场2，电场3，电场4的训练集数据和测试集数据。 补充说明： 1.实际功率中的负值是因为机组在发电不足时自身会消耗电能。 2.实发幅照度中的负值视为噪声数据。