该代码提供了一个基本示例，说明如何使用遗传算法、粒子群和模拟退火对单层（浅层）神经网络进行超参数优化。

大数据-算法-针对类别不平衡和代价敏感分类问题的特征选择和分类算法.pdf

数据集名称：成人自闭症谱系筛查数据 摘要：自闭症谱系障碍（ASD）是一种与显着的医疗费用有关的神经发育疾病，早期诊断可以显着减少这些疾病。 不幸的是，等待ASD诊断的时间很长，而且程序的成本效益也不高。 自闭症的经济影响和全世界ASD病例数量的增加表明，迫切需要开发易于实施和有效的筛查方法。 因此，迫切需要进行时间高效且可访问的ASD筛查，以帮助卫生专业人员并告知个人是否应进行正式的临床诊断。 全球ASD病例数的快速增长需要与行为特征相关的数据集。 但是，这样的数据集很少，因此很难进行全面的分析以提高ASD筛选过程的效率，敏感性，特异性和预测准确性。 目前，与临床或筛查有关的自闭症数据集非常有限，并且大多数都是自然遗传的。 因此，我们提出了一个与成人自闭症筛查有关的新数据集，其中包含20个特征，可用于进一步分析，特别是在确定有影响力的自闭症特征和改善ASD病例分类方面。 在此数据集中，我们

人工智能-项目实践-企业退出风险预测-基于python的企业经营退出风险预测，二分类问题 model: Xgboost 数据处理： pandas 文件夹结构介绍 data/alldata/： 存放所有的得到的数据文件 data/public/: 题目给定的原始数据 (https://pan.baidu.com/s/1nuJNz9B) 提取密码：t2ek 运行之前，请建立对应的文件夹，并导入数据。 model/：运行的model文件 feature/: 提取特征的py文件 saveModel/: 保存model，可以不使用 stack/: stacking特征的py文件 xresult/：存放输出结果的文件

【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：classification_极限学习机在分类问题中的应用研究_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员

泰坦尼克号乘客生还预测——它是一个二分类问题，要求根据乘客的相关信息去预测乘客的生还，我们使用逻辑回归模型去预测

用卷积滤波器matlab代码TCN的眼动分类 用于三级眼动分类问题的时间卷积网络（3EMCP） 该存储库提供对代码库，模型和评估结果的访问，该论文在论文《带有时间卷积网络的眼动分类》中进行了描述（将很快提供链接）。 请注意，此处共享的大多数代码最初是由实施的。 我们仅添加了对TCN的支持，将其升级到Python 3，实现了一些新工具，并在Python中提供了一个新的功能提取器（原始功能提取器在MATLAB中）。 配置 为了训练新的基于TCN的模型或评估先前训练的模型，您需要首先下载一些包含所有必要数据的大型压缩文件，然后根据以下说明进行提取： 下载，其中包含GazeCom预先计算的功能（具有额外的比例和功能），并将其提取到data/inputs/ 下载具有所有受过训练的模型的压缩文件，并将其解压缩到存储库根文件夹中 下载，将文件包含经过训练的模型的生成的输出进行评估，然后将其提取到存储库根文件夹中 已知依赖 Python 3.6+ TensorFlow 2.0+ 脾气暴躁的 训练 要训​​练新的TCN模型，应运行train_tcn.py脚本，但首先需要设置训练参数。 这是在代码中完成的

chinese_text_classification 通过一个中文文本分类问题系统实现了各种分类方法 数据来源 数据搜狗新闻 类别 有汽车，娱乐，军事，体育，技术五种类别。原始数据比较大，没有上传，分词，去除重组词之后的数据放在processed_data文件夹下。 分类算法 主要实现了以下分类算法： NB（朴素贝叶斯） 支持向量机 快速文本 text_CNN text_RNN text_RCNN text_Bi_LSTM text_Attention_Bi_LSTM HAN（分层注意网络） 埃尔莫 分类准确率 分类准确率都在90％附近，没有进行过多预处理，只为熟悉算法的使用。 依赖库 基于tensorflow2.0实现，可以在win和linux下运行。觉得有用的点个赞，谢谢。

PCC 概率分类器链（PCC）算法解决了多标签分类问题。 有关更多信息，请参见：KrzysztofDembczyński，Weiwei Cheng，EykeHüllermeier，通过概率分类器链进行的贝叶斯最优多标签分类。 ICML 2010：279-286

使用R的集成方法 ######我已经完成了关于集成方法的个人项目（论文）。 首先，我对不同的集成方法进行了背景研究，然后在基础机器学习算法上实现了Boosting，AdaBoost，Bagging和随机森林技术。 我使用了提升方法来提高弱小的学习者（如决策树桩）的性能。 为决策树（包括回归和分类问题）和KNN分类器实施装袋。 将随机森林用作分类树。 我已经在使用不同阈值的逻辑回归算法上实现了一种特殊的增强算法，称为“ AdaBoost”。 然后绘制不同的图形，例如错误率与增强，装袋和随机森林迭代的关系。 比较装袋与提振的结果。 在应用集成方法之前和应用集成方法之后，分析了分类器的性能。 使用了诸如交叉验证，MSE，PRSS，ROC曲线，混淆矩阵和袋外误差估计之类的不同模型评估技术来评估集成技术的性能。