电话营销作为一种低成本的营销模式，一直是银行推广理财产品的最重要渠道。 传统的电话销售不仅给许多电话访问客户带来了干扰，而且浪费了银行本身的资源。 为了提高银行电话营销的成功率，有必要提前预测哪些客户最有可能购买理财产品，以实现精准营销。 针对影响电话销售成功率的因素的复杂的高维非线性特征，提出了一种t-SNE（t分布随机邻居嵌入）特征提取方法，然后将提取的低维特征作为输入，使用非线性支持向量机（SVM）用于训练和预测。 实证结果表明，本文提出的基于t-SNE-SVM的银行电话。 营销预测模型具有良好的学习能力和泛化能力，可以为银行等行业实现精准营销提供一定的决策参考。
2021-05-09 00:47:45
726KB
1
t-SNE算是比较新的一种方法，也是效果比较好的一种方法。t-SNE是深度学习大牛Hinton和lvdmaaten（他的弟子？）在2008年提出的，lvdmaaten对t-SNE有个主页介绍：tsne,包括论文以及各种编程语言的实现。
2021-04-06 16:37:18
3KB
1
English |
SNE-RoadSeg2
介绍
此SNE-RoadSeg2基于SNE-RoadSeg的官方pytorch实现的，已被接受。这是他们的。
在此，我们为提供了培训和测试设置。我们在Python 3.7，CUDA 10.0，cuDNN 7和PyTorch 1.1中测试我们的代码。我们提供Dockerfile来构建我们使用的Dockerfile映像。
设置
请根据以下文件夹结构设置KITTI道路数据集和预训练的权重：
SNE-RoadSeg
|-- checkpoints
| |-- kitti
| | |-- kitti_net_RoadSeg.pth
|-- data
|-- datasets
| |-- kitti
| | |-- training
| | | |-- calib
| | | |-- depth_u16
|
2021-04-05 16:00:19
20.11MB
1
在进行论文写作时，经常要对深度学习模型的分类结果进行描述，采用t-sne对网络进行可视化是绝大多数高水平论文的必要内容之一。在本资源中，采用卷积神经网络对minist数据集进行识别分类，并采用t-sne可视化卷积神经网络，保存可用于论文的图形。
2021-03-26 11:12:52
4KB
1
Mutiple maps t-SNE 代码，使用Matlab进行实现的，实现语义区分。
2021-03-14 18:00:41
1.11MB
1
这是用t-sne算法对手写数字实例进行降维，可视化的实例，完美实现算法对手写数字的聚类，实现了分类效果。已经过检验可以使用，可放心下载运行。
2019-12-21 21:41:11
6.81MB
1