对收集到测井数据进行去除异常值、插值、标准化、独热编码等数据预处理，分别得到预测储层物性的回归数据及识别储层含油气性的分类数据。 为了预测储层物性孔隙度，本文构建了SVM支持向量机回归模型，并对该网络的BoxConstraint和KernelScale等关键指标进行超参数调整。基于上述模型，采用留一法交叉验证将单个井作为测试集，其余不包含该井的测井数据作为训练集，以此来分析单个井的孔隙度预测结果。 对影响因素数据（除去取值深度）进行主成分分析（PCA），将第一主成分和第二主成分作为SVM支持向量机模型的输入向量序列，以六类流体性质（含油水层、差油层、干层、水层、油层及油水同层）作为标签形成输出向量序列。由于典型的SVM支持向量机只能处理二分类问题，因此本文分别构建了六个SVM分类器。并且利用混淆矩阵、ROC曲线及AUC面积来衡量以上分类模型的性能。 适用方向：统计学及机器学习算法（SVM）的实例应用 关键词：SVM支持向量机；留一法交叉验证；主成分分析；matlab

实验数据集：垃圾邮件数据集（http://archive.ics.uci.edu/ml/datasets/Spambase）。请从spambase.csv读入数据。 数据集基本信息如下：样本数: 4601,特征数量: 57, 类别：1为垃圾邮件，0为非垃圾邮件。

PyTorch image models, scripts, pretrained weights -- (SE)ResNet/ResNeXT, DPN, EfficientNet, MixNet, MobileNet-V3/V2/V1, MNASNet, Single-Path NAS, FBNet, and more

内容概要：分享了一个本人用于训练深度学习模型的一个模板， 适用人群：深度学习网络+pytorch的初学者 使用场景及目标：帮助初学者能够快速了解，模型训练的流程 其他说明：无

数学建模 垃圾分类模型.docx

OpenCV调用caffe分类模型 包含源代码、模型文件、模型数据、ImageNet1000分类、测试图片 自己安装vs+opencv即可复现 注释清晰，小白可看，保姆级表现

尝试将word embedding和卷积神经网络（CNN）相结合来解决情感分类问题。首先，利用skip-gram模型训练出数据集中每个词的word embedding，然后将每条样本中出现的word embedding组合为二维特征矩阵作为卷积神经网络的输入，此外每次迭代训练过程中，输入特征也作为参数进行更新；其次，设计了一种具有三种不同大小卷积核的神经网络结构，从而完成多种局部抽象特征的自动提取过程。与传统机器学习方法相比，所提出的基于word embedding和CNN的情感分类模型成功地将分类正确率提升了5.04%。

一种基于聚类的个人信用评估分类模型，陈新泉，，本文先介绍了个人信用评估的概念及评估模型大致的发展历程，从而很自然地得出采用数据挖掘的方法与技术来建立信用评估模型是一个

澳洲雨 通过在目标变量RainTomorrow上训练分类模型来预测第二天的降雨。

ResNet50训练保存的垃圾分类模型