描述 用于此代码是2016年我的解决办法结束8日将在私人排行榜和它是基于公共排行榜和0.79074 AUC私人排行榜与0.80396 AUC分类决策树。 软件 Matlab 2014a 数据 我使用了train_and_test_data_labels_safe.csv中标记为安全的所有数据文件。 没有进行任何预处理。 特征 在每个频道的整个10分钟文件中计算功能，而不会分成任何较短的纪元。 我基本上从示例提交脚本中获取了所有功能，并根据我的直觉和有关此主题的一些文章添加了其他功能。 功能包括： 平均值，标准偏差，偏度，峰度，光谱边缘，香农熵（用于信号和Dyads），Hjorth参数，几种类型的分形维数 使用Morlet波的10尺度小波变换的奇异值 -0.5，+ 0.5秒间隔内通道之间的最大相关性，频域中通道之间的相关性，每个二进位级上通道功率谱之间的相关性 每个频道共有73个功能，只

在高效视频编码（HEVC）中，SKIP.mode是一种高效的帧间预测工具，具有较高的编码性能，较低的复杂度。 本文提出了一种早期的SKIP.mode决策算法来加速编码过程。 以SKIP模式的速率失真成本（RD-cost）作为决策标准。 采用非参数密度估计方案将SKIP RD成本分布空间划分为高区分区域（HDR）和低区分区域（LDR）。 对于给定的编码单位（CU），如果SKIP RDcost。落入HDR，则将SKIP模式直接选择为最佳模式。 如果RD成本映射到LDR，则采用贝叶斯风险最小化规则来确保RD性能。 统计参数根据不同的QP和CU深度进行更新。 实验结果表明，所提出的算法可以减少47％的编码时间，而平均仅增加BD-bitrate的0.34％。

本文实例讲述了Python实现的随机森林算法。分享给大家供大家参考，具体如下： 随机森林是数据挖掘中非常常用的分类预测算法，以分类或回归的决策树为基分类器。算法的一些基本要点： *对大小为m的数据集进行样本量同样为m的有放回抽样； *对K个特征进行随机抽样，形成特征的子集，样本量的确定方法可以有平方根、自然对数等； *每棵树完全生成，不进行剪枝； *每个样本的预测结果由每棵树的预测投票生成（回归的时候，即各棵树的叶节点的平均） 著名的python机器学习包scikit learn的文档对此算法有比较详尽的介绍: http://scikit-learn.org/stable/modules/en

自行车份额预测 该工具允许希望获得共享单车使用量预测的人们。 目前，它可以与系统一起使用，但是可以在一分钟内扩展到任何共享单车系统，尤其是任何系统。 该Web服务的示例实例在Heroku上运行，您可以在以下位置访问它： : 。 它包含Vélib合同的站点，但不做任何预测。 安装 从获取API密钥 从获取API密钥 从获取API密钥（每天最多1000个调用） 使用以下格式创建config/api_keys.yml文件： jcdecaux: API_KEY openweathermap: API_KEY forecastio: API_KEY bundle install bundle exec rake db:create bundle exec rake db:migrate bundle exec whenever -i bundle exec rake fetch:p

加权盒融合 存储库包含Python方法的几种实现，这些方法用于组合对象检测模型中的框： 非最大抑制（NMS） 软网管 非最大加权（NMW） 加权框融合（WBF） -与其他方法相比，可以提供更好的结果的新方法 要求 Python 3。*，Numpy，Numba 安装 pip install ensemble-boxes 用法示例 预计将标准化的框的坐标，例如，范围为[0; 1]。 顺序：x1，y1，x2，y2。 下面的2种型号的盒装示例。 第一个模型预测5个盒子，第二个模型预测4个盒子。 每个盒子模型的置信度得分1：[0.9、0.8、0.2、0.4、0.7] 每个盒子模型2的置信度得分：[0.5、0.8、0.7、0.3] 每个包装盒型号1的标签（类）：[0，1，0，1，1] 每个盒子模型2的标签（类）：[1、1、1、0] 我们将第一个模型的权重设置为2，将第二个模型

RNA Secondary Structure Prediction

通过多模型监督学习算法进行收入预测 寻找慈善捐助者 胡安·罗隆（Juan E.Rolon），2017年 项目概况 在此项目中，我采用了几种监督算法，以使用从1994年美国人口普查中收集的数据准确地预测个人收入。 我们执行各种测试过程，以从初步结果中选择最佳候选算法，然后进一步优化该算法以对数据进行最佳建模。 此实现的主要目标是构建一个模型，该模型可以准确地预测个人的收入是否超过50,000美元。 在非营利机构中，组织可以靠捐赠生存，这种任务可能会出现。 了解个人的收入可以帮助非营利组织更好地理解要请求的捐赠额，或者是否应该从一开始就伸出援手。 虽然直接从公共来源确定个人的一般收入等级可能很困难，但我们可以从其他公共可用功能中推断出此价值。 该项目是从Udacity获得机器学习工程师Nanodegree所需条件的一部分。 安装 此项目需要Python 2.7和已安装的以下Python

使用机器学习R和发光的心脏疾病预测 庄主：Soham Bakore 使用R和Shiny创建Web应用程序以使用机器学习预测心脏病 我们正在使用三种机器学习算法，分别是朴素贝叶斯（Naive Bayes），支持向量机（SVM）和决策树。 目前，在支持SVM的Shiny Web应用中实现了精度最高的算法。 用户的“登录和注册”模块正在进行中，将很快更新。

中风预测 中风相关健康数据分析。 具有对数据的统计探索和模型测试的功能

纽约出租车车费预测csv文件阉割版，只有前50w条数据New-York-City-Taxi-Fare-Prediction