搜索资源列表
randomForest_4.5-36
- 随机森林分类器 可以实现分类 适合初学者学习参考-Neural network classifiers can be used to classify information for beginners to learn
Random-Forest-Classify
- 随机森林分类器，用Opencv与C混合编程实现，程序包含如何分类及训练，对初学者有一定的帮助-Random Forest classifier, using Opencv with C mixed programming, the program includes how to classify and training, there is some help for beginners
adaboost
- AdaBoost元算法属于boosting系统融合方法中最流行的一种，说白了就是一种串行训练并且最后加权累加的系统融合方法。 具体的流程是：每一个训练样例都赋予相同的权重，并且权重满足归一化，经过第一个分类器分类之后， 计算第一个分类器的权重alpha值，并且更新每一个训练样例的权重，然后再进行第二个分类器的训练，相同的方法....... 直到错误率为0或者达到指定的训练轮数，其中最后预测的标签计算是各系统*alpha的加权和，然后sign（预测值）。 可以看出，训练流程是串行的
chapter30
- 基于随机森林思想的组合分类器设计——乳腺癌诊断-Artificial Neural Networks
A-tutorial-on-spectral-clustering
- 机器学习的各种算法，与实现 如谱分析 ，随机森林，分类器，线性分类器-machine learning and artifical intelligence spectrum anysis ramdom forest and linear classification
RandomForest_matlab
- 随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定-Random Forest is a decision tree classifier comprising a plurality, and its output is the category number by individual trees all output categories may be
RandomForestaAdaBoost
- 随机森林，决策树以及adaboost分类器的java实现。随机森林和adaboost都基于决策树完成。-Random forests, tree and adaboost classifier java. Random Forest and adaboost are based on the decision tree is complete.
data
- 随机森林算法的构造过程：1、通过给定的原始数据，选出其中部分数据进行决策树的构造，数据选取是”有放回“的过程，我在这里用的是CART分类回归树。 2、随机森林构造完成之后，给定一组测试数据，使得每个分类器对其结果分类进行评估，最后取评估结果的众数最为最终结果-Random Forest algorithm construction process: 1, by a given raw data, which part of the decision tree data structu
20170106RF_Matlab
- 随机森林指的是利用多棵树对样本进行训练并预测的一种分类器，包括两个方面：数据的随机性选取，以及待选特征的随机选取。-Random forest refers to the use of more than one tree to sample the training and prediction of a classifier, including two aspects: random selection of data, as well as the characteristics of
Ensemble-Learning
- 集成学习将若干基分类器的预测结果进行综合，具体包括Bagging算法和AdaBoost算法；还有随机森林算法，利用多棵树对样本进行训练并预测的一种分类器-Integrated learning integrates the prediction results of several base classifiers, including Bagging algorithm and AdaBoost algorithm and random forest algorithm, using a t
RandomForest
- 随机森林分类器算法的应用，包含分类例子和回归例子(Random forest algorithm matlab)
随机森林分类器
- 对提取好的n维特征，实现随机森林分类器分类。(For the extraction of good characteristics, the realization of random forest classification)
Random forest
- 随机森林可以用来做分类，是分类效果较好的分类器。(Random forest can be used to classify, and it is a classifier with better classification effect.)
RandomForest_matlab
- 随机森林是一个包含多个决策树的分类器，通过matlab实现实现随机森林算法(Matlab implementation of random forest algorithm)
随机森林算法分类、回归
- 随机森林分类器，matlab写的，直接可以运行，不需要该任何东西，详细看readme和案例。-Random Forest classifier, matlab write, direct run, does not require that anything
Classifiers
- 我们需要成百上千的分类器来解决现实世界的分类吗 我们评估179分类17种分类器（判别分析，贝叶斯，神经网络，支持向量机，决策树，基于规则的分类器，升压、装袋、堆放、随机森林和其他合奏，广义线性模型，线性，偏最小二乘法和主成分回归，logistic回归、多项式回归、多元自适应回归样条等方法），实现在WEKA，R（有或没有插入包），C和Matlab，包括所有目前可用的相关分类。(Do-we-Need-Hundreds-of-Classifiers-to-Solve-Real-World-Class
randomforest-matlab
- 随机森林分类器的MATLAB代码，方便调用使用随机森林（RF）通过MATLAB平台(MATLAB Code of Random Forest Classifier)
Random-Forests-Matlab-master (2)
- 要说随机森林，必须先讲决策树。决策树是一种基本的分类器，一般是将特征分为两类（决策树也可以用来回归，不过本文中暂且不表）。构建好的决策树呈树形结构，可以认为是if-then规则的集合，主要优点是模型具有可读性，分类速度快。(In machine learning, a random forest is a classifier that contains multiple decision trees, and its output category is determined by the m
机器学习之随机森林
- Bagging是并行式集成学习方法最著名的代表，Bagging通常对分类任务使用简单投票法，随机森林（RF）是Bagging的一个扩展变体，RF在以决策树为基学习器构建Bagging 集成的基础上，进一步在决策树的训练过程中引入了随机属性选择。在RF中，集成模型的每棵树构建时所需的样本都是由训练集经过有放回的随机抽样得来（即自助采样法bootstrap sample）。