当前位置：
首页 资源下载
搜索资源 - classification dataset
搜索资源列表
-
0下载：
利用opencv的ML-SVM，进行·mnist数据集的训练分类。
同时包含该数据集的读取(use opencv's ML-SVM to carry out training classification of MNIST dataset.
Including the reading of the data set)
-
-
1下载：
一份用tensorflow平台做的cnn分类时序信号，是分类UCI 项目中的人体活动识别（HAR）数据集。该数据集包含原始的时序数据和经预处理的数据（包含 561 个特征）(A CNN classification timing signal made by tensorflow platform is a human activity recognition (HAR) dataset in the classified UCI project. The dataset contains or
-
-
0下载：
一个简单的多层感知器实现鸢尾花数据的分类的代码(use mlp to realize the classification of Iris dataset)
-
-
1下载：
用natlab将iris数据聚类为三类。然后将结果与虹膜数据集中的正确结果进行比较，并计算分类精度(You are offered the iris dataset of the UCI dataset. Cluster the data to three categories. Then compare the result with the correct one in iris dataset and compute the classification accuracy.)
-
-
11下载：
极化SAR图像分类数据，Flevoland部分地区T3矩阵数据(Dataset for PolSAR image classification, T3 matrix of Flevoland subarea.)
-
-
1下载：
在CIFAR-10数据集上使用卷积神经网络进行图像分类(Image classification using convolution neural network on CIFAR-10 dataset)
-
-
1下载：
利用深度学习进行遥感图像场景分类
这里我们对NWPU-RESISC45数据集的场景图像进行分类
我们将卷积神经网络应用于图像分类。我们从头开始训练数据集。此外，还应用了预先训练的VGG16 abd ResNet50进行迁移学习。(Scene Classification of Remote Sensing Images Using Deep Learning
Here we classify scene images from NWPU-RESISC45 dataset
We apply
-
-
2下载：
封装KNN算法，了解IRIS数据集 分类鸢尾花数据集(Encapsulation of KNN algorithm to understand IRIS dataset classification iris dataset)
-
-
2下载：
应用K-means聚类算法，实现对iris数据集的分类(Using K-means clustering algorithm to realize the Classification of iris dataset)
-
-
5下载：
BCI_MI_CSP_DNN是一种基于matlab的运动图像脑电信号分类程序。
基于matlab深度学习工具箱编写了BCI_MI_CSP_DNN程序
本程序的原理基于CSP和DNN算法
这个程序的性能是基于BCI竞赛II数据集II
提出了一种基于深度学习的运动图像脑电信号分类方法。在预处理原始脑电图信号的基础上，采用共空间模型(CSP)方法提取脑电图特征矩阵，并将其输入深度神经网络(DNN)进行训练和分类。我们的工作在BCI Competition II Dataset III上进行了实
-
-
1下载：
此代码使用python中的sklearn实现了对uci中spambase垃圾邮件数据集的分类(This code uses sklearn in Python to realize the classification of spam dataset in UCI)
-
-
1下载：
（a）产生两个都具有200个二维向量的数据集和（注意：在生成数据集之前最好使用命令randn(‘seed’,0)初始化高斯随机生成器为0（或任意给定数值），这对结果的可重复性很重要）。向量的前半部分来自均值向量的正态分布，并且协方差矩阵。向量的后半部分来自均值向量的正态分布，并且协方差矩阵。其中是一个2*2的单位矩阵。
（b）在上述数据集上运用感知器算法，并且使用不同的初始向量初始化参数向量。
（c）测试每一次算法在和上的性能。
（d）画出数据集和，以及分类面。((a) Generate
-
-
2下载：
a）产生两个都具有200个二维向量的数据集和（注意：在生成数据集之前最好使用命令randn(‘seed’,0)初始化高斯随机生成器为0（或任意给定数值），这对结果的可重复性很重要）。向量的前半部分来自均值向量的正态分布，并且协方差矩阵。向量的后半部分来自均值向量的正态分布，并且协方差矩阵。其中是一个2*2的单位矩阵。
（b）在上述数据集上和分别属于+1类和-1类，请在上述数据集的两类中各随机抽取150个样本作为训练集，运用Logistic regression算法得到的分类面，然后对余下的各5
-
