搜索资源列表
-
0下载：
支持向量机分类器（可分类文本，编的非常不错）-The uploaded Support Vector Machine (SVM) Classifier can classify text-type data well.
-
-
0下载：
目的:运用强化学习!多分类器集成!降维方法等最新计算机技术,结合细胞病理知识,设计制作/智能化肺癌细胞病理图像诊断系统0"方法:采集细胞图像,运用基于强化学习的图像分割法将细胞区域从背景中分离出来 运用基于样条和改进2方法对重叠细胞进行分离和重构 提取40个细胞特征用于贝叶斯!支持向量机!紧邻和决策树4种分类器,集成产生肺癌细胞分类结果 建立肺癌细胞病理图库,运用基于等降维方法对细胞进行比对,给予未定型癌细胞分类"结果:/智能化肺癌细胞病理诊断系统0应用于临床随机1200例肺
-
-
0下载：
该程序包实现了几个常用的模式识别分类器算法，包括K近邻分类器KNN、线性判别方程LDF分类器、二次判别方程QDF分类器、RDA规则判别分析分类器、MQDF改进二次判别方程分类器、SVM支持向量机分类器。 主程序中还有接口调用举例，压缩包中还有两个测试数据集文件。-The package to achieve a number of commonly used pattern recognition classifier algorithms, including K neighbor class
-
-
1下载：
支持向量机分类器 训练器 可以直接使用 C++语言实现 SVMLight-Support Vector Machine classifier training can direct the use of C++ language SVMLight
-
-
0下载：
从因子分析的角度出发解决基因表达谱分析问题。为解决独立成分分析方法在求解过程中的不稳定性，提出一种基于选择性独立成分分析的DNA微阵列数据集成分类器。首先对基因表达水平的重构误差进行分析，选择部分重构误差较小的独立成分进行样本重构，然后基于重构后的样本同时训练多个支持向量机基分类器，最后选择部分分类正确率较高的基分类器进行最大投票以得到最终结果。在3个常用测试集上验证了本文设计方法的有效性。-This paper tries to deal with gene expression proble
-
-
0下载：
交互支持向量机学习算法能解决一些监督学习问
题中学习样本较少的问题, 它以支持向量机(SVM ) 方法为
基础, 将设计分类器变成一个交互的过程, 即: 根据对已知
样本进行的SVM 分类器设计, 主动采样选择“有用”的新样
本, 并进行下一步SVM 分类器的设计。与普通SVM 法相
比, 该方法所需的样本量大大降低, 而且可能达到更好的推
广能力。文本信息过滤问题的实例说明了该算法的有效性。-Interactive support vector machine lear
-
-
0下载：
基于神经网络的遥感图像分类取得了较好的效果,但存在固有的过学习、易陷入局部极小等缺点.支持向量机机器学习方法,根据结构风险最小化(SRM)原理,表现出很多优于其他传统方法的性能,本研究的基于多类支持向量机分类器的遥感图像分类取得了达95.4 的分类精度.但由于遥感图像分类类别多,所需训练样本较大,人工选择效率较低,为此提出以人工选择初始聚类质心、C均值模糊聚类算法自动标注训练样本的基于多类支持向量机的半监督式遥感图像分类方法,期望能在获得适用的分类精度的基础上有效提高分类效率-Neural ne
-
-
0下载：
交叉验证的实现，判定SVM分类器 支持向量机SVM(Support Vector Machine）是一种可训练的机器学习方法。-The realization of cross-validation to determine SVM classifier support vector machine SVM (Support Vector Machine) is a machine learning method trainable.
-
-
0下载：
利用R语言实现高级分类器,支持向量机( SVM)(Advanced classifier, support vector machine (SVM))
-
