Binbin的技术博客

KNN算法效果的演示 clear;clc;close all % generate point by uniform rng(1); n = 50; xy = unifrnd(0,10, [n, 2]); group = randi(2, [n, 1]); % plot figure; gscatter(xy(:,1),xy(:,2),group,'br','

实现了KD平衡树的程序，由于MATLAB实现需要用到引用类型或者采用循环实现(见MATLAB的KDTreeSearcher.m),因此采用C#来实现 using System; using System.Collections.Generic; using System.Linq; namespace KNNSearch { /// /// Descri

KNN算法的C#代码，上一篇博客中的C#创建KD树的程序中的算法是模仿MATLAB的KDTree的程序思路 这次按照李航老师的《统计学习方法》中的思路，写一个C#程序，其中创建KD树的分割的维度并不是轮寻，而是按照数据的范围来找的 using System; using System.Collections.Generic; using System.Linq; namespac

继续实现《统计学习方法》的集成学习的算法，算法如下： 采用MATLAB2017A版本实现，最后和MATLAB自带的算法进行了比较 clear;clc;close all % 待分类的数据，第一行x，第二行y data = [0 : 9; 1 1 1 -1 -1 -1 1 1 1 -1]; X = data(1, :); y = data(2, :); minx =

感知机是最简单的分类器，采用MATLAB实现感知器，采用comet动态画图，比较直观，对初学者有借鉴价值 clear;clc;close all % define three points x1 = [3, 3]'; x2 = [4, 3]'; x3 = [1, 1]'; x = [x1, x2, x3]; % x1 and x2 is positive example, x3

感知器的对偶形式的程序实现，算法见李航老师的《统计学习方法》 clear;clc;close all % define three points x1 = [3, 3]'; x2 = [4, 3]'; x3 = [1, 1]'; x = [x1, x2, x3]; % x1 and x2 is positive example, x3 is negative example y

算法来自于李航老师的《统计机器学习》 clear;clc;close all %% 0. 导入数据 % 李航老师的《统计学习方法》第50页 data = ["1","1","1","1","1","2","2","2","2","2","3","3","3","3","3"; "S","M","M","S","S","S","M","M","L","L","L","

决策树算法有一个关键步骤就是最优特征的选择，利用信息增益算法选择该特征，例子来自于《统计学习方法》 利用MATLAB2017A版本，编写MATLAB程序计算之，将上述的数据保存到data5.xlsx中 clear;clc;close all % 计算信息增益，决策树算法的基础 data = readtable('data5.xlsx'); data = string(table2