自定义博客皮肤VIP专享

*博客头图：

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览 取消 提交

自定义博客皮肤

-+
上一步保存

weixin_42051846的博客

  • 博客(82)
  • 资源 (5)
  • 收藏
  • 关注
排序：
按最后发布时间
按访问量
RSS订阅

原创 十七、机器学习进阶知识：推荐算法

主要从推荐算法的相关概念、协同过滤推荐算法以及基于内容的推荐算法这三个部分展开介绍，其中协同过滤推荐算法分别对基于用户以及基于用品这两种进行展开说明，而基于内容则是结合具体的实例进行说明。

2023-12-18 17:00:00 1425

原创 十六、机器学习进阶知识：线性回归与逻辑回归算法

分别从原理以及实例两个部分来依次介绍线性回归与逻辑回归算法，其中逻辑回归算法部分详细说明了其与线性回归的区别以及算法原理中涉及到的逻辑函数、损失函数、梯度下降等概念。

2023-12-11 17:00:00 1149

原创 十五、机器学习进阶知识：K-Means聚类算法

详细介绍了聚类的定义以及K-Means聚类算法的的主要原理，结合具体的实例来分别介绍Sklearn实现K-Means聚类的过程，最后说明算法存在的不足以及常见解决思路。

2023-12-04 17:00:00 2038

原创 十四、机器学习进阶知识：KNN分类算法

详细介绍了KNN分类的主要原理及核心要素，结合结合鸢尾花分类与手写数字识别两个实例来介绍KNN分类的实现过程。

2023-11-27 17:00:00 1274

原创 三、机器学习基础知识：Python常用机器学习库（图像处理相关库）

详细介绍了Python常用机器学习库里的图像处理相关库，主要包括OpenCV和PIL两种库的参数和使用方式，同时结合实例介绍了这两种库的实际应用。

2023-11-20 17:00:00 443

原创 三、机器学习基础知识：Python常用机器学习库（中文文本分析相关库）

详细介绍了Python常用机器学习库里的中文文本分析相关库，主要包括Jieba和WordCloud两种库的参数和使用方式，同时结合实例介绍了这两种库的实际应用。

2023-11-13 17:00:00 508

原创 三、机器学习基础知识：Python常用机器学习库（SKlearn）

详细介绍了Python常用机器学习库SKlearn，主要围绕其中的简介、主要步骤、数据预处理、模型选择与算法评价这几个部分展开说明。

2023-11-06 17:00:00 539

原创 三、机器学习基础知识：Python常用机器学习库（Matplotlib）

详细介绍了Python常用机器学习库Matplotlib，主要围绕其中的基本结构、pyplot模块、pyplot.plot()函数、常见的属性设置、其他类型的图表以及子图的绘制这几个部分展开说明。

2023-10-30 17:00:00 407

原创 三、机器学习基础知识：Python常用机器学习库（Pandas）

详细介绍了Python常用机器学习库Pandas，主要围绕其中的Series数据结构、DataFrame对象、数据对齐、缺失数据处理以及Pandas存取文件这几个部分展开说明。

2023-10-23 17:00:00 579

原创 三、机器学习基础知识：Python常用机器学习库（Numpy第二部分）

详细介绍了Python常用机器学习库Numpy，主要围绕其中的其他创建数组的方式、索引、切片和迭代、Numpy计算以及Numpy存取文件这几个部分展开说明。

2023-10-16 17:00:00 227

原创 三、机器学习基础知识：Python常用机器学习库（Numpy第一部分）

详细介绍了Python常用机器学习库Numpy，主要围绕其中的ndarray对象、Numpy数据类型、Numpy数组类型这几个部分展开说明。

2023-10-09 17:00:00 226

原创 二、机器学习基础知识：Python数据处理基础

分别从机器学习需要使用到的Python数据处理基础中的基本数据类型和数据文件读写两个方向展开介绍，其中基本数据类型包括数字类型、字符串类型、列表类型、元组类型、字典类型以及集合类型；数据文件读写包括打开与关闭文件、读取文件内容以及将数据写入文件。

2023-10-02 17:00:00 569

原创 一、机器学习基础知识：基本概念与Python开发环境

分别从机器学习中的监督学习、无监督学习以及强化学习三种类型展开概念上的介绍，同时对机器学习的Python开发环境展开介绍，并详细说明了Anaconda集成开发环境的安装及使用方法。

2023-09-25 17:00:00 482 1

原创 七、Hive数据仓库应用之Hive优化（超详细步骤指导操作，WIN10，VMware Workstation 15.5 PRO，CentOS-6.7）

Hive数据仓库应用实验之Hive事务，熟悉了解Hive优化内容中的存储优化、参数优化以及HiveQL语句优化，WIN10系统，虚拟机软件VMware Workstation 15.5 PRO，Linux版本CentOS-6.7，超详细步骤配图详解，对新手友好。

2023-09-18 17:00:00 774

原创 六、Hive数据仓库应用之Hive事务（超详细步骤指导操作，WIN10，VMware Workstation 15.5 PRO，CentOS-6.7）

Hive数据仓库应用实验之Hive事务，熟悉了解Hive事务的开启、创建、更新及删除操作，WIN10系统，虚拟机软件VMware Workstation 15.5 PRO，Linux版本CentOS-6.7，超详细步骤配图详解，对新手友好。

2023-09-11 17:00:00 2262

原创 Python程序设计基础：异常

分别从异常中的异常类型和异常的处理过程这两个方面来介绍python基础内容中的异常，介绍过程中运用相关的实例知识点进行说明。

2023-09-04 17:00:00 177

原创 Python程序设计基础：文件操作

分别从文件中的文件路径、文件操作和CSV文件操作这三个方面来介绍python基础内容中的文件，介绍过程中运用相关的实例知识点进行说明。

2023-08-28 17:00:00 1207

原创 Python程序设计基础：random库的使用

分别从random库中的random库函数和应用实例这两个方面来介绍python基础内容中的random库，介绍过程中运用相关的实例知识点进行说明。

2023-08-21 17:00:00 516

原创 Python程序设计基础：函数（二）

分别从函数中的lambda()函数、递归函数和变量的作用域这三个方面来介绍python基础内容中的函数，介绍过程中运用相关的实例知识点进行说明。

2023-08-14 17:00:00 314

原创 Python程序设计基础：函数（一）

分别从函数中的基本概念、定义和使用这两个方面来介绍python基础内容中的函数，介绍过程中运用相关的实例知识点进行说明。

2023-08-07 17:00:00 360

原创 Python程序设计基础：字典与集合（二）

分别从字典的整体操作、创建与访问集合以及集合的基本操作这三个方面来介绍python基础内容中的字典与集合，介绍过程中运用相关的实例知识点进行说明。

2023-07-31 17:00:00 668

原创 Python程序设计基础：字典与集合（一）

分别从创建字典、访问字典以及字典的基本操作这三个方面来介绍python基础内容中的字典与集合，介绍过程中运用相关的实例知识点进行说明。

2023-07-24 17:00:00 996

原创 Python程序设计基础：列表与元组（二）

分别从列表与元组中的数值列表的生成、元组和转换函数这三个方面来介绍python基础内容中的列表与元组，介绍过程中运用相关的实例知识点进行说明。

2023-07-17 17:00:00 1731

原创 Python程序设计基础：列表与元组（一）

分别从列表与元组中的列表表示与访问、元素操作和列表操作这三个方面来介绍python基础内容中的列表与元组，介绍过程中运用相关的实例知识点进行说明。

2023-07-10 16:23:34 787

原创 Python程序设计基础：程序流程控制（二）

分别从循环结构中的for语句、while语句、break和continue语句、else子句、嵌套这五个方面来介绍python基础内容中的程序流程控制，介绍过程中运用相关的实例知识点进行说明。

2023-07-03 15:48:40 444

原创 Python程序设计基础：程序流程控制（一）

分别从条件表达式和选择结构来介绍python基础内容中的程序流程控制，介绍过程中运用相关的实例知识点进行说明。

2023-06-26 17:00:00 645

原创 Python程序设计基础：字符串

分别从字符串、字符串的索引与切片、字符串处理与操作、format格式化方法以及数据类型转换这五部分来介绍python的基础内容，介绍过程中运用相关的实例知识点进行说明。

2023-06-19 17:00:00 644

原创 Python程序设计基础：数值

分别从数值数据类型、内置的数值操作、math库这三部分来介绍python的基础内容，介绍过程中运用相关的实例知识点进行说明。

2023-06-12 17:00:00 603

原创 Python程序设计基础：标识符、变量与赋值、输入输出

分别从标识符、变量与赋值以及输入输出这三部分来介绍python的基础内容，介绍过程中运用相关的实例知识点进行说明。

2023-06-05 17:00:00 1214

原创 十、机器学习基础知识：多模型性能对比评价方法

分别从交叉验证t检验以及Friedman检验与Nemenyi后续检验对机器学习中常见的多模型性能对比评价方法进行介绍，介绍过程中对上述指标的具体计算公式分别进行了说明。

2023-05-29 17:00:00 3106

原创 九、机器学习基础知识：回归预测性能评价指标

分别从均方误差、均方根误差、平均绝对误差、平均绝对百分比误差、对称平均绝对百分比误差以及拟合度这六种方法对机器学习中常见的预测性能评价方法进行介绍，介绍过程中对上述指标的具体公式进行了说明。

2023-05-22 17:00:00 1092

原创 八、机器学习基础知识：分类性能评价指标

分别从准确率、精确率、召回率、、F1-score、ROC曲线面积五种方法对机器学习中常见的分类性能评价方法进行介绍，介绍过程中对上述指标的具体公式进行了说明，此外强调了多分类和二分类评价指标之间的区别。

2023-05-15 17:00:00 1538

原创 六、机器学习基础知识：数据归一化

分别从归一化的原因、最大最小归一化、Z-score标准化以及不同方法的应用四个部分对机器学习中常见的数据归一化方法进行介绍，介绍过程中对数据归一化时具体的公式进行了说明。

2023-05-08 17:00:00 987

原创 四、机器学习基础知识：交叉验证

分别从随机子抽样验证、K折交叉验证、留一法交叉验证以及自助采样验证这四种验证方法来介绍机器学习中的交叉验证过程，其中对这四种方法均采用文字加图解的方式进行详细说明。

2023-05-01 17:00:00 1283 1

原创 五、机器学习基础知识：相关性分析

分别从图表相关性分析、协方差分析、相关系数分析以及回归分析四个部分对机器学习中常见的数据特征相关性分析进行介绍，介绍过程中对相关性分析中具体的公式进行了说明。

2023-04-24 17:00:00 3654 3

原创 十三、机器学习进阶知识：神经网络之反向传播算法（自适应矩估计算法Adam变形形式之Adamax、Nadam）

本文主要介绍了反向传播算法中的自适应矩估计算法（Adam）的两种变形形式Adamax和Nadam，同时以神经网络数据预测为例对它的实现过程进行了说明，通俗易懂，适合新手学习，附源码及实验数据集。

2023-04-17 17:00:00 1754

原创 十三、机器学习进阶知识：神经网络之反向传播算法（自适应矩估计算法Adam）

本文主要介绍了反向传播算法中的自适应矩估计算法（Adam），同时以神经网络数据预测为例对它的实现过程进行了说明，通俗易懂，适合新手学习，附源码及实验数据集。

2023-04-10 17:00:00 2134

原创 十三、机器学习进阶知识：神经网络之反向传播算法（加入动量momentum的误差反向传播算法）

本文主要介绍了反向传播算法中的加入动量（momentum）的误差反向传播算法，同时以神经网络数据预测为例对它的实现过程进行了说明，通俗易懂，适合新手学习，附源码及实验数据集。

2023-04-03 17:00:00 919

原创 十三、机器学习进阶知识：神经网络之反向传播算法（加入Nesterov动量的误差反向传播算法）

本文主要介绍了反向传播算法中的加入Nesterov动量的误差反向传播算法，同时以神经网络数据预测为例对它的实现过程进行了说明，通俗易懂，适合新手学习，附源码及实验数据集。

2023-03-27 18:26:14 744

原创 十三、机器学习进阶知识：神经网络之反向传播算法（自适应学习率调整算法Adadelta）

本文主要介绍了反向传播算法中的自适应学习率调整算法（Adadelta），同时以神经网络数据预测为例对它的实现过程进行了说明，通俗易懂，适合新手学习，附源码及实验数据集。

2023-03-20 16:39:40 1754

Linux上Hadoop安装包hadoop-2.7.4.tar.gz
Hadoop是Apache软件基金会开发的一个开源分布式计算框架，它的核心设计是解决大数据处理的问题。Hadoop 2.7.4是Hadoop发展过程中的一个重要版本，它提供了许多增强特性和稳定性改进，使得大规模数据处理更加高效和可靠。 `hadoop-2.7.4.tar.gz`包含了构建和运行Hadoop集群所需的所有组件和配置，是学习和实践Hadoop分布式计算的基石。了解和掌握这些知识点，对于深入理解大数据处理和分布式计算至关重要。

2024-10-10

windows上VM 15.5Pro及详细的安装使用步骤
VMware Workstation 15.5 Pro是一款强大的虚拟机软件，它允许用户在单个物理计算机上运行多个操作系统，为开发者、IT专业人员和学生提供了一个便捷的平台，以测试和开发应用程序，尤其是在Hadoop这样的大数据环境中的应用。在Windows 10操作系统上安装和使用VMware 15.5 Pro的详细步骤如下： 1. **下载VMware 15.5 Pro安装文件** 2. **安装VMware 15.5 Pro** 3. **设置虚拟机配置** 4. **安装Hadoop系统** 5. **安装和配置Hadoop** 6. **验证Hadoop安装** 7. **使用VMware Tools**

2024-10-10

eclipse的安装使用，适用于Win10
Eclipse是一款广泛使用的开源集成开发环境（IDE），尤其在Java编程领域中占据着重要的地位。本文将详细介绍如何在Windows 10系统上安装并使用Eclipse。 由于Eclipse是一个免安装的应用程序，我们只需将其解压缩到你希望存放的任何位置。确保选择一个方便访问且不会被频繁修改的文件夹，例如"C:\Program Files"。双击压缩包，使用解压缩软件（如WinRAR或7-Zip）将其展开。 解压完成后，找到解压后的文件夹中的"eclipse.exe"文件，这就是Eclipse的启动程序。你可以通过创建桌面快捷方式以便快速访问。右键点击"eclipse.exe"，选择"发送到"->"桌面（创建快捷方式）"。

2024-10-10

安装Hadoop时需要使用的jdk压缩包
1. **下载JDK**：下载完成后，将其上传到Linux服务器的任意目录，例如`/home/user/Downloads/`。 2. **解压JDK**：使用`tar`命令解压下载的文件。在终端中执行： 3. **设置环境变量**：为了使得系统能够全局识别JDK，我们需要修改环境变量。 4. **激活环境变量**：保存并关闭`~/.bashrc`后，执行以下命令使更改生效。 5. **验证安装**：通过运行`java -version`和`javac -version`命令，确认JDK已正确安装并设置好环境变量。 接下来，我们就可以继续安装Hadoop了。

2024-10-10

windows上的jdk安装包
1. **解压安装包**：双击压缩文件，使用常见的解压缩软件（如WinRAR或7-Zip）将其解压到你选择的目标文件夹。 2. **运行安装程序**：找到解压后的.exe文件，通常名为“setup.exe”或类似名称，双击运行。安装向导会引导你完成整个过程。 3. **配置安装选项**：在安装向导中，你可以选择自定义安装路径，一般建议保留默认路径，即"C:\Program Files\Java"。同时，确保勾选"添加Java至系统PATH"选项。 4. **接受许可协议**：阅读并接受Oracle的许可协议，这是安装的必要步骤。 5. **安装过程**：点击“下一步”，安装程序将开始复制文件并配置相关设置。等待安装进度条完成，期间请不要关闭安装窗口。 6. **验证安装**：安装完成后，为了确认JDK已经成功安装，可以在命令提示符中输入`java -version`和`javac -version`命令。如果系统能够正确显示JDK的版本信息，说明安装成功。

2024-10-10

Hadoop上安装Hive的压缩包
在大数据处理领域，Hadoop和Hive是两个重要的组件。Hadoop是一个开源的分布式计算框架，主要用于处理和存储海量数据，而Hive则是一个建立在Hadoop之上的数据仓库工具，它提供了SQL（HQL）类查询语言，使得对大数据进行分析变得更加便捷。现在我们来详细探讨在Hadoop上安装Hive的过程及相关知识点。 Hadoop上的Hive安装涉及环境准备、Hive压缩包的下载和解压、配置文件修改、服务启动等多个步骤。理解这些知识点对于在大数据环境中高效地使用Hive进行数据分析至关重要。通过熟练掌握这些技能，你可以更自如地驾驭Hadoop和Hive，实现大规模数据的快速处理和分析。

2024-10-10

Win10上操作Hadoop的配置文件hadoop2.7.4.rar
在Windows 10环境下搭建和操作Hadoop 2.7.4集群，主要涉及两个核心组件：Hadoop Distributed File System (HDFS) 和 MapReduce。本文将详细介绍如何在Win10上配置Hadoop环境，使用Eclipse进行Java API开发，并进行HDFS的基本操作。 下载Hadoop 2.7.4压缩包并解压到指定目录，例如"C:\Hadoop"。解压后的文件夹结构包含了Hadoop的所有配置文件和可执行程序。

2024-10-10

分布式集群中的Zookeeper压缩包
Zookeeper是Apache Hadoop项目的一个重要组件，它是一个分布式的，开放源码的分布式应用程序协调服务，是集群管理的基石，能够提供诸如配置维护、命名服务、分布式同步、组服务等分布式基础服务。Zookeeper的设计目标是简化分布式环境中的数据管理，通过统一的命名空间，使得分布式应用可以共享配置信息，协调工作状态。 在Hadoop生态系统中，Zookeeper被广泛用于诸如HBase、HDFS、YARN等组件的协调工作。例如，HDFS中的NameNode依赖Zookeeper进行高可用切换，而YARN则利用Zookeeper进行资源调度器和应用管理。 为了运行Zookeeper，你需要配置`conf/zoo.cfg`文件，设置如数据存储路径（dataDir）、客户端连接端口（clientPort）等参数。然后，通过`bin/zkServer.sh`脚本启动服务。在客户端，可以使用`bin/zkCli.sh`工具与Zookeeper服务器进行交互。

2024-10-10

远程模式部署Hive时，mysql连接驱动
在分布式大数据处理环境中，Hive作为一个基于Hadoop的数据仓库工具，常常被用来处理和分析海量数据。当在远程模式下部署Hive时，为了实现元数据的存储与管理，我们需要配置一个外部数据库，如MySQL。这里提到的知识点是关于如何在远程Hive部署中设置MySQL连接驱动。 在远程模式下，Hive不再使用内嵌的Derby数据库作为默认的元数据存储，而是选择像MySQL这样的关系型数据库，以提供更稳定、可扩展的服务。这就需要我们在Hive中配置MySQL连接驱动，以便Hive服务能与MySQL通信。

2024-10-10

使用MyBatis查询数据表信息，基于用户名称进行查询
压缩包中包括配置日志信息log4j.properties，持久化类文件User.java，SQL映射文件UserMapper.xml，MyBatis核心配置文件configuration.xml、测试类UserMapperTest.java以及数据库表文件t_user.sql，实现基于用户名称查询用户信息的相关功能。

2024-10-10

mybatis-3.4.2核心依赖包
mybatis配置文件，压缩包解压后文件名为mybatis-3.4.2.zip，再将其进行解压，里面Mybatis-3.4.2.jar为核心依赖包，Mybatis-3.4.2.pdf为相关说明，lib目录下为其编译依赖包

2024-10-10

windows上的mysql安装包
MySQL是世界上最受欢迎的开源数据库系统之一，尤其在Web应用程序中被广泛应用。Windows平台上的MySQL安装过程相对简单，这里我们将详细探讨“mysql-5.5.15-win32”这个版本的安装步骤及相关知识点。

2024-10-10

windows上的mysql驱动
MySQL驱动是Java应用程序连接到MySQL数据库的关键组件，它允许Java代码通过JDBC（Java Database Connectivity）接口与MySQL服务器通信。在Windows操作系统上使用MySQL驱动，主要涉及以下几个关键知识点： 1. JDBC：JDBC是Java平台上的一个标准API，由Sun Microsystems（现属Oracle公司）开发，用于与各种类型的数据库进行交互。它提供了一套规范，使得Java程序员能够用统一的方式编写数据库应用程序，而无需关心具体的数据库管理系统。 2. MySQL Connector/J：这是MySQL官方提供的Java数据库连接器，对应于JDBC驱动。mysql-connector-java-5.1.40-bin.jar是其中的一个特定版本，适用于Java 5和6，提供了对MySQL 5.x版本的支持。该驱动实现了JDBC接口，使得Java应用可以连接、查询和操作MySQL数据库。

2024-10-10

前馈神经网络用于数据预测（Python源码）
前馈神经网络使用Python实现，可用于数据预测，压缩包中源码BPNN.py主要用于使用训练数据集进行模型训练，生成对应的训练后模型参数，test.py主要用于利用训练好的模型对测试数据集进行预测，输出结果包括MAE、MAPE等误差值以及预测差值的分布情况等。

2024-10-10

使用Python实现网络爬虫技术，爬取携程网与南京相关的游记数据
采集页面头部的行程单数据存储到列表、字典或者文件中，包括游玩天数、游玩时间、人均花费、同游对象、玩法、游玩景点等。获取前50页列表的游记数据后，对数据进行适当分析。

2024-10-10

SecureCRT 简单易安装
SecureCRT 简单易安装，包含了安装软件以及对应的正常使方法

2024-10-10

遗传算法（GA）二进制编码实现（Python）
使用Python实现遗传算法，其中个体编码方式为二进制编码，用于求解函数优化问题，最后针对优化结果进行输出并绘图保存。

2024-10-10

遗传算法（GA）实数编码实现（Python）
使用Python实现遗传算法，其中个体编码方式为实数编码，用于求解函数优化问题，最后针对优化结果进行输出并绘图保存。

2024-10-10

粒子群算法（PSO）求解函数优化问题（Python）
使用Python实现粒子群算法，用于求解函数优化问题，最后针对优化结果进行输出并绘图保存。

2024-10-10

模拟退火算法（SA）求解函数优化问题（Python）
使用Python实现模拟退火算法，用于求解函数优化问题，最后针对优化结果进行输出并绘图保存。

2024-10-10

萤火虫算法（FA）求解函数优化问题（Python）
使用Python实现萤火虫算法，用于求解函数优化问题，最后针对优化结果进行输出并绘图保存。

2024-10-10

磷虾群算法（KHA）求解函数优化问题（Python）
使用Python实现磷虾群算法，用于求解函数优化问题，最后针对优化结果进行输出并绘图保存。

2024-10-10

鸟群算法（BSA）求解函数优化问题（Python）
使用Python实现鸟群算法，用于求解函数优化问题，最后针对优化结果进行输出并绘图保存。

2024-10-10

灰狼优化算法（GWO）求解函数优化问题（Python）
使用Python实现灰狼优化算法，用于求解函数优化问题，最后针对优化结果进行输出并绘图保存。

2024-10-10

果蝇优化算法（FOA）求解函数优化问题（Python）
使用Python实现果蝇优化算法，用于求解函数优化问题，最后针对优化结果进行输出并绘图保存。

2024-10-10

分组教学优化算法（GTOA）求解函数优化问题（Python）
使用Python实现分组教学优化算法，用于求解函数优化问题，最后针对优化结果进行输出并绘图保存。

2024-10-10

BP神经网络用于数据预测（Python源码+数据集）
实现基于Python的BP神经网络数据预测模型，压缩包中包含文件如下：源码BPNN.py主要用于使用训练数据集进行模型训练，生成对应的训练后模型参数；test.py主要用于利用训练好的模型对测试数据集进行预测，输出结果包括MAE、MAPE等误差值以及预测差值的分布情况等；train.csv为训练数据集，test.csv为测试数据集，.npy文件为训练后生成的权值、阈值。

2024-10-10

径向基神经网络（RBFNN）用于数据预测（Python源码+数据集）
基于径向基神经网络（RBFNN）的数据预测模型（Python实现），压缩包中源码RBFNN.py为模型的训练过程，训练结束后会保存训练好的的模型参数，test.py主要用于利用训练好的模型对测试数据集进行预测，输出结果包括各种误差指标，.npy文件为训练后生成的中心点、宽度向量等参数，train.csv为训练数据集，test.csv为测试数据集。

2024-10-10

小波神经网络（WNN）用于数据预测（Python源码+数据集）
压缩包主要包含用于数据预测的小波神经网络（WNN）源码及预测的数据集，其中WNN.py主要用于使用训练数据集进行模型训练，生成对应的训练后模型参数，test.py主要用于利用训练好的模型对测试数据集进行预测，输出结果包括MAE、MAPE等误差值以及预测差值的分布情况等，train.csv为训练数据集，test.csv为测试数据集，.npy文件为训练后生成的权值、平滑因子、伸缩因子等参数。

2024-10-10

模糊神经网络（FNN）用于数据预测（Python源码+数据集）
使用Python实现模糊神经网络（FNN）用于数据预测，压缩包中源码FNN.py主要用于使用训练数据集进行模型训练，生成对应的训练后模型参数，test.py主要用于利用训练好的模型对测试数据集进行预测，输出结果包括MAE、MAPE等误差值以及预测差值的分布情况等，train.csv为训练数据集，test.csv为测试数据集，.npy文件为训练后生成的隶属度函数中心点、宽度向量、权值等参数。

2024-10-10

广义回归神经网络（GRNN）用于数据预测（Python源码+数据集）
使用Python实现广义回归神经网络（GRNN）用于数据预测，压缩包中源码GRNN.py主要用于使用训练数据集进行模型训练，同时对测试数据集进行预测，输出结果包括MAE、MAPE等误差值以及预测差值的分布情况等，train.csv为训练数据集，test.csv为测试数据集，.npy文件为保存预测的值及预测误差值。

2024-10-10

以自适应梯度算法（Adagrad）作为反向传播算法的三层神经网络（Python源码+数据集）
将自适应梯度算法（Adagrad）作为反向传播算法应用于普通的三层神经网络（输入层、隐含层、输出层）的反向传播过程，之后建立数据预测模型进行数据预测，压缩包中train.py为训练过程源码，test.py为测试过程源码，train.csv文件为训练数据集，test.csv文件为测试数据集，.npy文件为模型训练后保存的参数。

2024-10-10

以均方根反向传播算法（RMSProp）作为反向传播算法的三层神经网络（Python源码+数据集）
将均方根反向传播算法（RMSProp）作为反向传播算法应用于普通的三层神经网络（输入层、隐含层、输出层）的反向传播过程，之后建立数据预测模型进行数据预测，压缩包中train.py为训练过程源码，test.py为测试过程源码，train.csv文件为训练数据集，test.csv文件为测试数据集，.npy文件为模型训练后保存的参数。

2024-10-10

以自适应学习率调整算法（Adadelta）作为反向传播算法的三层神经网络（Python源码+数据集）
将自适应学习率调整算法（Adadelta）作为反向传播算法应用于普通的三层神经网络（输入层、隐含层、输出层）的反向传播过程，之后建立数据预测模型进行数据预测，压缩包中adadelta.py为训练过程源码，test.py为测试过程源码，train.csv文件为训练数据集，test.csv文件为测试数据集，.npy文件为模型训练后保存的参数。

2024-10-10

以自适应矩估计算法（Adam）作为反向传播算法的三层神经网络（Python源码+数据集）
将自适应矩估计算法（Adam）作为反向传播算法应用于普通的三层神经网络（输入层、隐含层、输出层）的反向传播过程，之后建立数据预测模型进行数据预测，压缩包中Adam.py为训练过程源码，test.py为测试过程源码，train.csv文件为训练数据集，test.csv文件为测试数据集，.npy文件为模型训练后保存的参数。

2024-10-10

以自适应矩估计算法的变形形式Nadam作为反向传播算法的三层神经网络（Python源码+数据集）
将自适应矩估计算法的变形形式Nadam作为反向传播算法应用于普通的三层神经网络（输入层、隐含层、输出层）的反向传播过程，之后建立数据预测模型进行数据预测，压缩包中nadam.py为训练过程源码，test.py为测试过程源码，train.csv文件为训练数据集，test.csv文件为测试数据集，.npy文件为模型训练后保存的参数。

2024-10-10

以自适应矩估计算法的变形形式Adamax作为反向传播算法的三层神经网络（Python源码+数据集）
将自适应矩估计算法的变形形式Adamax作为反向传播算法应用于普通的三层神经网络（输入层、隐含层、输出层）的反向传播过程，之后建立数据预测模型进行数据预测，压缩包中adamax.py为训练过程源码，test.py为测试过程源码，train.csv文件为训练数据集，test.csv文件为测试数据集，.npy文件为模型训练后保存的参数。

2024-10-10

将动量法（momentum）融入误差反向传播算法（BP）的神经网络数据预测（Python源码+数据集）
使用Python建立三层神经网络进行数据预测，其中反向传播算法采用动量法（momentum）结合误差反向传播算法（BP），压缩包中包含文件如下：源码momentum.py主要用于使用训练数据集进行模型训练，生成对应的训练后模型参数；test.py主要用于利用训练好的模型对测试数据集进行预测，输出结果包括MAE、MAPE等误差值以及预测差值的分布情况等；train.csv为训练数据集，test.csv为测试数据集，.npy文件为训练后生成的权值、阈值。

2024-10-10

将Nesterov动量融入误差反向传播算法（BP）的神经网络数据预测（Python源码+数据集）
使用Python建立三层神经网络进行数据预测，其中反向传播算法采用Nesterov动量结合误差反向传播算法（BP），压缩包中包含文件如下：源码Nesterov.py主要用于使用训练数据集进行模型训练，生成对应的训练后模型参数；test.py主要用于利用训练好的模型对测试数据集进行预测，输出结果包括MAE、MAPE等误差值以及预测差值的分布情况等；train.csv为训练数据集，test.csv为测试数据集，.npy文件为训练后生成的权值、阈值。

2024-10-10

Python自编写实现推荐算法应用实例，包括协同过滤推荐算法（基于用户和基于物品）以及基于内容的推荐算法
内容主要包括协同过滤推荐算法（基于用户和基于物品）实例以及基于内容的推荐算法实例。协同过滤推荐算法实例为电影推荐，数据集为影数据集MoviesLens-100k数据集，该数据包含943个用户为精选的1682部电影给出的100000个电影评分，通过Python来实现基于用户相似度以及基于电影相似度的推荐算法，从而进行电影得推荐；基于内容的电影推荐为菜品推荐，根据不同菜品之间特性的相似度来进行相似菜品的推荐，菜品数据集中包含菜品名称以及特征信息，代码使用Python进行编写。

2023-12-16

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章？
取消 删除