Mr.H

摘要： 方法1： >> [data,str] = xlsread('1.xlsx') data = 0.8056 0.8125 0.8056 str = 3×2 cell 数组 '是' '12北' '北jing' '北ex' '北京' '12ex' 这种方法数据都在data中，字符都在str中 方法二： > 阅读全文

摘要： 例如计算19:30到20:10 t1='19:30' t2='20:10' >> t3=datevec(t1) t3 = 2018 1 1 19 30 0 t4=datevec(t2) t4 = 2018 1 1 20 10 0 >> etime(t4,t3)/3600 //etime是计算两个时间 阅读全文

摘要： 一、AdaBoost简介 Boosting, 也称为增强学习或提升法，是一种重要的集成学习技术， 能够将预测精度仅比随机猜度略高的弱学习器增强为预测精度高的强学习器，这在直接构造强学习器非常困难的情况下，为学习算法的设计提供了一种有效的新思路和新方法。其中最为成功应用的是，Yoav Freund和R 阅读全文

摘要： 输出结果如下：-1 -1 -1 -1 -1 -1 -1 1 -1 从结果可以看出：只有第九个被误判，其它的都是正确的。 转载自https://blog.csdn.net/u010412719/article/details/46794051 阅读全文

摘要： 数据集下载地址 ：http://pan.baidu.com/s/1geb8CQf 一、实验目的 1．掌握支持向量机（SVM）的原理、核函数类型选择以及核参数选择原则等； 2．熟悉基于libSVM二分类的一般流程与方法； 二、实验内容 1．对“bedroom， forest”两组数据进行分类（二分类） 阅读全文

摘要： 本文将详细介绍ID3算法，其也是最经典的决策树分类算法。 1、ID3算法简介及基本原理 ID3算法基于信息熵来选择最佳的测试属性，它选择当前样本集中具有最大信息增益值的属性作为测试属性；样本集的划分则依据测试属性的取值进行，测试属性有多少个不同的取值就将样本集划分为多少个子样本集，同时决策树上相应于 阅读全文

摘要： 训练数据来源：http://archive.ics.uci.edu/ml/machine-learning-databases/balance-scale/balance-scale.data 数据简介 本训练数据共有625个训练样例，每个样例有4个属性x1,x2,x3,x4，每个属性值可以取值{1 阅读全文

摘要： 转载于https://blog.csdn.net/queyuze/article/details/70195087 阅读全文

摘要： s域： 无滞后： num=[122.0501] den=[0.8190 1] g=tf(num,den); margin(g); grid on; 有滞后： >> num=[106.9389]; >> den=[0.176 1]; >> g=tf(num,den,'iodelay',0.088) 1 阅读全文

摘要： >> [attrib1, attrib2, attrib3, attrib4, class] = textread('data\iris.data', '%f%f%f%f%s', 'delimiter', ','); >> attrib = [attrib1'; attrib2'; attrib3' 阅读全文