-
偏最小二乘回归分析
在实际问题中,经常遇到需要研究两组多重相关变量间的相互依赖关系,并研究用一组变量(常称为自变量或预测变量)去预测另一组变量(常称为因变量或响应变量),除了最小二乘准则下的经典多元线性回归分析(MLR),提取自变量组主成分的主成分回归分析(PCR)等方法外,还有偏最小二乘(PLS)回归方法。 偏最小二乘回归提供一种多对多线性回归建模的方法,特别当两组变量的个数很多,且都存在多重相关性,而观测数据的数量(样本量)又较少时,用偏最小二乘回归建立的模型具有传统的经典回归分析等方法所没有的优点。 偏最小二乘回归分析在建模过程中集中了主成分分析,典型相关分析和线性回归分析方法的特点,因此在分析结果中,除了可以提供一个更为合理的回归模型外,还可以同时完成一些类似于主成分分析和典型相关分析的研究内容,提供更丰富、深入的一些信息。
- 2021-05-06下载
- 积分:1
-
数学建模;数据分析;图像分类等多类别实例
【实例简介】
MATLAB程序包,包含大量可直接调用的.m文件
- 2021-06-03 00:31:22下载
- 积分:1
-
MATLAB图像处理实现螺纹识别 源程序代码
MATLAB图像处理实现螺纹识别 源程序代码
- 2021-05-06下载
- 积分:1
-
机械故障诊断示例MATLAB源代码
【实例简介】
- 2021-05-18 10:33:31下载
- 积分:1
-
matlab注水算法
【实例简介】
- 2021-11-16 00:33:00下载
- 积分:1
-
V2X频谱分配
V2X频谱分配代码
- 2021-05-06下载
- 积分:1
-
机器学习中的多示例包层次SVM分类算法
【实例简介】机器学习中的多示例包层次SVM分类算法
【核心代码】Bag_KI_SVM.m
KI-SVM
├── Bag KI-SVM
│ ├── Bag_KISVM_prediction.m
│ ├── Bag_KI_SVM.m
│ ├── Find_y.m
│ ├── Find_y_linear.m
│ ├── Max_Violated_y_set.m
│ ├── Readme.htm
│ ├── celltomatrix.m
│ ├── genIndex.m
│ └── normalization_gaussian.m
├── Instance KI-SVM
│ ├── Find_y.m
│ ├── Find_y_linear.m
│ ├── Inst_KISVM_prediction.m
│ ├── Inst_KI_SVM.m
│ ├── Max_Violated_y_set.m
│ ├── Readme.htm
│ ├── celltomatrix.m
│ ├── genIndex.m
│ └── normalization_gaussian.m
├── experiments.m
├── experiments_KISVM_musk1.m
├── libsvm-mat-2.88-MI-svm
│ ├── COPYRIGHT
│ ├── Makefile
│ ├── README
│ ├── doc.txt
│ ├── heart_scale.mat
│ ├── make.asv
│ ├── make.m
│ ├── read_sparse.c
│ ├── read_sparse.mexw32
│ ├── read_sparse.mexw64
│ ├── svm.cpp
│ ├── svm.cpp.bak
│ ├── svm.h
│ ├── svm.h.bak
│ ├── svm.obj
│ ├── svm_model_matlab.c
│ ├── svm_model_matlab.c.bak
│ ├── svm_model_matlab.h
│ ├── svm_model_matlab.obj
│ ├── svmpredict.c
│ ├── svmpredict.mexw32
│ ├── svmpredict.mexw64
│ ├── svmtrain.c
│ ├── svmtrain.c.bak
│ ├── svmtrain.mexw32
│ └── svmtrain.mexw64
└── normedmusk1.mat
3 directories, 47 files
- 2021-07-07 00:32:06下载
- 积分:1
-
leslie矩阵模型人口预测
leslie矩阵模型人口预测
- 2019-07-13下载
- 积分:1
-
复杂网络囚徒困境博弈matlab源程序
复杂网络囚徒困境博弈matlab源程序,采用方形格子规则网络或无标度网络。
- 2019-12-01下载
- 积分:1
-
multi output SVR
多输出支持向量回归 对于一般的回归问题,给定训练样本D={(x1,y1),(x2,y2),...,(xn,yn)},yi€R,我们希望学习到一个f(x)使得其与y尽可能的接近,w,b是待确定的参数。在这个模型中,只有当f(x)与y完全相同时,损失才为零,而支持向量回归假设我们能容忍的f(x)与y之间最多有ε的偏差,当且仅当f(x)与y的差别绝对值大于ε时,才计算损失,此时相当于以f(x)为中心,构建一个宽度为2ε的间隔带,若训练样本落入此间隔带,则认为是被预测正确的。(间隔带两侧的松弛程度可有所不同) ------
- 2019-11-19下载
- 积分:1