登录
首页 » Python » 逻辑回归

逻辑回归

于 2021-05-06 发布
0 175
下载积分: 1 下载次数: 1

代码说明:

逻辑回归

下载说明:请别用迅雷下载,失败请重下,重下不扣分!

发表评论

0 个回复

  • python,django,员工信息管理系统
    【实例简介】 实现了增删改查等基本操作 运行环境:python 3.9  django==3.24  mysql 8.0 开发环境:Pycharm
    2021-07-05 00:31:05下载
    积分:1
  • python 3.7.4 各类小技巧
    【实例简介】python 3.7.4  各类小技巧
    2022-01-12 00:31:49下载
    积分:1
  • python卷积神经网络实现
    卷积神经网络python实现。 卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积或相关计算且具有深度结构的前馈神经网络(Feedforward Neural Networks),是深度学习(deep learning)的代表算法之一 [1-2] 。由于卷积神经网络能够进行平移不变分类(shift-invariant classification),因此也被称为“平移不变人工神经网络
    2019-05-22下载
    积分:1
  • 伟哥的python私房菜(中国程序员).epub
    前有《鸟哥的Linux私房菜》,今有伟哥的python私房菜。伟哥对鸟哥,都是不可或缺的好基友,一天一粒,保证你无限活力。 Python具有易读、易学、易维护、可移植性、跨平台等特点,在最近几年深受欢迎而迅速崛起。python属于所想即所得的语言,实现功能简单浅显易懂。但是Python的创立者有意设计了限制性很强的语法,使得不好的编程习惯都不能通过编译,本书主要是笔者在实践中所遇到的经常使用的技巧性文章,希望对读者有所帮助。 作者:菜鸟飞不动链接:https://www.jianshu.com/p/980d4a399d71来源:简书著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
    2020-06-18下载
    积分:1
  • PyQt5对txt简单增删查改管理学生信息
    PyQt5对txt简单增删查改管理学生信息
    2020-12-10下载
    积分:1
  • python实现A*和双向A*(启发式搜索)
    1. 实验目的 1) 掌握搜索算法的基本设计思想与方法,  2) 掌握A*算法的设计思想与方法,  3) 熟练使用高级编程语言实现搜索算法,  4) 利用实验测试给出的搜索算法的正确性。   1. 实验问题  寻路问题。以图1为例,输入一个方格表示的地图,要求用A*算法找到并输出从起点(在方格中标示字母S)到终点(在方格中标示字母T)的代价最小的路径。有如下条件及要求:   1) 每一步都落在方格中,而不是横竖线的交叉点。 2) 灰色格子表示障碍,无法通行。 3) 在每个格子处,若无障碍,下一步可以达到八个相邻的格子,并且只可以到达无障碍的相邻格子。其中,向上、下、左、右四个方向移动的代价为1,向四个斜角方向移动的代价为 √2。 4) 在一些特殊格子上行走要花费额外的地形代价。比如,黄色格子代表沙 漠,经过它的代价为4;蓝色格子代表溪流,经过它的代价为2;白色格子为普通地形,经过它的代价为0。 5) 经过一条路径总的代价为移动代价 地形代价。其中移动代价是路径上所做的所有移动的代价的总和;地形代价为路径上除起点外所有格子的地形代价的总和。
    2021-05-06下载
    积分:1
  • python车牌识别(于opencv-python)
    基于`opencv-python`的车牌识别,代码主要参考CSDN上几个版主的代码,对代码进行了一定的优化,一定程度上提高了识别的准确率。并重写了一个GUI界面,添加数据导出功能。
    2020-04-07下载
    积分:1
  • 超级好玩的python画图例子
    超级好玩的python画图例子
    2020-01-03下载
    积分:1
  • python 绘制三维直线图(plot 3d trajectory)
    绘制三维直线图,将飞机飞行的航迹用(经度,纬度和高度)来描述
    2021-03-20 23:19:17下载
    积分:1
  • LSTM入门正弦波序列预测
    LSTM入门学习,正弦波序列预测         for i, input_t in enumerate(input.chunk(input.size(1), dim=1)):             h_t, c_t = self.lstm1(input_t, (h_t, c_t))             h_t2, c_t2 = self.lstm2(h_t, (h_t2, c_t2))             output = self.linear(h_t2)  # output.shape:[batch,1]             outputs = [output]  # outputs.shape:[[batch,1],...[batch,1]], list composed of n [batch,1],         for i in range(future):  # if we should predict the future             h_t, c_t = self.lstm1(output, (h_t, c_t))             h_t2, c_t2 = self.lstm2(h_t, (h_t2, c_t2))             output = self.linear(h_t2)  # output.shape:[batch,1]             outputs = [output]  # outputs.shape:[[batch,1],...[batch,1]], list composed of n [batch,1],         outputs = torch.stack(outputs, 1).squeeze(2)  # shape after stack:[batch, n, 1], shape after squeeze: [batch,n]         return outputs
    2021-06-30 00:31:01下载
    积分:1
  • 696518资源总数
  • 104384会员总数
  • 26今日下载