Boosted Trees

Matlab精度验证代码在Boosted-OICR多实例检测网络中从提炼中提取知识。该存储库包含了2020年CVPR研讨会上发布的论文的PyTorch实施。2020年9月21日，作者恢复了旧版本代码，虽然经过重构，但对最终的mAP影响较大。2020年5月25日，他们的工作在VOC 2012评估中取得了优异的结果，在检测mAP中击败了C-MI1。工作表明，通过精心选择聚集标准，可以显著提高学习到的检测器的准确性。

提供了伪增强深度信任网络（Pseudo_Boosted_Deep_Belief_Network）论文中的源代码，发布于ICANN 2016，由段铁航与Sargur N. Srihari等人撰写。源代码使用MATLAB编写，所有内容从零开始实现，并且已在MATLAB 2015a版本上进行了测试。 要运行该模型，用户需要完成以下步骤：1) 下载MNIST数据集（包括四个文件：t10k-images.idx3-ubyte, t10k-labels.idx1-ubyte, train-images.idx3-ubyte, train-labels.idx1-ubyte），可从Yann LeCun的网站

这篇文章介绍了Harry L. Van Trees和Kristine L. Bell编辑的贝叶斯边界中图形的Matlab脚本，详细探讨了参数估计和非线性过滤/跟踪的技术。Wiley-IEEE Press于2007年出版，ISBN：978-0470120958。引言部分教程性地阐述了关键思想和基本结果。此外，书中还收录了80篇重要论文，涵盖了贝叶斯边界理论和应用的多个方面，包括对所选论文及其相互关系的讨论。本书重点解决了多参数估计和非线性滤波、跟踪等在多个领域中的应用问题，如雷达、声纳、通信、射电天文学、地震学和医学诊断。

使用数据挖掘算法预测宫颈癌的研究还挺有意思的，尤其是它用了几种常见又实用的算法，比如Boosted 决策树、决策森林和决策丛林。嗯，最关键的是，它还搭配了SMOTE这种不太好调但实用的过采样技术，了数据不平衡的问题。数据集本身也比较全，像年龄、怀孕次数、是否吸烟、性病史这类信息都考虑进来了，适合做临床预测场景练手。 数据用的是UCI开源的那个宫颈癌筛查数据集，不大但经典，起来比较顺手。整套流程用Azure ML来跑的，建模流程和结果可视化都还不错。Boosted 决策树在预测上表现最好，AUROC = 0.978，能打。你要是做医疗类预测的项目，可以参考下它的建模思路，尤其是筛查方式的选择。