python-algoritmo-genetico 用Python编写的遗传算法实现。 旨在查找智能交通信号灯的最佳时间，并最大化通过随机和不平衡交通流的两条街道的交通流。 可以找到此工作的完整论文： :

世界全球不平均报告2022.pdf

失衡-Xgboost 该软件包含二进制分类问题中Xgboost [2]（<\ url> ）的加权损失和焦点损失[1]实现的代码。 我们使用加权和失焦函数的主要原因是为了解决标签不平衡数据的问题。 原始的Xgboost程序提供了一种简便的方法来自定义损失函数，但是将需要计算一阶和二阶导数来实现它们。 该软件的主要贡献是渐变的推导及其实现。 软件更新 版本0.8.1：软件包现在支持提前停止，您可以在初始化对象时通过early_stopping_rounds进行指定。 版本通知 从Imbalance-XGBoost的0.7.0版开始，开始支持更高版本的XGBoost，并删除了对0.4a30之前的版本（XGBoost> = 0.4a30）的支持。 这与XGBoost <= 0.4a30的先前要求相矛盾。 请相应选择适合您系统的版本。 从版本0.8.1开始，该软件包现在要求xgboost具有>

smote的matlab代码 实验室 | 不平衡的数据 我们将使用files_for_lab/customer_churn.csv数据集来构建流失预测器。 指示 加载数据集并探索变量。 我们将尝试使用变量tenure 、 SeniorCitizen 、 MonthlyCharges的逻辑回归来预测变量Churn 。 提取目标变量。 提取自变量并对其进行缩放。 构建逻辑回归模型。 评估模型。 即使是一个简单的模型也会给我们超过 70% 的准确率。 为什么？ 合成少数过采样技术(SMOTE)是一种基于最近邻的过采样技术，它在现有点之间添加新点。 将imblearn.over_sampling.SMOTE应用于数据集。 构建和评估逻辑回归模型。 有什么改善吗？ Tomek 链接是一对非常接近的实例，但属于相反的类。 删除每对多数类的实例会增加两个类之间的空间，从而促进分类过程。 将imblearn.under_sampling.TomekLinks应用于数据集。 构建和评估逻辑回归模型。 有什么改善吗？

基于中点弦测法的轨道不平顺精确值数学模型研究

用于单层前馈神经网络（SLFN）的极限学习机（ELM）是一种强大的机器学习技术，并且以其快速的学习速度和良好的泛化性能而受到关注。 最近，提出了加权ELM来处理具有不平衡类分布的数据。 加权ELM的关键本质是为每个训练样本分配了额外的权重。 尽管提供了一些经验加权方案，但是如何确定更好的样本权重仍然是一个悬而未决的问题。 在本文中，我们提出了一种Boosting加权ELM，它将加权ELM无缝地嵌入到经过修改的AdaBoost框架中，以解决上述问题。 直观地，反映训练样本重要性的AdaBoost框架中的分布权重被输入到加权ELM中作为训练样本权重。 此外，在两个方面对AdaBoost进行了修改，以更有效地实现不平衡学习：（i）初始分布权重设置为不对称，以便AdaBoost以更快的速度收敛； （ii）针对不同类别分别更新分配权重，以避免破坏分配权重的不对称性。 对KEEL存储库中的16个二进制数据集和5个多类数据集的实验结果表明，与加权ELM相比，该方法可以实现更均衡的结果。

对于类别不平衡的loss函数

用于羊驼贸易API的示例HFT-ish算法 该算法的目的是捕获买卖差价中的微小变动。 它仅适用于频繁波动1美分的大批量股票。 它是基于订单簿不平衡的交易策略之一。 有关更多信息，请参阅或其他在线文章。 该算法每天将在同一证券上进行很多交易，因此运行该算法的任何帐户都将很快遇到PDT规则。 在实际环境中运行此脚本之前，请确保您的帐户余额远高于$ 25,000。 该脚本还提供了基于流的算法的基本框架。 您可以学习如何根据实时价格更新编写算法。 设置 此算法在Python 3.6或更高版本上运行。 它使用因此请确保事先安装，或者如果您具有 ，则可以通过以下方式安装 $ pipenv install 在此目录中。 API密钥 为了运行此算法，您必须具有Alpaca Trading API密钥。 请从仪表板上获取它，并在环境变量中进行设置。 export APCA_API_KEY_ID= <

科学家分析了吉尼系数数值估算的不同方法。 使用洛伦兹曲线，已经进行了各种数值积分尝试以识别准确的估计值。 主要的替代方法是梯形，辛普森和拉格朗日规则。 它们都是Newton-Cotes方法的特例。 在这项研究中，我们通过多项式回归模型来近似Lorenz曲线，并整合最佳回归模型以对基尼系数进行数值估计。 尝试在理论Lorenz曲线和具有已知基尼指数的经验Lorenz曲线上进行检查。 在所有情况下，拟议的方法似乎是文献中提出的较早方法的良好替代方案。

适合初学者