代码编织梦想

ai -爱代码爱编程

目录 GBDT 提升树  梯度提升树  GBDT算法实战案例  XGBoost   😆😆😆感谢大家的观看😆😆 GBDT 梯度提升决策树(Gradient Boosting Decision Tree),是一种集成学习的算法,它通过构建多个决策树来逐步修正之前模型的错误,从而提升模型整体的预测性能。 GBDT属于Boosting方法

机器学习复习(9)——自定义dataset-爱代码爱编程

目录 第一种dataset(文件夹名即为标签) 用于将格式(1)转换为格式(2) 第二种dataset(标签在labels文件夹下的对应的txt文件里面) 第一种dataset(文件夹名即为标签) 数据组织格式(1) --data ----train ------class1(文件夹名字即为标签) --------image1.j

ai-爱代码爱编程

线性回归应用场景 房价预测,通过分析房地产市场的历史数据,如房屋大小、位置、建造年份等因素,线性回归可以帮助预测未来房价的走势。 销售额预测,企业可以利用线性回归模型来预测产品的销售额,这通常涉及到产品价格、市场营销预算、季节性因素等变量的分析。 贷款额度预测,金融机构可以使用线性回归来评估客户的信用风险,并据此决定贷款额度。 线性回归(Lin

eavesdropping(窃听机制)在机器学习中的用法-爱代码爱编程

1. 简单翻译 考虑一个对任务 T 和 T’ 有用的特征 F,它在学习 T 时很容易学习,但在学习 T’ 时很难学习,因为 T’ 以更复杂的方式使用 F。网络学习 T 将学习 F,但网络学习 T’ 可能不会。如果网络学

机器学习和统计学的区别?-爱代码爱编程

1、本质区别: 目标:机器学习的核心目标是建立一个可以自动学习和改进的模型,以预测未知数据。它更关注结果的准确性和模型的泛化能力,通常不关心模型是否可以解释。而统计学的目标是探究变量之间的关系,理解数据的内在结构和规律

生成式学习,特别是生成对抗网络(gans),存在哪些优点和缺点,在使用时需要注意哪些注意事项?-爱代码爱编程

生成对抗网络(GANs) 1. 生成对抗网络(GANs)的优点:2. 生成对抗网络(GANs)的缺点:3. 使用生成对抗网络(GANs)需要注意的问题 1. 生成对抗网络(GANs)的优点: 生

迁移学习transfer learning的优缺点,以及在使用迁移学习的注意事项!-爱代码爱编程

迁移学习Transfer Learning 1. 迁移学习的优点和缺点:2. 使用迁移学习时,需要解决以下问题: 1. 迁移学习的优点和缺点: 迁移学习是一种机器学习方法,它可以使机器学习模型利

机器学习复习(7)——损失函数-爱代码爱编程

交叉熵损失函数 交叉熵损失函数是深度学习中常用的一种损失函数,特别是在分类问题中。它衡量的是模型预测的概率分布与真实标签的概率分布之间的差异。下面是交叉熵损失函数的推导过程:  1. 概率模型:在分类问题中,假设有一个模型预测出类别的概率为 。真实情况下,如果样本属于类别则这个类别的真实概率为1,  其它类别的为0。  2 似然函数:对于单个样本,其似然

机器学习复习(6)——numpy的数学操作-爱代码爱编程

加减法运算 # 创建两个不同的数组 a = np.arange(4) #list(0,1,2,3 b = np.array([5,10,15,20]) # 两个数组做减法运算 b-a 运行结果: 计算数组的平方  #b*2代表数组b每个元素乘以2 #b**2代表数组b每个元素的2次方 b**2 运行结果: 计算数组的正弦值 # 计算数

机器学习复习(2)——线性回归&sgd优化算法-爱代码爱编程

目录 线性回归代码 线性回归理论 线性回归代码 class My_Model(nn.Module): def __init__(self, input_dim): super(My_Model, self).__init__() # 矩阵的维度(dimensions) self.laye

机器学习复习(5)——激活函数-爱代码爱编程

目录 激活函数分类 区别与优缺点 饱和激活函数 非饱和激活函数 综合考虑 Sigmoid激活函数 Tanh激活函数 ReLU激活函数 Leaky Relu激活函数 Swish激活函数 激活函数分类 激活函数可以分为两大类 : 饱和激活函数:sigmoid、tanh非饱和激活函数: ReLU、Leaky Relu、ELU【指数线

机器学习复习(4)——cnn算法-爱代码爱编程

目录 数据增强方法 CNN图像分类数据集构建 导入数据集 定义trainer 超参数设置 数据增强 构建CNN网络 开始训练 模型测试 数据增强方法 # 一般情况下,我们不会在验证集和测试集上做数据扩增 # 我们只需要将图片裁剪成同样的大小并装换成Tensor就行 test_tfm = transforms.Compose([

机器学习复习(3)——分类神经网络与drop out-爱代码爱编程

完整的神经网络 以分类任务为例,神经网络一般包括backbone和head(计算机视觉领域) 下面的BasicBlock不是一个标准的backbone,标准的应该是复杂的CNNs构成的 Classfier是一个标准的head,其中output_dim表示分类类别,一般写作num_classes import torch # 导入 torch 库

孪生卷积神经网络(siamese convolutional neural network)的设计思路-爱代码爱编程

孪生卷积神经网络(Siamese Convolutional Neural Network)是一种特殊类型的卷积神经网络,主要用于处理需要成对比较的数据,例如判断两个输入是否相似。 以下是孪生卷积神经网络的基本结构:

2.机器学习-爱代码爱编程

2️⃣机器学习-K最近邻(k-Nearest Neighbor,KNN)分类算法原理讲解 个人简介一·算法概述二·算法思想2.1 KNN的优缺点 三·实例演示3.1电影分类3.2使用KNN算法预测

在分类任务中准确率(accuracy)、精确率(precision)、召回率(recall)和 f1 分数是常用的性能指标,如何在python中使用呢?-爱代码爱编程

在机器学习和数据科学中,准确率(accuracy)、精确率(precision)、召回率(recall)和 F1 分数是常用的性能指标,用于评估分类模型的性能。 1. 准确率(Accuracy): 准确率是模型预测正

支持向量机(svm)进行文本分类的python简单示例实现-爱代码爱编程

支持向量机(Support Vector Machine,SVM)是一种常用的机器学习算法,主要用于分类和回归问题。它的基本思想是将数据映射到高维空间中,使得数据在该空间中线性可分,然后在该空间中寻找最优的超平面,将不同类别的数据分开。 SVM的优点在于可以处理高维数据,具有较好的泛化能力和鲁棒性。同时,SVM还可以使用核函数将数据映射到更高维的空间中,

dempster-爱代码爱编程

文章目录 前言一、D-S证据理论的应用:二、D-S证据理论的优点:三、D-S证据理论的缺陷:四、D-S组合规则:总结 前言 Dempster-Shafer(D-S)证据理论是一种不精确推理理

深度学习还可以从如下方面进行创新!!-爱代码爱编程

文章目录 一、我认为可以从如下5个方向进行创新总结 一、我认为可以从如下5个方向进行创新 新的模型结构:尽管现在的深度学习模型已经非常强大,但是还有很多未被探索的模型结构。探索新的模型结构可

残差网络中的bn (batch normalization 批标准化层)的作用是什么?-爱代码爱编程

文章目录 什么是BN (Batch Normalization 批标准化层)一、BN层对输入信号进行以下操作:二、BN 层有什么作用? 什么是BN (Batch Normalization 批