- 博客(21)
- 收藏
- 关注
RSS订阅原创 头歌——机器、深度学习——手写体识别
第1关：神经网络基本概念第2关：激活函数第3关：反向传播算法第4关：使用pytorch搭建卷积神经网络识别手写数字
2024-06-21 17:46:39
1344
原创 头歌——机器学习——集成学习案例
想要对一个实际任务进行很好的建模，首先需要掌握数据集的处理。因此首先使用drop()函数去除'day','month','poutcome'等特征属性。该函数的第一个参数为这三个属性特征列表，第二个参数代表需要删除的维度，本次任务中需要对维度1进行操作即axis=1，并且需要将处理好的数据替代原先的数据，因此将第三个参数inplace设置为true。接着需要对特征进行one-hot编码，使用到函数get_dummies()。
2024-06-20 16:23:27
1219
原创 头歌——机器学习——朴素贝叶斯案例
本关使用的是数据集，数据集是用于文本分类、文本挖据和信息检索研究的国际标准数据集之一。数据集收集了18846篇新闻组文档，均匀分为20个不同主题（比如电脑硬件、中东等主题）的新闻组集合。sklearn#加载数据集#X表示新闻文本，y表示标签#打印数据集中第一篇新闻文本Lines: 12!!其中新闻文本对应的主题标签，已经用0-19这20个数字表示。
2024-06-20 16:17:20
190
原创 头歌——机器学习——逻辑回归如何实现分类
如今在许多问题中，更常用L2正则是因为：一方面我们通常想考虑更多的参数对问题的影响（因此不能让参数稀疏），另一方面在优化时，L2范数有利于解决condition number: k(A)=||A||||A−1|| 太大（远大于1）的情况下（此时存在某些参数，对结果有过大的影响）矩阵求逆很困难的问题，这使得优化求解变得更快更稳定。2，构造一个Cost函数（损失函数），该函数表示预测的输出（h）与训练数据类别（y）之间的偏差，可以是二者之间的差（h-y）或者是其他的形式。2.使用网格搜索进行寻找最佳超参数。
2024-06-20 15:55:13
509
原创 头歌——机器学习——支持向量机案例
针对二分类问题，即将实例分成正类（positive）或负类（negative），在实际分类中会出现以下四种情况： （1）若一个实例是正类，并且被预测为正类，即为真正类(True Positive TP) （2）若一个实例是正类，但是被预测为负类，即为假负类(False Negative FN) （3）若一个实例是负类，但是被预测为正类，即为假正类(False Positive FP) （4）若一个实例是负类，并且被预测为负类，即为真负类(True Negative TN)，每类50个数据，每个数据包含。
2024-06-20 15:50:14
955
原创 头歌——机器学习——决策树案例
解释：在理想情况下，最佳的分类器应该尽可能地处于左上角，这就意味着分类器在伪反例率（预测错的概率FPR = FP / (FP + TN)）很低的同时获得了很高的真正例率（预测对的概率TPR = TP / (TP + FN)）。从上述的数据分析，我们可以得知我们所要解决的是一个二分类问题，由已知的特征来推断结果的取值（0或者1），根据上节决策树的相关知识，我们开始构建模型训练及预测。解释：真正为正例的样本中预测结果为正例的比例。解释：(预测正确)/(预测对的和不对的所有结果)，即预测正确的比例。
2024-06-20 15:43:34
1139
原创 头歌——机器、深度学习——新闻文本主题分类
第1关：条件概率第2关：贝叶斯公式第3关：朴素贝叶斯分类算法流程第4关：拉普拉斯平滑第5关：新闻文本主题分类
2024-06-19 17:47:50
1043
原创 实践——机器学习——基于支持向量机模型的应用案例
可通过花萼长度，花萼宽度，花瓣长度，花瓣宽度。数据集是机器学习任务中常用的分类实验数据集，由。中文名是安德森鸢尾花卉数据集，英文全称是。，是一类多重变量分析的数据集。个属性预测鸢尾花卉属于（）三个种类中的哪一类。个数据，每个数据包含。
2024-06-15 22:45:23
231
原创 实践——机器学习——基于线性回归模型的应用案例
本次任务是基于measurements.xlsx数据集，利用回归模型预测汽车的耗油量，是否发生了什么特别的事。
2024-06-15 22:39:17
313
原创 Python——爱心代码
注意：此代码一旦开始绘制无法正常关闭，如果想要关闭请按Crtl+C键终止代码运行。matplotlib.pyplot——可视化包中的绘制图形库，用于绘制图形。numpy——python科学计算基础包，用于创建数组。love_value控制绘制爱心的密度。
2024-06-15 22:08:47
152
原创 头歌——机器、深度学习——常用损失函数的实现
在分类任务中，网络通常会对输入样本属于每个类的概率进行预测，而我们的目标则是期望正确的类的概率最大。这就是最大似然概率的思想。基于这个思想，我们可以得到交叉熵（Cross Entropy）损失函数。其函数表达式为：其中qi是标签类别的 one-hot 编码，当样本属于第i个类别时，qi=1，否则qi=0；C表示类别的个数；pi是预测的每个类别的概率，通常是 softmax 的输出：其中xi是网络模型的输出。
2024-06-15 21:20:37
1212
原创 头歌——机器、深度学习——RNN循环神经网络
在计算能力有限的情况下，注意力机制（Attention Mechanism）作为一种资源分配方案，将有限的计算资源用来处理更加重要的信息，是解决信息超载问题的主要手段。当用神经网络来处理大量的输入信息时，也可以借鉴人脑的注意力机制，只选择一些关键的信息输入进行处理，来提高神经网络的效率。在目前的神经网络模型中，我们可以将最大汇聚（Max Pooling）、门控（Gating）机制近似地看作自上而下的基于显著性的注意力机制。除此之外，自上而下的聚焦式注意力也是一种有效的信息选择方式。
2024-06-13 16:54:58
735
原创 头歌——机器、深度学习——RNN和LSTM
本关任务：通过学习循环神经网络的相关知识，完成单向循环网络的编写。对于我们已经学过的传统神经网络，它们能够实现分类以及标注任务，但一旦处理具有前后遗存关系的数据时，效果就不是十分理想了。这个问题主要由于传统神经网络的结构所导致。这时我们就需要一个不仅仅只依赖当前的输入，还需要结合前一时刻或后一时刻的输入作为参考。循环神经网络就是根据这样的需求而设计的。循环神经网络的主要用途是处理和预测序列数据。循环神经网络最初就是为了刻画一个序列当前的输出与之前信息的关系。
2024-06-13 16:21:33
949
原创 头歌——机器、深度学习——模型构建-VGG
VGG是在2014年由牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司一起研发出了新的深度卷积神经网络，该网络取得了ILSVRC2014比赛分类项目的第二名，VGG可以看成是加深版的AlexNet，整个网络由卷积层和全连接层叠加而成，和AlexNet不同，也正是VGG的贡献在于：VGG是使用很小的卷积核(3×3)构建各种深度的卷积神经网络结构，并对这些网络结构进行了评估，在最终的结果上16-19层的网络深度，能够取得较好的识别精度。
2024-06-13 16:14:26
386
原创 头歌——机器、深度学习——模型构建-AlexNet
第二层：卷积层2, 输入为上一层卷积的feature map， 卷积核的个数为256，卷积核的大小为：5 × 5 × 96， pad = 2, stride = 1;然后直接进行max_pooling, pool_size = (3, 3), stride = 2;第一层：卷积层1，输入为 224 × 224 × 3的图像，卷积核的数量为96(输出特征的通道数为96)，卷积核的大小为 11 × 11 × 3，步长 stride = 4,填充数pad = 0, 表示不扩充边缘;开始你的任务吧，祝你成功！
2024-06-13 16:08:00
846
原创 Python——将ncm转换成mp3
官方给予的python文件示例，创建一个‘convert_ncm.py’文件，输入以下代码，如果只转换单个ncm文件的话记得将导入文件和输出文件中的filename改成相应的音乐名。我修改了一下，只需要你将你需要转换的文件放入当前目录下的input_music目录中然后执行下面的代码即可。代码有一个缺点，如果文件的名字带有特殊符号的话可能会报错。
2024-06-07 17:54:39
212
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人