- 博客(5)
- 收藏
- 关注
RSS订阅原创 Datawhale X 李宏毅苹果书 AI夏令营第五期
线性判别分析是一种基于有监督学习的降维方式, 将数据集在低维度的空间进行投 影，要使得投影后的同类别的数据点间的距离尽可能的靠近，而不同类别间的数据 点的距离尽可能的远。② PCA是去掉原始数据冗余的维度， LDA是选择一个最佳的投影方向，使得投影 后相同类别的数据分布紧凑，不同类别的数据尽量相互远离。③ LDA最多可以降到k-1维(k是训练样本的类别数量， k-1是因为最后一维的均值 可以由前面的k-1维的均值表示)；有些数据是没有明显的上下界的，数据服从高斯分布，是可以无限延伸的。
2024-09-02 22:27:54
431
原创 Datawhale X 李宏毅苹果书 AI夏令营第五期 TASK2
线性回归是一种最基本的回归分析方法，旨在将一个或多个自变量与一个连续的因变量之间的关系建模为线性方程。线性回归的目标是找到最佳的参数值，使得模型的预测值与实际值之间的差异最小化。这意味着，如果我们增加自变量的一个单位，那么因变量的值也将相应地增加一个固定的量。线性回归模型是一种基于线性假设的统计模型，用于预测一个连续型因变量（也称为响应变量）与一个或多个自变量（也称为解释变量）之间的关系。总之，线性回归是一种基础的回归分析方法，可以用于建立自变量和因变量之间的线性关系模型，并对未来的数据进行预测。
2024-08-31 22:28:10
316
原创 Datawhale X 李宏毅苹果书 AI夏令营第五期
机器学习=寻找一种函数如何寻找这个函数？①定一个函数集合②判断函数的好坏③选择最好的函数机器学习三板斧①设计模型model②判断模型的好坏③选择最好的函数，优化模型3.1修改模型，增加数据维度3.2增加正则因子，使函数更加平滑，让参数w取值更小。（x变化较小时，整个函数结果不会变化太大，结果更准）学习路线监督学习：有数据标注情况下学习（回归、分类）半监督学习：训练数据中带标记的数据不够多。
2024-08-22 22:31:42
800
原创 datawhale AI夏令营 AI经济 Tast3 10999.2512
使用所有数据过后，可以看到结果为7090.3415，但是我发现catboost和xgboost的训练结果远远优于lightgbm，线性回归，前两个结果在3600-3900，后两个在7000-18000左右，但是提交到官方后后面两个结果反而更好，难道这个越大越好吗，不是很理解这点，后面我把4个模型融合过后，结果在11500-11900，最好的一次成绩是lightgbm和线性回归融合结果为10999.2512。在现有的模型上进一步优化，模型融合，参数调优（费时），交叉验证。引入其他有效的数据集。
2024-08-02 23:00:40
1110
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