- 博客(7)
- 收藏
- 关注
RSS订阅原创 Datawhale笔记1 这个夏令营不简单 #AI夏令营 #Datawhale#夏令营
这个过程重复进行多次，每次选择不同的子集作为测试集，最终得到多个模型评估结果，然后对这些结果进行平均，得到模型性能的综合评估。2.数据预处理 (其中要注意的部分：要定义一个空列表drop_cols，用于存储在测试数据集中非空值小于10个的列名)交叉验证（Cross-Validation）是一种统计方法，用于评估并提高模型的预测性能，特别是在样本数量有限的情况下。3.特征工程 （目的是获取更好的训练数据特征 要注意的部分：特征、标签的准备和筛选）
2024-07-04 22:58:52
129
原创 持续同调讲解
是一种拓扑数据分析技术，用于从数据中提取多尺度的形状特征。它主要用于分析点云数据，识别不同尺度下的拓扑特征（如连通分支、空洞和更高维的特征）。
2024-06-04 11:22:48
1412
3
原创 Čech 复形、VR 复形、Alpha 复形的联系与区别
Čech 复形、VR 复形和 Alpha 复形都是用于分析点云数据的拓扑工具。尽管有共同点，这三种复形在构建几何结构的方式上有一些关键区别。
2024-06-03 16:45:37
809
原创 机器学习中的降维算法
1. 主成分分析 (Principal Component Analysis, PCA)原理：PCA通过线性变换将数据投影到一个新的坐标系中，新坐标轴（主成分）按数据方差递减排序。前几个主成分捕获了数据中最大的方差。 应用：数据预处理、可视化、噪声去除。2. 线性判别分析 (Linear Discriminant Analysis, LDA)原理：LDA寻找一个投影，使得不同类别之间的分离度最大，而类别内部的散布最小。适用于有标签数据的降维。 应用：分类任务的数据预处理。3. 独立成分分析
2024-05-29 11:56:36
445
原创 监督学习与非监督学习的联系与区别
数据类型：监督学习需要有标签的数据，而非监督学习处理无标签的数据。目标：监督学习的目标是预测或分类新数据，而非监督学习的目标是发现数据的内在结构或模式。应用场景：监督学习常用于预测和分类任务，而非监督学习常用于数据探索、分群和降维任务。
2024-05-29 11:30:40
451
原创 线性降维方法
使用距离矩阵计算数据点在低维空间中的坐标，通常通过优化一个目标函数来实现，使得低维空间中的距离尽可能接近高维空间中的距离。它通过寻找数据的主成分，即数据在方差最大的方向上的投影，来降低数据的维度。- 对原始数据矩阵进行奇异值分解，得到三个子矩阵 \(U\)、\(\Sigma\) 和 \(V\)。- 截断奇异值矩阵 \(\Sigma\)，只保留前 \(k\) 个最大的奇异值及其对应的列向量。- 选择前 \(k\) 个最大的特征值对应的特征向量，作为新的基向量。- 使用截断后的子矩阵重构降维后的数据矩阵。
2024-05-26 10:49:55
216
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