![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
数据挖掘入门
GCZZZ
研究生阶段做过较长时间STM32嵌入式,
后来接触了基于pytorch和TensorFlow框架的图像处理,并试着用FPGA进行图像处理,优势并不明显。
当前计划是用FPGA做深度学习的计算加速,实现神经网络在移动端的FPGA嵌入式开发。
展开
-
零基础入门数据挖掘-Task5 模型融合
什么是模型融合先产生一组个体学习器,然后利用某种策略将它们结合起来,加强模型效果。周志华和李航老师的书中都证明随着个体学习器数目的增大,集成的错误率将呈指数级下降,最终趋向于零。因此,模型融合被广泛应用。简单来说就是通过对一组的基分类器以某种方式进行组合,以提升模型整体性能的方法。常用模型融合方法多模型投票 VotingClassifier()生成用0填充的数组 np.zeros()s...原创 2020-04-04 18:52:12 · 184 阅读 · 0 评论 -
零基础入门数据挖掘-Task4 建模调参
学习内容线性回归模型线性回归对于特征的要求;处理长尾分布;理解线性回归模型;模型性能验证评价函数与目标函数;交叉验证方法;留一验证方法;针对时间序列问题的验证;绘制学习率曲线;绘制验证曲线;嵌入式特征选择Lasso回归;Ridge回归;决策树;模型对比常用线性模型;常用非线性模型;模型调参贪心调参方法;网格调参方法;贝叶斯调参方法。部分代码示例线性回...原创 2020-04-01 20:30:35 · 172 阅读 · 0 评论 -
零基础入门数据挖掘 Task3 特征工程
数据的特征工程含义特征工程是将原始数据转换为更好地代表预测模型的潜在问题的特征的过程,从而提高了对未知数据的模型准确性。目的对于特征进行进一步分析,并对数据进行处理。一方面是使数据特征明显,另一方面是使数据满足模型的要求。特征工程的结果将直接影响模型的预测结果。内容介绍常见的特征工程包括:异常处理: 通过箱线图(或 3-Sigma)分析删除异常值; BOX-COX 转换(处理有偏...原创 2020-03-28 20:29:59 · 202 阅读 · 0 评论 -
零基础数据挖掘入门_TASK(1)_二手车交易价格预测-数据的探索性分析EDA
EDA概述目标任务具体步骤载入各种数据科学以及可视化库载入数据数据总览判断数据缺失和异常了解预测值的分布特征分为类别特征和数字特征,并对类别特征查看unique分布及数字特征分析类型特征分析用pandas_profiling生成数据报告总结目标任务了解数据集;了解变量间的相互关系与预测值之间的存在关系;进行数据处理以及特征工程的步骤;对数据进行图表或者文字总结。具体步骤载入各种数...原创 2020-03-24 20:35:38 · 245 阅读 · 0 评论