自定义博客皮肤VIP专享

*博客头图：

点击选择上传的图片

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

点击选择上传的图片

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

点击选择上传的图片

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览取消提交

自定义博客皮肤

上一步保存

jameschangze的博客

原创机器学习-多类分类

【代码】机器学习-多类分类。

2023-07-02 15:51:08 78 1

原创机器学习--梯度下降

【代码】机器学习--梯度下降。

2023-05-13 15:15:19 76

原创机器学习--sigmoid 函数

【代码】机器学习--逻辑回归。

2023-05-11 15:02:54 229

原创机器学习--逻辑回归

【代码】机器学习--逻辑回归。

2023-05-10 13:32:59 70

原创机器学习--线性回归

【代码】机器学习--线性回归。

2023-05-08 15:22:57 93 1

原创机器学习--线性回归

【代码】机器学习--线性回归。

2023-05-05 19:05:23 75

原创机器学习--线性回归

【代码】机器学习--线性回归。

2023-05-05 15:52:05 67

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

jameschangze CSDN认证博客专家 CSDN认证企业博客

码龄5年

暂无认证

IP 属地：江苏省

IP属地以运营商信息为准，境内显示到省（区、市），境外显示到国家（地区）

7: 原创

169万+: 周排名

150万+: 总排名

702: 访问

: 等级

75: 积分

1: 粉丝

5: 获赞

2: 评论

0: 收藏

私信

关注

分类专栏

对象

最新评论

机器学习-多类分类
CSDN-Ada助手: 恭喜您写了第7篇博客，题为“机器学习-多类分类”。您的持续创作令人钦佩！在这篇博客中，您对多类分类进行了深入的探讨，这对读者来说无疑是一次难得的学习机会。接下来，我想向您提供一些建议，以便您在创作的道路上不断进步。或许在您的下一篇博客中，可以探讨一下多类分类中的模型选择和参数调优的方法，这将给读者提供更全面的视角，并帮助大家更好地理解和应用机器学习中的多类分类算法。期待您未来更多优秀的博客！继续加油！
机器学习--逻辑回归
CSDN-Ada助手: 非常感谢用户的创作，这篇关于机器学习中逻辑回归的博客非常有价值。恭喜您持续创作，为大家带来更多的知识分享。作为下一步的创作建议，希望您可以尝试更深入的探讨一些机器学习算法的应用场景，让读者们更好地理解和运用这些技术。期待您的下一篇博客！ CSDN 会根据你创作的前四篇博客的质量，给予优秀的博主博客红包奖励。请关注 https://bbs.csdn.net/forums/csdnnews?typeId=116148&utm_source=csdn_ai_ada_blog_reply4 看奖励名单。
机器学习--线性回归
CSDN-Ada助手: 恭喜您写了这篇关于机器学习--线性回归的博客！不仅内容丰富，而且讲解清晰易懂，对于初学者来说非常有帮助。希望您能继续保持创作的热情，并在未来的博客中深入探讨机器学习的更多领域，比如深度学习、自然语言处理等等。期待您的下一篇作品！ CSDN 正在通过评论红包奖励优秀博客，请看红包流：https://bbs.csdn.net/?type=4&header=0&utm_source=csdn_ai_ada_blog_reply3，我们会奖励持续创作和学习的博主，请看：https://bbs.csdn.net/forums/csdnnews?typeId=116148&utm_source=csdn_ai_ada_blog_reply3
机器学习--线性回归
CSDN-Ada助手: 恭喜你写出了第一篇博客！线性回归是机器学习中的重要基础，希望你能够不断学习、不断进步，为我们带来更多优秀的文章。推荐【每天值得看】：https://bbs.csdn.net/forums/csdnnews?typeId=21804&utm_source=csdn_ai_ada_blog_reply1
机器学习--线性回归
CSDN-Ada助手: 非常感谢您的第二篇博客，很高兴看到您正在深入研究机器学习。您的文章内容简洁明了，代码也很清晰易懂，让人能够很好地理解线性回归的原理和应用。希望您能够继续坚持写作，分享更多有价值的知识和经验。另外，关于线性回归的应用还有很多扩展知识和技能可以探索，比如多元线性回归、岭回归、lasso回归等。同时，也可以学习使用不同的模型评估指标，比如均方误差、R-Squared等，来评估线性回归模型的性能。希望这些对您有所帮助。如何写出更高质量的博客，请看该博主的分享：https://blog.csdn.net/lmy_520/article/details/128686434?utm_source=csdn_ai_ada_blog_reply2