- 博客(4)
- 收藏
- 关注
RSS订阅原创 task3 对多模态分类的一点理解#Data Whale AI夏令营
在深入研究和实践机器学习模型的过程中，我们发现数据增强技术对于提升模型性能至关重要。数据增强技术通过模拟真实世界中的数据变化，为模型提供了更多的样本变体，这有助于模型学习到更加泛化和鲁棒的特征。
2024-07-20 21:46:57
1319
原创 task3 参数调优#Data Whale AI夏令营
接下来，我们还可以尝试不同的参数网格，或者使用其他类型的超参数优化技术，比如随机搜索或贝叶斯优化，来进一步改进模型。，这是一个强大的工具，它通过在给定的参数网格上进行交叉验证来搜索最优的参数组合。这样，你就不必手动调整参数，而是让算法自动完成这项工作，这不仅节省时间，而且可以提高找到更好参数组合的机会。原来的代码中，LightGBM模型的参数是硬编码的，这意味着在训练模型之前，需要手动设置这些参数。最后，我使用训练出的模型对验证集和测试集进行预测，并计算验证集上的均方误差（MSE），来评估模型的实际性能。
2024-07-20 21:33:22
184
原创 task2小记#Datawhale 多模态夏令营
构建CNN模型就像是搭积木。首先需要定义你的模型结构。这通常包括卷积层、池化层和全连接层。在PyTorch中，可以通过继承。
2024-07-17 21:21:38
1716
原创 机器学习task2的一点深入讨论#Datawhale AI 夏令营
只简单给出了不同type类型对应target的柱状图和id为00037f39cf的按dt为序列关于target的折线图，这只能分析出整个数据集的部分特征，对于模型选择的参考性有限，因此在原文档的基础上，我尝试进行了一些统计学数据分析，并进行更全面的数据集的特征的可视化来帮助我们进行模型选择。在原文档中，直接构建了历史平移特征和窗口统计特征，这存在一定的风险，因为：数据分析过程中，我们发现有一些房屋的用电量为负值，这显然是异常值，会对特征工程的构建产生负面影响。这些数据对于模型选择提供了一定的参考。
2024-07-15 23:39:19
1337
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