- 博客(14)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 深度学习：Bagging 方法
它通过将多次采样得到的不同训练集分别训练多个模型，然后将这些模型的预测结果结合在一起，来降低模型的方差，从而提升整体的准确性和稳定性。：对于分类问题，使用多个模型预测的结果进行投票（即多数表决），最终的预测结果为得票最多的类别。对于回归问题，取多个模型预测结果的平均值作为最终的预测结果。Bagging 的经典应用包括随机森林，这种方法通过 Bagging 集成多个决策树，显著提高了模型的准确率和鲁棒性。Bagging 通过有放回的采样方法，从训练集生成多个不同的数据子集，每个子集用来训练一个基模型。
2024-09-23 14:10:11
830
原创 深度学习：马氏距离
马氏距离（）是一种用于计算不同维度数据点之间距离的度量方法。它考虑了数据的协方差结构，因此在处理具有相关性的多维数据时更加有效。与欧氏距离不同，马氏距离不仅考虑了各个变量的量纲，还考虑了它们之间的相关性。
2024-09-19 15:38:45
825
原创 Linux: windows或者Ubuntu解压分卷压缩、解压zip、z01、z02
zip 命令将会合并 Image.zip 及其后续的分卷文件（如果有的话，例如 Image.z01, Image.z02, 等等）并将结果保存为 full.zip。在 .zip 文件（主文件）或 .z01 文件上右键点击，选择 “Extract Here”（解压到此处）或 “Extract to [文件夹名]”。在 .zip 文件上右键点击，选择 “7-Zip” -> “Extract Here”（解压到此处）或 “Extract to [文件夹名]”。7-Zip 将会自动识别并解压所有分卷。
2024-09-11 16:07:02
505
原创 Anaconda：ubuntu系统中创建、查看、激活、退出、删除环境、导出环境、加载环境
其中 -n 参数指定所创建的环境的名字，python==为python的版本号。
2024-09-09 11:11:01
204
原创 深度学习：多层感知机
多层感知机（MLP）是神经网络中的基础结构，它通过多个隐藏层和非线性激活函数，能够学习复杂的函数映射关系。在深度学习的实践中，MLP 被广泛应用于各类任务，是深度学习领域中重要的组成部分。
2024-08-29 14:55:31
375
原创 深度学习：多层神经网络的训练
多层神经网络的训练过程通过前向传播计算网络的预测结果，并通过反向传播计算梯度并更新权重和偏置。这一过程不断迭代，直至模型收敛，即损失函数达到最低值，神经网络的参数被优化。反向传播的有效性使得神经网络能够学习复杂的非线性关系，从而在许多任务中取得优异表现。
2024-08-29 14:18:50
205
原创 深度学习：贝叶斯统计
是一种不同于频率学派统计的方法，主要通过贝叶斯定理将先验知识与数据相结合，来估计未知参数的分布。贝叶斯方法认为参数是随机且具有不确定性的，而数据是确定的。这种方法在许多应用中非常有用，特别是在数据稀疏或者存在先验知识的情况下。
2024-07-17 09:56:53
133
原创 深度学习：最大似然估计 (Maximum Likelihood Estimation, MLE)
最大似然估计 (Maximum Likelihood Estimation, MLE)是一种用于估计统计模型参数的强大方法。其核心思想是在已知分布产生的一些样本而未知分布具体参数的情况下，根据样本值推断最有可能产生这些样本的参数值。
2024-07-17 09:29:01
168
原创 深度学习：偏差和方差
MarkdownText-to-HTMLAuthorsJohnLuke偏差描述了模型的预测值与真实值之间的偏离程度，是模型的预测准确度的度量。方差描述了模型在不同训练数据集上的预测值的变化程度，是模型泛化能力的度量。在实际应用中，通过调整模型复杂度和增加训练数据来平衡偏差和方差，以提高模型的泛化能力和预测性能。mermaid语法说明↩︎注脚的解释↩︎。
2024-07-03 11:11:31
1294
1
原创 Velodyne16线激光雷达点云数据中的线束（ring）是如何分布的
Velodyne16线激光雷达数据转为pcl::PointCloud后的线束（ring）是如何排列的。
2022-10-10 23:24:12
1679
1
基于贝叶斯最小错误率决策的分类（python）
2020-09-27
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人