- 博客(51)
- 收藏
- 关注
RSS订阅原创 深度学习各算法的优缺点和适用场景！！纯干货，建议收藏。（上篇）
深度学习通过多层神经网络模型来学习和表示数据的高级特征。。深度学习现在的重要作用是大家有目共睹的。先来简单来聊聊在算法领域和实际工业领域都发挥了哪些重要的作用。1、：深度学习可以用于解决复杂的模式识别问题，如图像分类、语音识别和自然语言处理。深度卷积神经网络 和 循环神经网络等模型在这些任务中取得了巨大的成功。2、：深度学习可用于生成新的数据，包括图像、文本和音频。生成对抗网络和变分自编码器等生成模型已经被广泛应用于图像生成、自然语言生成和音乐合成等任务。3、
2024-06-08 09:52:41
1151
原创 【❤】机器学习中10种损失函数大梳理【❤】
是在机器学习和深度学习中用来衡量模型预测值与真实标签之间差异的函数。不同的任务和模型可能需要不同的损失函数。今天就聊聊下面常见的损失函数，关于原理、使用场景，并且给出完整的代码：均方误差平均绝对误差交叉熵损失对数损失多类别交叉熵损失二分类交叉熵损失余弦相似度损失希尔伯特-施密特口袋Huber损失感知器损失ok，咱们一起来学习一下~
2024-06-07 10:05:26
915
原创 6大部分，20 个机器学习算法全面汇总！！建议收藏！（上篇）
纯 干 货本次文章分别从下面6个方面，涉及到20个算法知识点：监督学习算法无监督学习算法半监督学习算法强化学习算法集成学习算法深度学习算法。
2024-06-06 12:59:53
687
原创 6大部分，20 个机器学习算法全面汇总！！建议收藏！（下篇）
好了，朋友们，上面咱们列举的 20 个机器学习的核心原理和思路，算是有效的帮助大家做了一个总结！每种算法都有其自身的优点和适用领域，选择算法取决于任务的性质和数据的特点。喜欢的朋友可以起来！
2024-06-06 12:58:44
722
原创 [建议收藏！]一篇文章告诉你聚类算法的作用和怎么用聚类算法！
1、选择要分成的簇的数量K。2、随机初始化K个中心点，这些中心点可以是从数据集中随机选择的数据点。3、重复以下过程，直到满足停止条件：将每个数据点分配到距离其最近的中心点所属的簇。对每个簇，计算所有数据点的平均值，并将其作为新的中心点。停止条件通常可以是以下之一：中心点不再改变或改变非常小。数据点不再改变其所属簇。凝聚聚类（Agglomerative Clustering）：从底部开始，每个数据点被视为一个单独的簇，然后迭代地合并最接近的簇，直到只剩下一个大的簇。
2024-06-05 08:30:19
1078
原创 硬核集成算法，学习完你会哭着感谢自己！
今天介绍了5个机器学习中关于集成学习的总结，包括Bagging、Boosting、Stacking、Voting、深度学习集成。
2024-06-04 13:07:15
449
原创 【耗时十个小时】程序员最趁手的SVM算法，学完你会哭着感谢努力的自己！
❤ 纯 干 货 ❤在这之前咱们已经接触了 各个算法的优缺点的总结，以及8个回归类算法、7个正则化算法的总结、5 个集成算法模型的全部总结！感兴趣的可以翻到之前看看~咱们今天就大概一起学习一下关于SVM的方方面面。线性支持向量机非线性支持向量机多类别支持向量机核函数支持向量机稀疏支持向量机核贝叶斯支持向量机不平衡类别支持向量机！：SVM支持向量机在解决分类和回归问题上表现出色，可应用于各种数据类型和领域，例如文本分类、图像识别和生物信息学等。
2024-06-04 13:06:15
1179
原创 Matplotlib总结，任何项目都用得到。收藏备用。
总的来说，Matplotlib 是一个强大而灵活的 Python 数据可视化工具，可用于创建各种类型的图表，帮助用户更好地理解和呈现数据。如果你需要在数据分析和可视化中使用 Python，Matplotlib 是一个不可或缺的工具之一。
2024-06-03 11:02:09
429
原创 ❤机器学习正则化算法的总结。耗时10个小时完成。❤
❤纯 干 货~❤正则化通过在模型的损失函数中添加一个正则项（惩罚项）来实现。这个正则项通常基于模型参数的大小，以限制模型参数的数量或幅度。：L1正则化添加了模型参数的绝对值之和作为正则项。它倾向于使一些参数变为零，从而达到特征选择的效果。所以，L1正则化可以用于自动选择最重要的特征，并减少模型复杂度。：L2正则化添加了模型参数的平方和作为正则项。它倾向于使所有参数都较小，但没有明确地将某些参数设置为零。L2正则化对异常值更加鲁棒，并且可以减少模型的过度依赖单个特征的情况。
2024-06-03 11:01:07
1361
原创 机器学习中的神经网络重难点！纯干货（上篇）
人工神经网络（Artificial Neural Network，ANN）是一种受到生物神经系统启发的计算模型，用于模拟和处理复杂的信息处理任务。人工神经网络由许多神经元（或称为节点）组成，这些神经元通过连接（也称为权重）相互连接，形成了一个网络结构，以模拟大脑中神经细胞之间的相互作用。下面，咱们大概介绍一下关于 ANN 的和1、：神经元是神经网络的基本单元，它们接收输入、执行计算并生成输出。每个神经元都有一个激活函数，用于将输入信号转换为输出信号。
2024-06-02 07:34:14
1051
原创 机器学习中的神经网络重难点！纯干货（下篇）
这个重要性是通过计算一个权重值的方式来实现的，而这个权重值是根据输入的相似性来决定的。重要的是，这种计算是基于输入数据本身完成的，因此不受序列长度的限制。要注意的是，这个示例的数据和任务仅用于演示Transformer模型的使用方式。判别器也是一个神经网络，它会对输入的数据进行评估，输出一个0到1之间的概率值，表示数据的真实程度。：基于当前的输入和细胞状态，LSTM生成新的输出和细胞状态，这将成为下一个时间步的输入。：判别器的目标是最小化，其中是判别器对真实数据的评价，是对生成器生成数据的评价。
2024-06-02 07:33:35
743
原创 机器学习初学者 6 个核心算法！建议收藏，反复观看！
今天再来介绍首先，引用一句英国统计学家George E. P. Box的名言：All models are wrong, but some are useful. 没有哪一种算法能够适用所有情况，只有针对某一种问题更有用的算法。也就是说，机器学习算法不会要求一个问题被 100%求解，取而代之的是把问题转化为最优化的问题，用不同的算法优化问题，从而比较得到尽量好的结果。因此对于数据科学家来说，理解算法显得格外重要，理解不同算法的思想可以帮助数据科学家更从容地面对不同的应用场景。
2024-06-01 10:22:35
785
1
原创 特别实用的8个机器学习算法总结！建议收藏，反复观看！
今天介绍了8个机器学习中回归类算法的总结，以及不同情况使用的特征。线性回归： 适用于特征与目标之间呈线性关系的情况，例如简单的回归分析、连续型数值预测等。多项式回归：当特征与目标之间的关系呈现出非线性趋势时，可以使用多项式回归来拟合曲线关系，适用于二次、三次等多项式关系。岭回归： 在线性回归中存在多重共线性（特征之间高度相关）时，岭回归可以用来稳定模型。它也有助于防止过拟合。Lasso回归： 适用于具有许多特征的数据集，可以帮助选择最重要的特征，同时进行特征选择和回归。弹性网络回归。
2024-06-01 10:21:29
989
原创 线性回归 10 种图表 下
偏差-方差权衡是一个重要的概念，它告诉我们在训练模型时要权衡这两种误差，并避免过拟合（高方差、低偏差）或欠拟合（低方差、高偏差）。杠杆值反映了每个数据点对模型参数估计的影响程度，具有高杠杆值的数据点可能会对模型的拟合产生较大影响。它通过绘制一个自变量与因变量之间的关系图，同时控制其他自变量的影响，来帮助我们理解这个自变量独立于其他变量时对因变量的影响程度。通过观察Cook's 距离，我们可以找出这些数据点，并进一步分析它们对模型的影响，以优化模型的拟合效果。这种图表有助于我们优化模型并提高预测的准确性。
2024-05-31 08:25:32
686
原创 特别实用的8个机器学习算法总结！建议收藏，反复观看！
今天介绍了8个机器学习中回归类算法的总结，以及不同情况使用的特征。线性回归： 适用于特征与目标之间呈线性关系的情况，例如简单的回归分析、连续型数值预测等。多项式回归：当特征与目标之间的关系呈现出非线性趋势时，可以使用多项式回归来拟合曲线关系，适用于二次、三次等多项式关系。岭回归： 在线性回归中存在多重共线性（特征之间高度相关）时，岭回归可以用来稳定模型。它也有助于防止过拟合。Lasso回归： 适用于具有许多特征的数据集，可以帮助选择最重要的特征，同时进行特征选择和回归。弹性网络回归。
2024-05-30 07:11:10
664
原创 机器学习初学者 6 个核心算法！建议收藏，反复观看！
今天再来介绍首先，引用一句英国统计学家George E. P. Box的名言：All models are wrong, but some are useful. 没有哪一种算法能够适用所有情况，只有针对某一种问题更有用的算法。也就是说，机器学习算法不会要求一个问题被 100%求解，取而代之的是把问题转化为最优化的问题，用不同的算法优化问题，从而比较得到尽量好的结果。因此对于数据科学家来说，理解算法显得格外重要，理解不同算法的思想可以帮助数据科学家更从容地面对不同的应用场景。
2024-05-30 07:10:20
774
原创 ❤【纯干货】Matplotlib总结，任何项目都用得到呦❤
总的来说，Matplotlib 是一个强大而灵活的 Python 数据可视化工具，可用于创建各种类型的图表，帮助用户更好地理解和呈现数据。如果你需要在数据分析和可视化中使用 Python，Matplotlib 是一个不可或缺的工具之一。
2024-05-29 18:40:47
1087
原创 ❤【纯干货】硬核集成算法❤
今天介绍了5个机器学习中关于集成学习的总结，包括Bagging、Boosting、Stacking、Voting、深度学习集成喜欢的朋友可以起来！
2024-05-29 18:39:55
651
原创 机器学习：在Python中sklearn库的使用，纯干货！12个小时的整理！
今天演示了关于scikit-learn在无监督学习方面的使用。后续会出scikit-learn在其他方面的使用，大家可以关注起来！
2024-05-28 07:35:28
728
原创 程序员最趁手的SVM算法，学完你会哭着感谢努力的自己！下篇.
这段代码使用 Scikit-learn 库中的 SVC 类来创建不平衡类别支持向量机模型，并使用plotly库绘制三维图来展示决策边界。通过拟合模型并预测网格点上的分类结果，我们可以得到决策边界，并将其可视化。核贝叶斯支持向量机通过学习一些已知的例子，并找到一个特殊的边界，用于将不同的事物区分开来。它的目标是通过调整决策边界，使得分类模型能够更好地识别少数类别，并提高整体分类准确率。文本分类：在某些特定的主题或事件中，负面评论或垃圾邮件的数量相对较少。核贝叶斯支持向量机可以应用于很多现实生活中的问题。
2024-05-27 17:43:15
359
原创 程序员最趁手的SVM算法，学完你会哭着感谢努力的自己！上篇.
记得最初学习SVM的时候，既有激动又有崇拜，也不知道为什么？总是和开始学习的回归、聚类不太一样。在这之前咱们已经接触了 各个算法的优缺点的总结，以及8个回归类算法、7个正则化算法的总结、5 个集成算法模型的全部总结！感兴趣的可以翻到之前看看~咱们今天就大概一起学习一下关于SVM的方方面面。线性支持向量机非线性支持向量机多类别支持向量机核函数支持向量机稀疏支持向量机核贝叶斯支持向量机不平衡类别支持向量机！
2024-05-27 17:42:56
544
原创 【建议收藏】逻辑回归面试题，机器学习干货、重点。
逻辑回归的目标函数，通常也称为损失函数或代价函数，用于衡量模型的预测与实际观测值之间的差异。逻辑回归通常用于二分类问题，其目标是最大化观测数据属于正类别或负类别的概率，从而能够进行分类。逻辑回归的目标函数通常使用交叉熵损失函数（Cross-Entropy Loss Function）或对数损失函数（Log Loss Function），这两者通常是等价的。逻辑回归的交叉熵损失函数对于二分类问题，逻辑回归的损失函数可以表示为以下形式：其中：是损失函数。是训练样本数量。
2024-05-26 08:10:18
739
原创 纯干货分享 机器学习7大方面，30个硬核数据集
最后聊一聊，获取一些数据集可能需要注册或符合特定使用条件。此外，对于图像分类、文本情感分析和自然语言处理等任务，还可以使用深度学习技术，如卷积神经网络（CNN）、循环神经网络（RNN）和预训练模型（如BERT）。对于自动驾驶任务，需要结合计算机视觉和传感器数据处理。金融领域的数据集通常用于建立量化金融模型和风险分析。
2024-05-26 08:09:38
476
原创 【建议收藏】20个硬核Python脚本，纯干货分享
另外，每个模块底部提供了对于官网文档，更加方便的查询具体的使用方法。内容由简到难，如果对你有帮助的话希望。
2024-05-25 09:13:00
620
原创 【建议收藏】30个较难Python脚本，纯干货分享
本篇较难，；接上篇文章，对于Pyhon的学习，上篇学习的结束相信大家对于Pyhon有了一定的理解和经验，学习完上篇文章之后再研究研究剩下的30个脚本你将会有所成就！加油！
2024-05-25 09:12:34
6449
2
原创 【建议收藏】线性回归 10 种图表 上
至于数据集，表现方式，大家可以根据我给出的代码继续调整即可！那么，在线性回归学习中，以下10种图表是很重要的：散点图线性趋势线图残差图（Residual plot）正态概率图学习曲线方差-偏差权衡图残差对预测值图部分回归图杠杆图Cook's 距离图。
2024-05-24 09:54:28
541
原创 【建议收藏】线性回归 10 种图表 下
偏差-方差权衡是一个重要的概念，它告诉我们在训练模型时要权衡这两种误差，并避免过拟合（高方差、低偏差）或欠拟合（低方差、高偏差）。杠杆值反映了每个数据点对模型参数估计的影响程度，具有高杠杆值的数据点可能会对模型的拟合产生较大影响。它通过绘制一个自变量与因变量之间的关系图，同时控制其他自变量的影响，来帮助我们理解这个自变量独立于其他变量时对因变量的影响程度。通过观察Cook's 距离，我们可以找出这些数据点，并进一步分析它们对模型的影响，以优化模型的拟合效果。这种图表有助于我们优化模型并提高预测的准确性。
2024-05-24 09:54:03
593
1
原创 Matplotlib总结，任何项目都用得到。收藏备用。
总的来说，Matplotlib 是一个强大而灵活的 Python 数据可视化工具，可用于创建各种类型的图表，帮助用户更好地理解和呈现数据。如果你需要在数据分析和可视化中使用 Python，Matplotlib 是一个不可或缺的工具之一。
2024-05-23 07:28:22
718
原创 硬核集成算法，学习完你会哭着感谢自己！
今天介绍了5个机器学习中关于集成学习的总结，包括Bagging、Boosting、Stacking、Voting、深度学习集成喜欢的朋友可以起来！
2024-05-23 07:27:33
933
原创 机器学习中的神经网络重难点！纯干货（下篇）
这个重要性是通过计算一个权重值的方式来实现的，而这个权重值是根据输入的相似性来决定的。重要的是，这种计算是基于输入数据本身完成的，因此不受序列长度的限制。要注意的是，这个示例的数据和任务仅用于演示Transformer模型的使用方式。判别器也是一个神经网络，它会对输入的数据进行评估，输出一个0到1之间的概率值，表示数据的真实程度。：基于当前的输入和细胞状态，LSTM生成新的输出和细胞状态，这将成为下一个时间步的输入。：判别器的目标是最小化，其中是判别器对真实数据的评价，是对生成器生成数据的评价。
2024-05-22 15:31:31
718
原创 机器学习中的神经网络重难点！纯干货（上篇）
人工神经网络（Artificial Neural Network，ANN）是一种受到生物神经系统启发的计算模型，用于模拟和处理复杂的信息处理任务。人工神经网络由许多神经元（或称为节点）组成，这些神经元通过连接（也称为权重）相互连接，形成了一个网络结构，以模拟大脑中神经细胞之间的相互作用。下面，咱们大概介绍一下关于 ANN 的和1、：神经元是神经网络的基本单元，它们接收输入、执行计算并生成输出。每个神经元都有一个激活函数，用于将输入信号转换为输出信号。
2024-05-22 15:30:33
1234
原创 机器学习正则化算法的总结，建议收藏。（下篇）
L1 正则化L2 正则化弹性网络正则化Dropout 正则化贝叶斯Ridge和Lasso回归早停法数据增强上篇讲了前五种，这篇记录后两种。直接步入主题，
2024-05-21 13:31:00
489
1
原创 机器学习正则化算法的总结，建议收藏。（上篇）
正则化通过在模型的损失函数中添加一个正则项（惩罚项）来实现。这个正则项通常基于模型参数的大小，以限制模型参数的数量或幅度。：L1正则化添加了模型参数的绝对值之和作为正则项。它倾向于使一些参数变为零，从而达到特征选择的效果。所以，L1正则化可以用于自动选择最重要的特征，并减少模型复杂度。：L2正则化添加了模型参数的平方和作为正则项。它倾向于使所有参数都较小，但没有明确地将某些参数设置为零。L2正则化对异常值更加鲁棒，并且可以减少模型的过度依赖单个特征的情况。
2024-05-21 13:29:56
1086
1
原创 15个硬核机器学习库。建议收藏备用！（下篇）
这只是其中一些常用的机器学习库，Python生态系统中还有许多其他工具和库，可以根据具体需求选择合适的工具。此外，机器学习和深度学习领域不断发展，新的库和框架可能会不断涌现。喜欢的朋友可以起来！
2024-05-20 07:59:11
809
空空如也
关于机器学习基础与实际（相关搜索：机器学习）
2024-06-14
支持向量机是什么？什么时候会用？
2024-06-12
深度学习各算法的优缺点和适用场景！
2024-06-08
给我讲清楚机器学习的库（相关搜索：机器学习）
2024-06-07
关于svm算法的学习，有什么好办法
2024-06-04
怎么样更快的学会机器学习呢？机器学习的重难点是什么
2024-06-03
机器学习中，哪些是线性算法（相关搜索：机器学习）
2024-06-02
卷积神经的使用方法是什么，什么情况下更好
2024-06-01
TA创建的收藏夹 TA关注的收藏夹
TA关注的人