m0_73116466的博客

原创 机器学习——逻辑回归

逻辑回归（Logistic Regression）是一种广泛应用于统计学和机器学习领域的分类方法，尤其在二分类问题中表现突出。它预测的是一个事件发生的概率，即模型的输出是一个介于0和1之间的值，通常这个输出被解释为属于某个类别的概率。注意：逻辑回归虽然名字中有回归二字，但是它不是回归算法，而是分类算法。

原创 朴素贝叶斯

朴素贝叶斯（Naive Bayes）是一种基于贝叶斯定理的简单概率分类器。它之所以被称为“朴素”，是因为它假设特征之间相互独立，这个假设在现实世界中通常不成立，但朴素贝叶斯分类器在实践中往往表现出色，尤其是在文本分类和垃圾邮件过滤等领域。

原创 机器学习之决策树

决策树（decision tree）：是一种基本的分类与回归方法，此处主要讨论分类的决策树。在分类问题中，表示基于特征对实例进行分类的过程，可以认为是if-then的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。决策树通常有三个步骤：特征选择、决策树的生成、决策树的修剪。用决策树分类：从根节点开始，对实例的某一特征进行测试，根据测试结果将实例分配到其子节点，此时每个子节点对应着该特征的一个取值，如此递归的对实例进行测试并分配，直到到达叶节点，最后将实例分到叶节点的类中。

原创 U-net笔记

这个结构就是先对图片进行卷积和池化，在Unet论文中是池化4次，比方说一开始的图片是224x224的，那么就会变成112x112，56x56,28x28,14x14四个不同尺寸的特征。Unet网络非常的简单，前半部分就是特征提取，后半部分是上采样。在一些文献中把这种结构叫做。，由于网络的整体结构是一个大些的英文字母U，所以叫做U-net。在当时，Unet相比更早提出的FCN网络，使用。来作为特征图的融合方式。

原创 stable diffusion 笔记

什么是扩散？即如图在正向扩散过程将逐步添加到输入图像中。那依照什么样的规律来添加噪声呢？这里就涉及一个参数，在我们的前向扩散过程中，t时刻的图像值与它的上一时刻的图像值和上一时刻到t时刻所要加上的噪声值z有关（z是一个符合高斯分布的采样值），由于图像变得越来越扩散，即噪声越来越多，那么将更取决于将加入的的噪声，而不是上一时刻的值。因此我们需要随着迭代的时刻数逐渐减小，即逐渐增大，论文中定义了的递增范围，从而使得变成了一个被定义的递减函数。

原创 机器学习之模型评估

机器学习模型评估是机器学习流程中的一个关键步骤，它帮助我们了解模型的性能和可靠性。评估过程通常涉及一系列的指标和方法，用于衡量模型对新数据的预测能力。

原创 k-近邻算法

KNN算法的核心思想是“物以类聚”，即相似的事物倾向于聚集在一起。对于一个给定的数据点，算法会找到训练数据集中与其最相似的K个邻居。这里的“相似”是通过某种距离度量（如欧氏距离）来定义的。然后，算法根据这K个邻居的标签来预测数据点的标签。

原创 机器学习环境配置