- 博客(5)
- 收藏
- 关注
RSS订阅原创 中文文本分类实战！MindSpore全流程解析~
本文详细介绍了基于MindSpore框架的中文文本分类模型构建全流程。针对中文特性，重点解决分词、停用词过滤和文本标准化问题，使用jieba进行精确分词并构建词汇表。模型采用轻量级架构（词嵌入+池化+全连接），通过交叉熵损失和Adam优化器进行训练。完整流程涵盖数据预处理、模型构建、训练评估及预测部署，特别适合中文NLP初学者。该方案能有效处理中文文本分类任务，对明显情感倾向的识别准确率较高。
2025-10-23 22:18:04
515
原创 编程新手必看：小小编程可笑可笑
本文为编程新手提供从问题到工具选择的实用指南。首先强调明确问题类型（数据处理、可视化、逻辑实现、机器学习等）是关键，再匹配对应工具：Pandas处理表格数据、Matplotlib/Seaborn可视化、基础语法实现简单逻辑、Scikit-learn处理机器学习任务。建议通过查阅官方文档+模仿示例代码的方式快速上手，避免"用大炮打蚊子"等常见错误。强调"先抄后改"的学习策略，推荐从简单小项目入手实践，逐步掌握"问题→工具→代码"的解决路径。记住编程工
2025-10-22 19:12:41
643
原创 NLP数据预处理：从清洗到分词的细节指南
自然语言处理（NLP）数据预处理是将原始文本转换为模型可理解格式的关键步骤，主要包括：数据收集（获取相关文本）、数据清洗（去除噪音和冗余）、文本规范化（统一格式）、分词（拆分语义单位）、去除停用词（过滤无关词汇）、词干提取/词形还原（合并词根变体）以及特征工程（转换为数值向量）。这些步骤通过逐步清理和转换文本数据，减少干扰信息，使模型能够更有效地学习核心语义，类似于烹饪前的食材准备过程。预处理质量直接影响最终模型的性能表现。
2025-10-22 18:50:28
898
原创 RNN揭秘：让机器拥有记忆的魔法
机器只靠代码是无法自主记忆甚至是理解数据之间的连续性，而RNN这一循环算法，让计算机有了人体大脑的初步功能：瞬时记忆能力。循环神经网络（RNN）：是一种专门处理序列数据的神经网络核心思想：是通过循环连接让网络具有短期记忆能力，利用前文数据来理解当前数据以及后面的数据。易理解：看电影的你，在你看到某一情节时，你能知道它的前因(前信息)，因此理解这一情节为何发生(当前数据)。类似的逻辑还有定外卖······等等。
2025-10-16 09:58:05
799
原创 Bagging算法：提升模型性能的利器
Bagging算法是一种集成学习方法，通过bootstrap采样构建多个基学习器并聚合预测来提升模型性能。该算法能有效降低模型方差，提高泛化能力，尤其适用于高方差基学习器如决策树。其扩展版本随机森林通过特征随机选择进一步增强多样性。Bagging优势在于并行化训练、减少过拟合，但存在计算成本高、解释性差的缺点。它适用于高方差、噪声大的场景，对稳定学习器效果有限，使用时需权衡计算资源。
2025-09-25 09:25:52
698
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