![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
机器学习与深度学习
文章平均质量分 66
机器学习与深度学习
_ICE_
一个爱打游戏的科研小混子
展开
-
Python实战代码之时序预报分析-随机森林&XGBOOST&LSTM
Python实战代码之时序预报分析-随机森林&XGBOOST&LSTM。利用Random forest/XGB/LSTM模型进行建模。选择不同模型只需要更改main.py中89行即可运行。ModelSelected = 'random forest' 可选的是'random forest' / 'XGB' / 'LSTM'。模型推荐需要调参(LSTM模型除外),CvState = True;如果不想对random forest和XGB调参,则将main.py中91行修改CvState原创 2024-01-01 00:49:38 · 839 阅读 · 2 评论 -
深度学习中的踩过的一些坑
深度学习遇到的一些bug和问题 不定时更新(希望更新的能越来越少 碰不到bug最好)原创 2022-06-19 23:07:44 · 2279 阅读 · 0 评论 -
pycharm连接服务器方法
一个科研混子的备忘录。方法实际操作可以顺利链接,记录下来防止过两天忘了咋整原创 2022-06-19 12:03:57 · 5884 阅读 · 2 评论 -
基于Pytorch的实战-卷积注意力模块(Convolutional Block Attention Module,CBAM)
卷积注意力模块(Convolutional Block Attention Module,CBAM)是一种结合了通道注意力和空间注意力的轻量级模块,它可以嵌入任何卷积神经网络中。CBAM包含两块内容:通道注意力模块以及空间注意力模块,在利用CBAM可解释性主要使用的是通道注意力模块定量化分析不同变量相对重要性,故对通道注意力模块着重解释(图7)。原创 2023-12-01 20:37:19 · 771 阅读 · 0 评论 -
Python 构建 Random Forest 和 XGBoost
让你快速调用高效的机器学习算法:random forest 和 XGBoost原创 2022-07-08 09:56:26 · 1047 阅读 · 0 评论 -
基于Python的实战聚类代码(Kmeans和SOM)
在肘部法则中,我们关注的是随着簇数增加,Inertia(簇内平方和)的变化情况。通常情况下,Inertia值越低表示数据点更接近其簇中心,但并非绝对。在肘部法则中,我们寻找的是Inertia急剧下降并趋于平缓的点,这个点可能是最佳的聚类数量。因此,对于肘部法则,我们要找到Inertia值下降幅度显著变小,即形成一个“肘部”样的点,这时候增加簇数不再显著地降低Inertia。原创 2023-11-27 12:17:11 · 1063 阅读 · 0 评论 -
深度学习参数可视化黑科技-TensorBoard 使用方法
深度学习参数可视化黑科技-TensorBoard 使用方法,利用MobaXterm进行隧道打通,实现在linux下使用tensorboard;windows下使用tensorboard更加方便~原创 2022-07-22 16:44:06 · 1133 阅读 · 0 评论