pray_HKY2002-CSDN博客

原创 OpenAI大模型生态相关资料

虽不如GPT-3.5和GPT-4那么有名，但A、B、C、D四大模型却是目前OpenAl大模型生态中功能最丰富、API种类最多的四个模型；该模型发布于2021年8月10日，目前代码编写功能已经合并入GPT-3.5，官网显示该模型为已弃用(deprecated)状态，意为后续不再单独维护，但并不表示OpenAl已放弃编程大模型，相反越来越多的编程功能被集成到语言大模型中；并且，OpenAl在训练GPT-3的同时，训练了参数不同、复杂度各不相同的A、B、C、D四项大模型（(基座模型)，用于不同场景的应用;

2024-02-23 23:55:18 757

原创网格搜索、随机搜索机器学习实战

网格搜索随机搜索网格搜索随机搜索网格搜索class sklearn.model_selection.GridSearchCV(estimator :考虑优化的估计器param_grid : dict or list of dictionaries，希望进行搜索的参数阵scoring = None : string/callable/list/tuple/dict/None，模型评分方法fit_params = None, n_jobs = 1, cv = Noneiid = True :数

2022-04-02 16:12:04 2563

原创交叉验证实战

交叉验证将拆分与评价合并执行保证案例顺序的随机性同时使用多个评价指标使用交互验证后的模型进行预测1.简单交叉验证简单交叉验证方法是:首先随机地将已给数据分为两部分，一部分作为训练集,另一部分作为测试集（例如，70%的数据为训练集，30%的数据为测试集);然后用训练集在各种条件下（例如，不同的参数个数)训练模型，从而得到不同的模型;在测试集上评价各个模型的测试误差，选出测试误差最小的模型。2.S折交叉验证应用最多的是S折交叉验证(S-fold cross validation)，方法如下:首先随机地将

2022-04-02 16:06:17 3989

原创分类器的评估优化

#两分类问题有混淆矩阵三分类问题、五分类问题都有混淆矩阵多分类问题都有混淆矩阵1.混淆矩阵2. 导入数据#导入数据from sklearn.datasets import load_irisiris = load_iris()两分法拆分数据#两分法拆分数据from sklearn.model_selection import train_test_splitx_train,x_test,y_train,y_test = train_test_split(iris.data,ir

2022-03-24 00:07:09 2761

原创逻辑回归实践——糖尿病预测

逻辑回归糖尿病数据预测实战逻辑回归梯度下降法实现逻辑回归**糖尿病预测实战**sklearn实现逻辑回归Kaggle糖尿病预测逻辑回归import pandas as pd%matplotlib inlineimport numpy as npimport matplotlib.pyplot as pltplt.rcParams['font.sans-serif']=['SimHei']#显示中文标签plt.rcParams['axes.unicode_minus']=False#正常显示负号

2022-03-23 23:46:48 3211

原创鲍鱼数据案例（岭回归、LASSO回归）

鲍鱼数据集案例实战）数据集探索性分析鲍鱼数据预处理对sex特征进行OneHot编码，便于后续模型纳入哑变量筛选特征将鲍鱼数据集划分为训练集和测试集实现线性回归和岭回归使用numpy实现线性回归使用sklearn实现线性回归使用Numpy实现岭回归利用sklearn实现岭回归岭迹分析使用LASSO构建鲍鱼年龄预测模型LASSO的正则化路径残差图数据集探索性分析import pandas as pdimport warningswarnings.filterwarnings('ignore')data

2022-03-23 14:48:32 6202 1

原创机器学习（回归sklearn）

回归实践绘制一条直线y=0.5x+2%matplotlib inlineimport numpy as npimport matplotlib.pyplot as plt#生成位于区间(-6,6)的等间隔的100个点x = np.linspace(-6,6,100)#生成对应的函数值y = 0.5*x+2plt.figure()#绘制直线图形plt.plot(x, y)plt.show()已知两点，绘制一条直线（2,3）（6,5）的直线方程#绘制通过两点（2,3）（6

2022-03-03 16:43:45 1247

原创深拷贝、浅拷贝、视图

深拷贝、浅拷贝、视图一、基本概念二、代码运行存取元素中的“浅拷贝”与“深拷贝”三、总结一、基本概念深拷贝：通过“深拷贝”得到的变量互不干扰，其中一个变量的值改变时，不影响其他变量的值。浅拷贝：共享内存地址的两个变量，当其中一个变量的值改变时，另一个变量的值也随之改变。此时，变量间的“拷贝” 是“浅拷贝”。也可以理解为把存放变量的地址值传给被赋值的变量，不同的数组对象分享同一个数据，两个变量共享同一个地址视图：view （）操作在不对某一个数组进行复制的情况下创建一个同样指向该数据的视图，是一个新的

2022-02-24 23:17:46 230

pray_HKY的博客