MachineLearningWu_16/P72-P77_Diagnostic

最新推荐文章于 2025-05-15 10:10:13 发布
最新推荐文章于 2025-05-15 10:10:13 发布
阅读量288 收藏
点赞数
文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43369406/article/details/132240287
版权

x.1 导数，计算图，大型网络

计算图就是根据链式法则求取偏导，大型网络就是多层网络堆叠而成。

x.2 Diagnostic

在我们对深度学习有了一些认知后，最重要的就是模型的诊断，以带有L1正则化的线性回归为例，我们需要预测房屋的价格，此时若我们在预测时候得到了一个较大的error，我们可能会从以下几个问题着手，是否需要一个更大的训练样本？是否需要更少特征？是否需要额外特征？特征工程？减少或者增加L1惩罚项？

请添加图片描述

相较于这些而言，我们更应该判断我们得到的error是否合理，即对模型应该有一个全方位的评估。为了对模型有一个全方位的评估，我们将数据集分为(training set)训练集，(validation set)验证集和(test set)测试集，

请添加图片描述

我们使用训练集来判断模型的拟合程度，用验证集来判断模型的泛化性能，用测试集来做最后总的评估。我们这里仍然使用MSE来做损失函数，

请添加图片描述

根据loss我们来选取我们需要的模型的参数，

请添加图片描述

樱木之
关注
解释一下这段代码ifdef USE_HANDSHAKE INTP_Init(1 << 0, INTP_RISING); INTP_Start(1 << 0); #endif PORT->PMC7 &= ~(3<<1); // P71, P72 digital function PORT->PM7 &= ~(3<<1); // P71, P72 output mode PORT->P7 |= (3<<1); // P71/LED, P72/LED OFF //======================================================================= // spi MODE 0 Master transmission/reception // Mode 0: CPOL = 0, CPHA = 0; i.e. DAP = 1, CKP = 1 // Mode 1: CPOL = 0, CPHA = 1; i.e. DAP = 0, CKP = 1 // Mode 2: CPOL = 1, CPHA = 0; i.e. DAP = 1, CKP = 0 // Mode 3: CPOL = 1, CPHA = 1; i.e. DAP = 0, CKP = 0 //======================================================================= #ifdef TEST_SPI_MODE_0 SPI_MasterInit(SPI_MODE_0); #ifdef USE_HANDSHAKE /* waiting slave ready */ while(g_intp0Taken == 0); g_intp0Taken = 0; #endif //----------------------------------------------------------------------- // Master Send and Slave Receive //----------------------------------------------------------------------- SPI_MasterSend(mtx_buf, sizeof(mtx_buf)); #ifdef SPI_WITH_DMA SysTick->CTRL &= ~SysTick_CTRL_TICKINT_Msk; /* Disable SysTick IRQ */ __WFI(); SysTick->CTRL |= SysTick_CTRL_TICKINT_Msk; /* Enable SysTick IRQ */ #else while(gp_spi_tx_address != 0); #endif delayMS(5); //----------------------------------------------------------------------- // Master Receive and Slave Send //----------------------------------------------------------------------- SPI_MasterReceive(mrx0_buf, sizeof(mrx0_buf)); #ifdef SPI_WITH_DMA SysTick->CTRL &= ~SysTick_CTRL_TICKINT_Msk; /* Disable SysTick IRQ */ __WFI(); SysTick->CTRL |= SysTick_CTRL_TICKINT_Msk; /* Enable SysTick IRQ */ #else while(gp_spi_rx_address != 0); #endif delayMS(2);
07-14
`：设置P71和P72引脚的功能为数字功能。 3. `PORT->PM7 &= ~(3);`：将P71和P72引脚设置为输出模式。 4. `PORT->P7 |= (3);`：设置P71和P72引脚输出高电平，这可能是控制LED的操作。 5. `#ifdef TEST_SPI_MODE_0`...
索尼DSC-P72产品介绍及详细规格表
07-09
DSC-P72支持记忆棒存储，随机附带16MB内存，并兼容MemoryStick Pro扩展，方便用户存储大量照片。 在闪光灯功能上，DSC-P72具有可调模式并支持防红眼功能，确保人物拍摄时的眼睛不会因闪光而显得红色。相机还提供了...
ruby-1.8.7-p72-i386-mswin32.zip
08-14
标题 "ruby-1.8.7-p72-i386-mswin32.zip" 提供的信息表明，这是一个针对i386架构的Windows 32位系统的Ruby编程语言的版本1.8.7，具体补丁级别为p72。Ruby是一种面向对象的、动态类型的脚本语言，由日本人松本行弘于...
STL源码解析之uninitialized_fill_n简单测试-（用到了迭代器萃取和型别萃取）
我的新博客
11-22 1411
1. 《STL源码解析》P72的uninitialized_fill_n
CVPR-2022《Efficient Deep Embedded Subspace Clustering》
Christo的博客
05-15 672
EDESC 提出了一种高效、准确的深度子空间聚类方法，通过非自表达框架和线性复杂度解决了传统方法的局限性。其目标函数联合优化重建损失、子空间基正则化和聚类损失，优化过程通过迭代更新嵌入表示和子空间基实现。实验结果表明，EDESC 在多个基准数据集上显著优于现有方法，适用于大规模和在线聚类场景。算法实现结合自编码器和子空间基迭代优化，支持小批量训练，具有高度的实用性和扩展性。
机器学习管道 pipeline
zx15600886035的博客
05-12 984
知识回顾:转化器和估计器的概念管道工程ColumnTransformer和Pipeline类作业：整理下全部逻辑的先后顺序，看看能不能制作出适合所有机器学习的通用pipeline。
生成对抗网络（GAN）深度解析：理论、技术与应用全景
搏博的专栏
05-12 1231
从理论推导到工程实现，GAN的发展印证了深度学习中“对抗训练”范式的有效性——通过构建竞争机制，模型能够学习到更复杂、更真实的数据分布。（Discriminator）负责判断输入的数据是真实的还是生成的，目的是找出生成器做的“假数据”。本文从理论起源、数学建模、网络架构、工程实现到行业应用，系统拆解GAN的核心机制，涵盖基础理论推导、改进模型分析、评估指标设计及多领域实践案例，为复杂分布建模提供完整技术路线。之后将D(x)和D(G(z))都输入到判别模型（D）中，进行判别，判断是否是真是的数据。
机器学习-计量经济学
qq_35269774的博客
05-14 441
不要事前决定变量关系，关键是谁也不知道啊，机器学习学习的模型（那也不是真实的关系啊）这就是自然学科的好处：只要不断的优化这个未知的东西（函数），然后在数据上（场景）表现好就可以了，我也接受这种观念。但是社科不一样了：要事前的决定形式（变量是线性关系，非线性关系，二次关系等等），然后根据数据估计参数，得到因果（说实话，我很质疑的）。在回归分析中，存在系数是线性的假设（只能包括系数的一次项，β1β2, 不能是β2eβ然后是模型的设定（假设变量间是线性关系yβxyβx2。
机器学习-- 线性回归、逻辑回归
m0_46671240的博客
05-15 935
机器学习-- 线性回归
机器学习笔记1
id13467982的博客
05-12 624
机器学习（Machine Learning）本质上就是让计算机自己在数据中学习规律，并根据所得到的规律对未来数据进行预测。机器学习包括如聚类、分类、决策树、贝叶斯、神经网络、深度学习（Deep Learning）等算法。机器学习的基本思路是模仿人类学习行为的过程，如我们在现实中的新问题一般是通过经验归纳，总结规律，从而预测未来的过程。Python语言机器学习工具Scikit-learn包括许多智能的机器学习算法的实现Scikit-learn文档完善，容易上手，丰富的API接口函数sklearn。
【软件工程】机器学习多缺陷定位技术分析
meisongqing的博客
05-15 912
本文探讨了基于机器学习的多缺陷定位技术，重点分析了其在应对多缺陷干扰和动态环境适应方面的策略。技术路径包括使用生成对抗网络（GAN）增强缺陷多样性、多模态数据融合和多维度动态轨迹分析，以提高模型的识别准确率和定位精度。关键方法涉及半监督学习、跨场景迁移与联邦学习、实时反馈与在线优化，以减少对标注数据的依赖并增强模型在不同环境中的泛化能力。文章还指出了多缺陷干扰区分、动态环境数据异构性和极端环境实时性等挑战，并提出了神经符号系统、多模态标准化协议和抗辐照GAN芯片等解决方案。最后，文章展望了工业检测、软件工程
机器学习笔记2
id13467982的博客
05-12 1568
在正相关的关系中，两个变量的变化趋势是同向的。它的目的是将不同特征的数值范围缩放到统一的标准范围，以便更好地适应一些机器学习算法，特别是那些对输入数据的尺度敏感的算法。比如下图的二维数据要降为一维数据，图形法是把所在数据在二维坐标中以点的形式标出，然后给出一条直线，让所有点垂直映射到直线上，该直线有很多，只有点到线的距离之和最小的线才能让之前信息损失最小。PCA的核心目标是从原始特征空间中找到一个新的坐标系统，使得数据在新坐标轴上的投影能够最大程度地保留数据的方差，同时减少数据的维度。
机器学习驱动的智能化电池管理技术与应用
weixin_51101456的博客
05-12 315
从电池性能的精确评估到复杂电池系统的智能监控，从数据驱动的故障诊断到电池寿命的预测优化，人工智能技术正以其强大的数据处理能力和模式识别优势，推动电池管理领域的技术进步。5.电池匹配与均衡：在电池组中，使用人工智能技术进行电池单体的匹配和均衡控制，确保电池组性能的一致性和稳定性。2.寿命预测：通过分析电池的使用历史和性能数据，预测电池的剩余使用寿命（RUL），帮助制定维护和更换计划。8.电池回收与二次利用：使用人工智能评估退役电池的状态，优化电池的回收和再利用流程。
机器学习笔记3
id13467982的博客
05-15 460
获取数据、数据处理、特征工程后，就可以交给预估器进行机器学习，流程和常用API如下。1.实例化预估器(估计器)对象(estimator)， 预估器对象很多,都是estimator的子类（1）用于分类的预估器sklearn.neighbors.KNeighborsClassifier k-近邻sklearn.naive_bayes.MultinomialNB 贝叶斯sklearn.linear_model.LogisticRegressioon 逻辑回归。
机器学习第十二讲：特征选择 → 选最重要的考试科目做录取判断
kovlistudio的博客
05-15 438
机器学习第十二讲：特征选择 → 选最重要的考试科目做录取判断
偏导数和梯度
AI大模型/Python/Java/MySQL技术栈，快来和我一起学习吧 ~
05-07 1221
在现代机器学习中，它们是优化算法的基石，尤其在神经网络训练中，通过反向传播算法高效计算损失函数的梯度，从而调整模型参数。例如，盲人摸象时，梯度会告诉他脚下哪边最陡峭。偏导数的核心思想是“固定其他变量，仅研究单一变量对函数值的影响”，但其表达形式可能因场景不同而有所变化。通过以上代码，读者可以直观理解偏导数和梯度的计算方法，并掌握其在优化问题中的实际应用。例如，在山丘地形图中，梯度指向最陡峭的上坡方向，负梯度指向最陡峭的下坡方向。通过这种拆解，读者能清晰理解：偏导数是梯度的“基石”，梯度是优化的“指南针”。
基于Django和机器学习实现的中风预测系统
微信号：RunsenLiu
05-12 182
本项目开发了一个基于Django和机器学习的中风预测系统，旨在通过分析多种健康指标预测患者的中风风险。系统采用Scikit-learn框架，结合真实医疗数据集，进行数据预处理和特征工程，实现了多种分类算法，并提供模型评估和优化流程。系统具有用户友好的界面，便于医疗工作者输入数据和查看预测结果。技术栈包括Python、Scikit-learn、Pandas、NumPy以及Matplotlib/Seaborn等工具，具有高度可扩展性和模块化设计，支持模型更新和系统扩展。源码获取需联系作者并提供项目标题截图。
机器学习第十三讲：独热编码 → 把“红黄蓝“颜色变成001/010/100的数字格式
最新发布
kovlistudio的博客
05-15 461
机器学习第十三讲：独热编码 → 把红黄蓝颜色变成001等的数字格式
【氮化镓】横向GaN 器件注入隔离区的电场相关载流子传输特性
荷塘阅色
05-12 84
2025年，宾夕法尼亚州立大学的Mansura Sadek团队研究了GaN横向功率器件中注入隔离区的电场依赖载流子传输特性。通过制备不同条件的隔离测试结构并进行电学特性测试，发现泄漏电流和击穿特性主要由注入的GaN区域决定，与缓冲层和未故意掺杂GaN无关。研究揭示了载流子传输在低、中、高电场下的不同特性，并指出击穿主要发生在注入区。该研究为优化GaN功率器件性能、提高击穿电压提供了理论依据，对推动GaN功率器件的发展和应用具有重要意义。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值