预测宝可梦武力值、分类宝可梦

最新推荐文章于 2024-11-12 10:35:21 发布
最新推荐文章于 2024-11-12 10:35:21 发布
阅读量1k 收藏 1
点赞数 1
文章标签： 人工智能
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_51070956/article/details/133959993
版权

regression case

股票预测
无人车看到的各种sensor
影像镜头看到马路上的东西作为输入，输出就是方向盘角度等等的操纵策略

scalar 标量
这个是热力图，相当于你的XYZ但是Z用颜色表示了

closed-form solution 闭合解
learning rate事先定好的数值
在linear regression上没有local optimal

一般性 泛化性
在这里插入图片描述
来自于random的数值，进化值某个方面受random值的影响
training error太小，training结果太好就可能出现overfitting的情况
博士根据常识改变model，删掉某个已知不影响的参数，可能还有其他比较关键有影响力的factor
参数越小越接近0，可以达到更平滑的效果，input改变，output不那么敏感，受影响程度不大
为什么喜欢平滑
用L2范数正则化，即岭回归
惩罚项

平滑，output对输入不敏感，输入被杂讯干扰，受到比较小的影响
我可以理解为岭回归有一定的抗噪声的能力吗
太平滑是一条水平线，也什么都干不成，太平滑结果又会变差
调参侠
bw都是常数，只有w受x影响，bias不影响平滑程度
这边就是adamW优化器不对bias做decay的原因，因为它就相对于正则化

classification分类

gaussian distribution 高斯分布==正态分布
硬解
在这里插入图片描述
强制按照regression来训练
以0为分界

大于0表示1，

太大超过1不行，远大于1的点是错误error
太小不行

分界线会考虑到偏离较远的点而偏离最合适的位置，让他们尽可能不变成距离分界线很远的错误的点
为了减小loss而不符常理，最小二乘的弊端
regression会惩罚那些太过正确，output太大的那些值

把每一类当作一个数字，但是数字之间有关系，类别之间不一定和数字之间的关系保持一致比如大小，是否相邻

binary classification
如何确定比较好的loss function
分类错误的次数
不能微分，无法用gradient decent
SVM，perceptron

在这里插入图片描述
贝叶斯定律
条件概率
在这里插入图片描述

计算某个x出现的机率，可以得知x的distributtion分布，就可以自己产生x

要把18种都分类正确，做不太出来
因为有些数值接近，但是却不是一个系的
每个宝可梦用个向量来表示，他的各种特征
水系里面挑一只出来是海龟的概率
是从高斯分布里面sample出来的，sample了79个，
不同的μ和Σ，分布的最高点是不一样的
在这里插入图片描述

这个完全是从统计学的角度来做分类了

可以理解为由样本生成高斯分布，再用海龟的数据去找到在高斯分布的位置

散点来推测密度函数：极大似然估计

每个高斯都有可能sample出所有的79个点，但是 sample出79个点的可能性是不同的
每个点被独立sample出来的，机率独立相乘
找出一个Gaussian，sample出这79个点的概率是最大的
likelihood最大
取微分以下找极值

最大似然估计！！
mean和variance通过最大似然分别求微分偏导得到

在这里插入图片描述

每个宝可梦用个向量来表示，他的各种特
热力图怎么做出来的，所有平面上的点全都代入一遍两个高斯么？

机器学习可以在高维空间处理问题，在七维空间上说不定 重叠在boundary上的样本点是分开的,分界线boundary更加的明显，每个宝可梦通过七个数字的向量来表示feature

covariance matrix 协方差矩阵！！！
不同的class可以share同一个covariance matrix
和input的feature size的平方成正比

feature size很大的时候，covariance matrix增长很快

如果把2个不同的Gaussian都给不同的covariance matrix ，model的参数可能太多了，参数一朵，variance（方差）就大，容易overfitting

为了减小参数，描述这两个类的feature分布的Gaussian，故意给他们相同的 covariance matrix
强制共用同一组 covariance matrix

在这里插入图片描述

为了减少model复杂度，共用一个协方差矩阵，使得概率密度分布的散布程度在class1和class2的分布上是一样的
这时就要同时基于c1和c2的样本概率去求两个分布各自的均值和共同的协方差矩阵

为减少模型复杂度，去共用一个协方差而不是共用一个均值，因为显然class1和class2在特征分布图上有不同的几何中心，而modify散布程度的自由性更大

bishop指的是Bishop - Pattern Recognition And Machine Learning

把原来两个Gaussian各自算的covariance matrix加权平均，得到强制要求用共同的Gaussian时对应的所得到的covariance matrix

就是一种加权平均的策略，权重根据个数来设定被，你可以换成均值之类的都可以的

均值比方差更能代表 两组 之间的 差异 方差主要是显示组内差异

使用共同的covariance matrix之后，the boundary变成了linear的
在这里插入图片描述

在高维空间中，分类的准确率大大提高了
人没办法知道机器在运作中的复杂缠绕的机理
没有什么原理，就是纯工程上觉得it just works
二维feature很少，人一看就知道，分界线和分类的好坏

个人理解共用协方差只是为了减小模型的复杂度，这只是在基于自己决定好model结构的基础上去优化一下model，从而获得model在分布上有更小的误差

在这里插入图片描述

在这里插入图片描述

结果是很trivial的

选别的几率模型
简单模型，参数比较少，bias小，variance大
复杂的模型对应相反

binary feature ，说使用Gaussian模型机率 分布产生的，不太合理
这时可能会选择用 Bernoulli distributions 伯努利分布
伯努利分布Ber-n，n=1，其实就是0-1分布

inner product：数量积，内积

Selvaggia
关注
宝可梦数据分析
weixin_45216204的博客
09-14 700
数据时代的到来刷新了人们探索未知的方式，从基础能源建设到航天航空工程。在关都地区真新镇大木研究所一直孜孜不倦对精灵宝可梦进行研究的大木博士也不例外，在剧中我们就常常可以看到大木博士制作的精灵图鉴一直在给探险家们提供宝可梦的简单分析，包括宝可梦的身高，体重，特性等等。但是作为从小就向往前往大木博士研究所成为宝可梦联盟最强训练师/宝可梦研究大师的我，仅仅是分析单个宝可梦的数据远远满足不了我的需求。 与其他探险家旅游挑战道馆的方式不同，我决定通过使用数据分析的方式来帮助我更好的了解宝可梦这种神奇的生物，然后再选择
机器学习周报(三)--神奇宝贝预测和分类问题
qq_45847191的博客
06-25 653
本周学习了预测宝可梦cp值和分类问题，预测宝可梦cp值时通过选取适当的函数来预测输出，需要通过定义Loss Function来评估函数的好坏，并通过Gradient Descent来找到最佳的参数。如果函数过于复杂，会出现过拟合的问题，需要加入正则化来平衡模型的复杂度和准确度。分类问题以神奇宝贝分类为例，通过选取适当的函数和损失函数，以及使用算法如朴素贝叶斯，伯努利分布提升分类预测的准确性。代码部分学习了标准方程法及实战。定义一个model y=w*x^cp+b。该model中包含b,w等未知参数。
Map训练（三国武力值）
qq_48286883的博客
11-10 330
public class ExecMap{ public static void main(String[] args){ Map<String,Integer> map = new HashMap<>(); map.put("[蜀] 赵子龙",96); map.put("[群] 吕奉先",100); map.put("[蜀] 诸葛孔明",38); map.put("[魏] 张文远",90); map.put("[魏] 郭奉孝",20); map.put("[魏] 夏
画江湖之不良人武力值排名
weixin_42596246的博客
02-16 1073
《画江湖之不良人》是一部动画和漫画作品，其中涉及到许多角色的武力值。以下是一些角色的武力值排名： 独孤求败 - 9999 风行 - 999 红玉 - 980 大漠剑客 - 960 独孤剑 - 950 墨香 - 930 燕南天 - 920 虚竹 - 900 飞天狐狸 - 880 木华黎 - 870 需要注意的是，这些数值可能是动画和漫画中的虚构值，并不代表真实的武力值。此外，这个排名也可能因为作...
2022信创“大比武”「寻找武力值」
weixin_48123890的博客
07-28 221
重磅赛事，超级荣誉，超30万奖金池，远光九天平台应用开发，等你来挑战！
宝可梦数据集分析及预测
weixin_43908947的博客
04-02 6309
摘要 本文利用基于 Python 平台的Numpy、Pandas、Matplotlib 以及机器学习算法库 scikit-learn，提供的有监督学习的机械学习算法 KNeighborsClassifier 分析模型，对1013只精灵宝可梦的数据集进行分析预测，通过对数据集的抽取，清洗，转换和 KNeighborsClassifie 模型的训练，最终将预测宝可梦是否属于 传奇宝可梦、神话宝可梦、超进化宝可梦三类。并通过搜索最优测试集占比，搜索最优超参数 k，
宝可梦数据集的练习（预测模型）
weixin_43615654的博客
11-30 3272
仍然是参照：https://www.kesci.com/home/project/5b02bf4b57e80961e67c3b06 先根据原文做，之后再做改动吧 预测模型 采用算法： 1)Logistic Regression 2)Support Vector Machines(Linear and radial) 3)Random Forest 4)K-Nearest Neighbours 5)...
李宏毅机器学习[1]-宝可梦CP值预测
lokman666的博客
05-10 1107
最近在B站上学习李宏毅的机器学习的课程（2020版），他讲了一个预测宝可梦CP值的例子让我对机器学习有了一个大概的了解，或者说是让我明白了机器学习是要干嘛。下面是我对这个例子的认识和理解。 目标：预测宝可梦的CP值，即Combat Power战斗力。 预测分为了三个步骤，寻找一个适合的Model，评判一个function的优劣程度，Gradient Descent梯度下降。 步骤一：寻找一个合适的Model。 说简单一点，就是找一个function，输入一些值，得到一个输出结果，这个结果就可以看成预测的CP
假设一年有365天，郭大侠第一天的武力值为1，如果郭大侠每天勤于练功，每天武力值相比前一天会增加1%;如果郭大侠每天不练功，每天武力值相比前一天会减少1%。 请计算一年后，郭大侠每天练功和不练功两种情况下的最终武力值。
09-21
在这个问题中，我们可以用数学公式来描述郭大侠的武力值变化。假设初始值为 \( V_0 \)，每天的增减率为 \( r \)（对于练习，\( r = 1\% \)，对于不练功，\( r = -1\% \)）。 对于每日练习的情况，郭大侠的武力值 \...
机器学习系列----岭回归（Ridge Regression）简介及实现
DK22151的博客
11-09 991
岭回归（Ridge Regression），也被称为Tikhonov正则化，是一种线性回归的变体。它通过在普通最小二乘法（OLS）回归中加入L2正则化项来解决多重共线性问题，从而提高模型的泛化能力和鲁棒性。岭回归的核心思想是通过惩罚模型的参数，使得它们保持较小的值，从而减少过拟合的风险。岭回归适用于当特征之间高度相关时（即多重共线性问题），普通的线性回归模型可能会变得不稳定，并且模型的系数可能会变得非常大。岭回归通过加上一个正则化项，约束了模型参数的大小，从而使得模型更加稳健。
PCA（主成分分析）算法的应用场景
huanfeng_AI的博客
11-09 526
需要注意的是，PCA并不适用于所有场景。例如，当数据之间存在非线性关系时，PCA可能无法完全揭示数据的内在结构。此外，PCA对初始变量的顺序和标签敏感，不同的变量顺序可能导致不同的主成分结果。因此，在选择数据分析方法时，需要根据具体的数据和任务需求来决定是否使用PCA。
探索App Intents：让你的应用与Siri无缝互动的新方式
jixn的博客
11-09 3337
苹果推出了一个新框架——App Intents，使开发者可以在iOS 18.2+、macOS 15.2+等平台上集成Siri和Apple Intelligence，实现对应用内容的读取和操作。App Intents使应用的功能和内容能无缝融入系统体验中，例如Siri、Spotlight搜索、快捷指令和小组件，让用户可以轻松访问应用核心功能，并获得更智能的Siri帮助。：表示应用内容，如照片、联系人或文件。：用户可以对 Siri 发出指令，例如“查找我的航班”或“添加待办事项”，Siri直接与应用交互。
掌握AIStarter新功能，轻松关闭广告享受纯净浏览体验
ai_xiaogui的博客
11-07 626
AIStarter的广告拦截器是一项集成在平台内部的新特性，它允许用户根据自己的喜好设置广告过滤规则。无论是烦人的横幅广告、视频前贴片广告还是弹窗广告，都可以通过简单的设置被有效屏蔽。这项功能不仅提升了用户的浏览效率，还保护了用户的隐私安全。在数字时代，拥有一个清爽无干扰的网络环境对每个人都至关重要。AIStarter的广告拦截器正是为此而设计，它帮助用户夺回了对个人浏览体验的控制权。现在就尝试启用这项功能，开始享受一个更加干净、高效的上网体验吧！不要广告！关闭广告！
一次薅国家超算平台的记录
weixin_55179972的博客
11-07 408
参与 谁是下一个“AI”跃人 -AI体验推介活动，赢取千元算力券！（https://www.scnet.cn/home/subject/modular/index270.html）2. Clone开源的Llama3 Chinese （https://github.com/LlamaFamily/Llama-Chinese）活动名称主题：国家超算互联网「AI跃升季」：谁是下一个“AI”跃人 - AI算力体验活动。其中位置1，2替换为商品基模型和训练出来的微调模型。模型改为商城下载的模型。2、运行的过程记录。
在后LLM时代，关于新一代智能体的思考
langboat_mengzi的博客
11-07 959
同时，新一代智能体工具平台应具备与基座LLM保持独立的多层次智能体系，无需依赖单一大模型或者技术供应商，如此一来，有利于实现模块化开发，具备较强的可维护性，同时还能够建立良好的生态，促进智能体的繁荣发展。而“慢思考”是指在基础模型的基础上，当处理一些复杂指令时，智能体将需求拆解成多个子任务，会调用不同的工具来完成任务，并对结果进行反思、确认，这一过程体现了一种类似于人类思维的“系统 2”的过程，即 step-by-step、可解释的且能导致更准确结果的过程。这些能力对于智能体具有重要的作用和价值。
人工智能是这样理解“情绪”的
最新发布
JellyAI的博客
11-12 840
在前面的内容中，我们经常提到“特征”，那么如何表示特征呢？举个例子，在日常生活中，我们描述一个快递包装盒时可能会提到它的高度、宽度和深度（这三个值就是盒子的特征，当然也可以用颜色、重量、材料等来描述）。当我们仅用高度、宽度和深度三个数据来描述盒子的特征时，我们就说这个盒子的特征是三维的。如果再加上颜色、重量和材料等特征，那么这个特征空间就是六维的了。
Yolo11实战改进：一文读懂Yolo11到实战。
m0_47867638的博客
11-09 883
YOLO11是Ultralytics YOLO系列实时目标检测器的最新迭代版本，它以尖端的精度、速度和效率重新定义了可能性。在之前YOLO版本令人瞩目的进步基础上，YOLO11在架构和训练方法上引入了重大改进，使其成为各种计算机视觉任务的通用选择。关键特性：YOLO11采用改进的主干网络和颈部架构，提高了特征提取能力，以实现更精确的目标检测和更复杂的任务性能。YOLO11引入了精细的架构设计和优化的训练流程，提供了更快的处理速度，并在准确性和性能之间保持了最佳平衡。
多媒体信息检索
Edward2022的博客
11-10 813
多媒体信息检索：信息检索(Information Retrieval)、文本检索、图像检索、视频检索、多模态学习、跨文本检索
评论 2
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