- 博客(6)
- 收藏
- 关注
RSS订阅原创 数据预处理
对于时序数据异常值的处理，可以采用类似于非时序数据的方法，例如删除、标记或替换异常值。例如，删除异常值可能会破坏时间序列中的时序关系，标记异常值可能会影响后续模型的训练和预测，替换异常值可能会影响时间序列中的趋势和季节性等。这些算法可以帮助识别和处理异常值，并提供更全面的异常检测和处理方法。这些值可能是数据输入错误，或者来自异常情况，或者是真实数据的一部分，但是它们可以影响数据的分布和统计推断。3. 替换异常值：如果异常值是由于数据输入错误导致的，则可以考虑将其替换为合适的值。
2023-07-20 19:57:11
98
1
原创 深度学习训练落地实战一（ANN）
首先，我们从Excel文件中读取数据集，并将速度列作为预测目标。然后，我们将数据归一化，并分割训练集和测试集。首先，我们需要安装所需的库。然后，我们定义损失函数（MSE损失）和优化器（Adam）以训练模型。在训练过程中，我们会输出每100个epoch的损失值。输入层的大小等于特征数，隐藏层的大小设置为128，输出层的大小设置为1，因为我们只预测一个值（速度）。训练结束后，我们评估模型性能（R2、MSE、MAE值），并绘制图表展示预测值和实际值。接下来，我们构建一个ANN模型，它由一个输入层（
2023-05-22 14:53:57
284
1
原创 异常值处理方法一（深度学习数据集）
这些是一些常用的处理异常值的方法，你可以根据具体情况选择适合你的特征和数据集的方法。请注意，在处理异常值之前，建议先对数据进行详细的分析和评估，并根据领域知识和专业判断来确定最佳的处理策略。- 替换异常值：将超过阈值的异常值替换为合适的值，如中位数、均值或其他合适的估计值。- 离散点标记：将超过阈值的异常值标记为特定的值，以表示其与其他数据点的不同。3.确定异常值的阈值：根据特征的具体情况，选择一个合适的阈值来定义异常值。2.选择要处理的特征列：根据你的需求，选择要处理异常值的特征列。
2023-05-22 12:29:02
281
1
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