- 博客(8)
- 收藏
- 关注
RSS订阅原创 使用Yolov4训练自己标注的数据集，并测试图片对结果进行检测展示
一、引言随着深度学习技术的不断发展，目标检测算法在众多领域得到了广泛应用。Yolov4作为一种高效的目标检测算法，具有速度快、精度高等优点，因此备受关注。本文将介绍如何使用Yolov4训练自己标注的数据集，并对测试图片进行结果检测展示。二、数据集准备1.数据集标注首先，我们需要准备一个包含目标物体的数据集，并使用标注工具（如LabelImg）对图片中的目标进行标注。但是数据集需要自己找（可以是各种类型的图片），然后放进图1，标注过程中，需要为每个目标物体绘制边界框，并为其指定类别标签。
2024-06-04 23:00:21
807
原创 【机器学习】XGBoost数学原理及详细实现过程
XGBoost（Extreme Gradient Boosting）是一种高效的梯度提升决策树算法,与lightgbm是目前表格型数据竞赛最主流的树模型。它在原有的GBDT（Gradient Boosting Decision Tree）基础上进行了改进，使得模型效果得到大大提升。XGBoost是由多棵CART（Classification And Regression Tree）组成，因此它不仅可以处理分类回归等问题。
2023-11-08 18:59:32
1943
2
原创 【AI量化模型预测】CatBoost,Lightbm模型融合之集成（进阶学习笔记）
训练后，可以得到100001维的RF对training data的预测结果，对于testing data，用上面训练得到的5个RF，预测出20005维的预测结果，然后对其取平均，20001维的RF预测结果。在这种方法中，原始的输入数据被用于训练第一层模型（基模型），然后第一层模型的输出被用作第二层模型的输入，以此类推。第二层： 将上一层的结果带入新的模型中，进行训练再预测，第二层的模型一般为了防止过拟合会采用简单的模型。在回归问题中，每个模型都会对输入样本进行预测，最终的结果是所有模型的预测值的平均值。
2023-08-07 16:13:39
378
1
原创 【AI量化模型预测】CatBoost,Lightbm集成（学习笔记）
总的来说，后面想要提分主要还是在特征工程，要对数据进行深度挖掘，结合量化金融领域专业知识挖掘，衍生出更多的决定性特征。而模型选择和构建方面，前期用大佬分享的baseline已经足够了，数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。希望写的笔记对大家有点用处，祝大家上大分！
2023-08-06 14:33:56
438
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