- 博客(8)
- 收藏
- 关注
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