- 博客(5)
- 收藏
- 关注
RSS订阅原创 深度学习分类、分割、回归模型，如何创建界面运行？代码开源
但是，对于许多人来说，模型的运行却可能成为一道难以逾越的门槛。幸运的是，通过将模型嵌入用户友好的界面，这一挑战变得轻而易举！通过将分类、分割、回归模型嵌入Tkinter界面，您可以为用户提供一个直观、便捷的工具，让他们能够轻松地利用模型的强大功能。无需编写复杂的代码，用户可以通过简单的界面操作来使用模型，甚至是那些对编程一窍不通的人也能轻松上手。根据您的需求，您可以选择不同的模型，如决策树、支持向量机、神经网络等。使用Tkinter的事件处理机制，将界面上的操作与模型的功能进行连接。
2024-06-20 17:23:47
335
原创 使用影像组学协助医学图像和生物图像的2d、3d分割
GetImageFromArray(em_thresh_vol.clip(0,1).astype(np.uint8)[:10, ::4, ::4])：从裁剪和下采样后的阈值处理图像数据创建一个用于特征提取的掩码对象。这一步的目的是通过分析影像组学特征和已知的标签（例如细胞类型或病理状态）之间的相关性，来发现有助于图像分割和分类的特征。GetImageFromArray(em_image_vol[:10, ::4, ::4])：从裁剪和下采样后的显微镜图像数据创建一个用于特征提取的影像对象。
2024-06-18 15:17:22
271
原创 机器学习实战,特征排名:特征系数分析以及随机森林的特征重要性评估
在机器学习项目中，特征选择是一个不可或缺的步骤，它不仅能够提高模型的预测性能，还能减少模型训练所需的计算资源和时间。本文将深入探讨特征排名的重要性和实现方法，涵盖数据清洁、可视化分析、递归特征消除法（RFE）、基于线性模型的特征系数分析以及随机森林的特征重要性评估。
2024-04-03 16:32:20
2309
原创 聚类实战：从PCA降维到K-Means和DBSCAN的完整指南
在数据科学的众多领域中，聚类算法无疑是探索数据集内在结构的强大工具。本文将带您深入了解如何应用主成分分析（PCA）进行降维，以及如何使用K-Means和DBSCAN这两种流行的聚类算法，来揭示数据的隐藏模式。
2024-04-03 13:08:17
3771
3
原创 仅使用PyTorch就可以完成联邦学习
联邦学习是一种分布式机器学习方法，它允许多个设备或服务器在保持数据隐私的前提下共同训练一个模型。在联邦学习中，模型的更新（而不是原始数据）在设备间共享。每个参与者使用自己的数据训练模型，然后仅将模型的更新（参数）发送到中心服务器。中心服务器聚合这些更新，更新全局模型，然后将更新后的模型发送回各参与者。这个过程循环进行，直到模型收敛。在当前的数据驱动时代，联邦学习作为一种新兴的分布式机器学习方法，凭借其保护数据隐私和安全的特性受到了广泛关注。
2024-04-02 22:35:06
920
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