- 博客(266)
- 收藏
- 关注
RSS订阅原创 训练集，验证集，测试集的区别
训练集，验证集，测试集是要分开的，不然，训练集虽然练好了，但是验证+测试的时候，我回去调参，虽然效果好了，但是你不知道是否恰好拟合了这个数据。也就是说，训练集是机器直接拟合（降低loss），验证集是人为间接拟合（看到acc不好，回头玄学调参），测试集是完全裸考，第一次见，也是唯一一次。当训练集 Loss 还在下降，但验证集 Loss 开始回升时，这就触发了。此时我们认为模型已经开始“背题”了，应该停在验证集表现最好的那一刻。
2026-01-28 17:59:03
46
原创 PnP（Plug-and-Play）即插即用
为什么我的鼠标刚刚插上就能用呢？它本来是一个鼠标，里面可能有些芯片，也没有电池，为什么插到电脑上，电脑里的硬件（软件）就可以和鼠标这个外设交互，甚至鼠标移动都会在屏幕上显示出来呢？
2025-12-22 16:38:35
130
原创 什么是熵？【图文并茂】
熵，我们都知道是描述混乱程度的一个东东。我之前的理解大概就是，熵越大，混乱程度越高，熵越小，越稳定。不过，是否有什么更加合理的解释呢？毕竟，从小到大，我们只听过这一种说法，接下来让我们看看，是否有其他的解释。我们来一个新的解释，就是，。感觉熵就像是一个信息量的含义一样，比如这个情况，可以看到扔一枚硬币的熵就是1bit。8个情况，显然就是3bit。我们可以总结，如果是，那么M种情况就需要log2M个bit。不过，？
2025-11-20 21:08:41
316
原创 【小白系列】KL散度是什么？【图文并茂】
首先，我们来想一个问题，如果有两种，我们想判断这两种分布的相似度，我们怎么判断？如果有一种方法，能够获得这两种分布的具体信息，比如这种分布是：高斯分布，泊松分布，那自然最好。然而，我们无法得知，我们，就是。那么我们就开始观测，可以看到，假设我们有一个标准硬币coin1，一个非标准硬币coin2，标准硬币当然是头面和尾面概率各是0.5，而非标准硬币的头面是0.55，尾面是0.45，下面是他们的分布图，可以看到，投掷了12次硬币，他们的观测值，这些，似乎并，因此，我们直觉上感觉，这两个硬币的分布是相同的。
2025-11-20 18:30:47
886
1
原创 【链式法则】神经网络中求导时w既是常数也是自变量的辨析（能否对常数求导？）
总的来说，这个w究竟是常数还是自变量，要看这个w是否是现在正在更新，如果只是中间的一个参数，那么就把他视作常数。但是，如果他正在更新，那么就要把他视作自变量，因为我们要对他进行更新。楼主机器学习小白，如有不对，还望各位不吝指正！
2025-11-11 16:57:50
1150
原创 【问题思考】为什么SVM中的w和超平面是垂直的？【SVM】【gemini生成】
理解为什么与超平面垂直，是理解 SVM 几何性质的关键。我们可以从数学和直观两个角度来解释。
2025-08-27 14:41:10
588
原创 【问题思考】为什么需要文件后缀？（gemini完成）
您的这个问题问得很好，它涉及到了文件系统和操作系统的基础知识。是的，您完全正确。文件名的后缀（比如.txt.jpg.py.m）主要是为了帮助操作系统和用户识别文件的类型，从而选择合适的应用程序来打开和处理它。
2025-08-21 16:27:14
390
原创 【问题思考】二分查找对比三分查找（任意点查找）的优越性（熵的角度）【gemini完成】
这是一个非常深刻的问题，它将算法的优越性与信息论的基本原理——熵——联系在了一起。让我们通过一个具体的例子来精确计算这一点。
2025-08-21 15:29:56
782
原创 【问题思考总结】CART树如何剪枝？从CART树的生成到剪枝以及为什么CTt一定小于Ct？【图文】
我想的太多了，总的来说！这里生成算法和剪枝算法都是一样的，生成的时候是一个基尼系数递减的过程，剪枝的时候是基尼系数递增的过程，但是因为有了α的存在，针对于不同的α，生成的树是不同的，对应了不同的对模型复杂度的重视程度。我现在知道的大概就是这些！我觉得这样的说法是大概正确的，在我的认知里，如果里面哪里有错误，恳请不吝赐教！
2025-08-01 12:50:21
546
1
原创 关于回归决策树CART生成算法中的最优化算法详解
首先，一共比如有M个特征，N个样本，对于每一个特征j，遍历其中的N个样本，得到N个值中，最小的值，作为这个特征的最优切分点，而其中的c1，c2是可以直接得到的。然后，遍历这M个特征，得到M个值，取其中最小的值对应的j和s作为最优切分变量和最优切分点分点。
2025-07-25 21:59:54
406
原创 为什么要有正则化项？
也就是说，正则化项实际上就描述了模型的参数量，因此，正则化项可以帮助模型减少复杂度（如果复杂度过高，正则项过大，损失函数大，将会被优化）。因为模型复杂度越高，越容易过拟合。过拟合就是由于模型参数量过大，引起的。常常听说正则化项，L1,L2范数，却从未知晓，为何要有正则化项。实际上，正则化的项描述了模型的复杂度。为什么要描述模型复杂度？
2025-05-20 20:48:53
210
原创 从比特到彩色图像到光盘
而光盘，刻录一个bit大约长度是1微米，而一个轨道就按10厘米来说，一个轨道就可以刻录100000个bit，而光盘的轨道间的间距是1.6微米，也就是说，一个光盘有上万个轨道，那么一个轨道可以刻录12.5KB，1万个轨道就可以刻录125MB，那么小小的一个光盘，可以记录几十张精美的图片，多么神奇！一张图片比如有1000*1000个像素点，每个像素点有三个通道，每个通道有256个状态，一个像素点就是3B（24bit），那么一张图片就是3MB这么算。由01序列，我们做出了一张图片！
2025-05-09 23:50:16
171
原创 干扰功率和数据功率
在信号实际传播过程中，常常会由于路径损耗和多径衰落等因素影响，受到减益，都是，值越小，那么影响越小。实际功率低于参考功率就是负数。
2025-03-05 15:44:33
342
原创 什么是非凸优化问题？
在信号处理中，许多信号恢复和图像处理问题也是非凸优化问题。在控制理论中，许多最优控制问题也是非凸的。在运筹学中，许多生产计划和资源分配问题也是非凸的。，因为非凸问题可能存在多个局部最优解，而这些局部最优解不一定等于全局最优解。非凸优化模型是指在优化问题中，目标函数或约束条件不满足凸性条件的模型。：如梯度下降法、牛顿法、拟牛顿法等，这些算法通常只能找到局部最优解，但计算效率较高。：如粒子群优化、蚁群优化等，这些算法通过模拟自然现象来寻找问题的解。：将非凸问题转化为凸问题来求解，例如通过线性化、二次化等方法。
2025-02-26 17:50:55
761
原创 常用强化学习算法，衍生关系，核心思想，改进方法等
请以表格形式给出强化学习算法的对比总结，包含优缺点等，有什么问题，别的算法怎么解决的，哪个算法是哪个算法衍生的，包含：Q-learning，DQN，DDQN，Dueling DDQN，A3C，PPO等
2025-02-25 10:45:53
453
原创 什么是将应用放在边缘服务器上创建？应用不是在用户手机上吗？边缘计算究竟如何优化？通过两个问题来辨析
边缘计算在计算上，有简单的计算能力，可以快速处理用户的请求，在存储上，相当于数据中心的cache，在网络上，因为可以在一定程度上进行本地计算，这节省了带宽，降低了网络延迟。
2025-02-24 15:57:34
544
原创 5G网络切片辨析（eMBB，mMTC，uRLLC）
URLLC有三大应用场景，分别是eMBB（增强型移动宽带）、uRLLC（高可靠低延时通信）和mMTC（海量机器通信）。增强型移动宽带（eMBB）：需要关注峰值速率，容量，频谱效率，移动性，网络能效等这些指标，和传统的3G和4G类似。海量机器通信（mMTC）：主要关注连接数，对下载速率，移动性等指标不太关心。高可靠低时延通信（uRLLC）：主要关注高可靠性，移动性和超低时延，对连接数，峰值速率，容量，频谱效率，网络能效等指标都没有太大需求。
2025-02-24 09:41:06
2590
原创 SARSA算法是什么？怎样作用？逐步说明SARSA更新步骤。
SARSA首先是从st开始，选动作at，观察到了奖励rt+1，和下一个状态st+1在st+1中选择下一个动作at+1。并进行更新。解答：默认是最优路径下的奖励函数，这玩意有点先验啊，我怎么提前指导是两步后是最优呢？有点懵，先记住吧，似乎是学出来的最优路径。综合考虑了即时奖励和未来的潜在奖励。什么是td误差？通过增加当前状态的价值估计，我们使价值函数更接近实际的预期回报，从而提高模型的准确性。当前的价值估计应该和预期相等。!
2025-02-19 18:47:52
736
原创 通信资源解释表
信道矩阵：是一个复数矩阵，用于描述信号在传输过程中经过的信道特性，包括信号的衰减和相位变化。它不是一个确定的数，而是一个矩阵，其中的每个元素都是一个复数，表示信号从一个发射天线到一个接收天线的传输特性。相位变化：信道矩阵的每个元素的辐角（即复数的角度）表示信号在传输过程中的相位变化。信道增益：信道矩阵的每个元素的模（即复数的绝对值）表示信号在传输过程中的衰减程度。信号检测：通过信道矩阵，可以对接收到的信号进行检测和解调，提高信号的检测精度。相位变化：相位变化会影响信号的叠加效果，可能导致信号的增强或减弱。
2025-02-08 13:57:03
557
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人