- 博客(7)
- 资源 (5)
- 收藏
- 关注
RSS订阅原创 小白入门Docker——Docker提交天池代码超详细教程（Windows10 家庭版）
文章目录1、安装适用于 Linux 的 Windows 子系统2、安装配置Docker3、开通容器镜像服务4、制作测试Demo5、推送提交镜像6、删除镜像费了九牛二虎之力，终于配置好了Docker，在天池Docker练习赛中实现满分。接下来我总结下这过程中参考过的资料。实现环境：Windows10 家庭版1、安装适用于 Linux 的 Windows 子系统附上Microsoft官方安装WSL2的教程，我实现的是里面的手动安装。跳到步骤1开始跟着敲。进入电脑的控制面板-程序-程序与功能，然后点启
2021-02-21 20:48:11
2304
1
原创 VScode 设置与取消回车enter自动补全快捷键
VScode 取消回车enter自动补全快捷键VScode真的太好用了，但默认设置下enter可以自动补全+换行，比如打到import numpy as np时，直接按下enter即变为import numpy as numpy，着实难受。网上也没找到设置教程，只好自己硬着头皮去试。第一步打开左下角的设置，再点键盘快捷方式第二步搜索框中输入suggestion第三步找到acceptSelectSuggestion，默认情况下一条绑定Tab键，一条绑定Enter键，选中Enter的那条右键删
2021-02-18 11:47:51
8613
3
原创 支持向量机（SVM）简介+SVM15种场景分类实例
支持向量机简介支持向量机是Vapnik和Corinna Cortes提出的，SVM是基于优美的数学理论的一种机器学习算法。SVM针对线性可分的广义线性回归模型，对于线性不可分的情况，则通过“核技巧”将低维特征空间的线性不可分样本映射到高维空间中，实现对非线性样本进行线性分析。SVM在小样本的情况下表现也不错，但是其计算代价较高，计算速度慢，且性能逐渐被新晋的树类集成算法和深度算法所盖过。SVM目前在小样本、非线性、高维的应用场景中仍有一席之地，且其数学理论完备，非常值得学习。SVM是一个二分类的分类模型
2020-08-26 17:58:59
11866
26
原创 多粒度级联森林（gcForest）官方库安装及使用教程（通俗易懂）
近日文献调研过程中了解到周志华教授团队在2018年提出的多粒度级联森林模型，开拓了另一条“深度化”的道路，论文中该模型的性能较好，但可惜在本地数据集上的性能却仅仅稍好于一般的集成学习模型。尽管有一点小失望，但多粒度级联森林的算法原理还是很值的一学的。在安装官方库时在网上搜索的安装教程都比较旧，经本人踩坑后做此记录。安装教程首先以管理员身份进入Anaconda Prompt，并输入conda install git指令安装git接着调用git下载官方库，继续在Anaconda Prompt中输入git
2020-08-25 10:50:54
5018
18
原创 小白的决策树学习笔记（详细）
决策树简介什么是决策树？先看看下图来个直观感受吧，谈过恋爱或者想要谈恋爱的小伙伴一定有过下图的决策过程。正如上图这般直观，决策树的基本结构可以分为根节点、叶节点、以及分裂的条件。从机器学习的角度来看，就是根据一定的规则不断对样本数据进行节点分裂，直到分裂完成后的节点能够满足既定的预测目标。根据目标变量是连续还是离散的可将决策树分为回归树与分类树，两者在寻找最优分割点的策略上也有所不同。决策树结构较简单，可解释性强，在需要强解释性金融风控、智慧医疗等领域中得到了广泛应用。虽然决策树基本结构简单，但以决
2020-08-22 18:22:55
332
原创 过拟合与欠拟合的对比总结
过拟合与欠拟合是机器学习模型中的常见现象，熟练识别这两种状况并及时调整训练策略对ml新手来说有一定的挑战，且解决这两种状况的方法较多，故做此总结。过拟合过拟合是指模型复杂度较大，过度拟合训练集导致模型训练误差小、泛化误差大的现象。从偏差与方差的角度上看，过拟合指模型在训练集中的输出偏差小、方差大。在机器学习模型训练过程中，若出现训练集上由loss值、AUC、准确率等指标表示的模型性能很好，而验证集或测试集上模型性能却较差则为过拟合。过拟合解决方法从数据层面上说：可以通过上采样、GAN等增加数据量，改
2020-08-19 20:32:56
1677
原创 小白的逻辑回归学习笔记（入门）
很早之前就有写博客来记录自己学习的过程，入machine learning的坑也有一年了，在理论与实践上也有了一定的积累（其实主要是实践，理论水平还在积极补救），恰逢最近有时间参加了DataWhale的组队学习活动，以任务的形式push着我写下了第一篇博客。后续有时间的话还会多分享所学，请大家多多指教。
2020-08-19 20:01:47
303
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人