- 博客(6)
- 收藏
- 关注
RSS订阅原创 【OFDM】答疑解惑
当使用升余弦滚降滤波器后，图二就变成了图三，这样能有效抑制带外信号，在保证本路信号没有码间串扰的情况下，既能最大限度的利用带宽，又能减少子载波间的各路信号的相互干扰。A6：Δf既是了子载波的基波频率（第n个子载波的频率都是其整数倍），这是频域上的概念，也是每个子载波上待发信号的持续时间（如：矩形波的宽度），这是时域上的概念。（比如减少这部分子载波的功率，把功率分配给信道质量好的那部分子载波）（或者将衰落特性不同的子载波分配给同一用户，以获得频率分集增益）最终达到较好的传输效果，从而有效克服频率选择性衰落。
2023-04-15 19:32:37
2071
原创 机器学习实战 3.1MNIST数据集 & 3.2训练二元分类器
3.1 mnist下面是获取MNIST数据集的代码：from sklearn.datasets import fetch_openml# 从 Scikit-Learn 0.24 开始，fetch_openml() 默认返回 Pandas DataFrame。 # 为了避免这种情况并保持与书中相同的代码，我们使用 as_frame=False。# 下载失败可以多尝试几次，初次时间会稍微稍微久一点，我等了 12min7s，再次使用会优先检查缓存文件。mnist = fetch_openml('
2022-04-23 13:34:49
2822
原创 机器学习实战 2.6选择和训练模型 & 2.7微调模型
2.6.1 训练和评估数据集首先，先训练一个线性回归模型：from sklearn.linear_model import LinearRegressionlin_reg = LinearRegression()# 模型训练lin_reg.fit(housing_prepared, housing_labels)此时就有一个可以工作的线性回归模型了，让我们用几个训练集的实例试试：# 在几个训练实例上应用完整的预处理some_data = housing.iloc[:5]
2022-04-22 19:26:10
1512
1
原创 机器学习实战 2.5机器学习算法的数据准备
回到一个干净的训练集（再次复制strat_train_set），然后将预测器和标签分开（因为不一定对它们使用相同的转换方式）。# 获取删除标签列后的数据集housing = strat_train_set.drop("median_house_value", axis=1) #drop()会创建一个数据副本，但不影响strat_train_set# 标签列housing_labels = strat_train_set["median_house_value"].copy()2.5.1 数据
2022-04-22 18:29:53
1283
原创 机器学习实战 2.4从数据探索和可视化中获得洞见
创建一个副本不伤害原始数据集。为了接下来能顺利使用plt函数，import新的库：housing = strat_train_set.copy()import matplotlib.pyplot as plt;2.4.1 将地理数据可视化将alpha设置为0.1，显示高密度点的位置：湾区、洛杉矶、圣地亚哥。为了更加图像能够凸显更多的信息，将每个区域的人口数量作为图中每个圆的半径大小，房价中位数表示圆的颜色，使用预定义颜色表"jet"（选项cmap），颜色由（低房价）到...
2022-04-22 16:29:46
807
原创 机器学习实战 2.3获取数据
2.3.2 下载数据我本来放在了这个位置：即书上提供的github网址上直接下载的code包粘贴到了我的study文件夹。但后来还是换成了一下位置（直接在D盘），原因后续会提到：注意在jupyter里面不要开启pytorch环境，因为我那里面还没pandas库：按文章输入代码：这里因为下载解压了数据文件，所以本地下载。当然没，没有按照书上的方法选择此方法的最大原因是总是报错“URLError: <urlopen error [Errno 11004] getad..
2022-04-22 15:54:53
1974
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