2301_81230251的博客

原创 机器学习03-色彩空间：RGB、HSV、HLS

RGB、HSV和HLS色彩空间各有优缺点，适用于不同的机器学习和计算机视觉任务。RGB色彩空间直观且易于理解，适合图像显示和基础处理；HSV和HLS色彩空间将颜色信息和亮度信息分离，更适合颜色提取、图像增强和分析等任务。在实际应用中，可以根据具体需求选择合适的色彩空间，并利用颜色空间转换来实现不同的图像处理目标。

原创 机器学习12-上采样与下采样

下采样是指从多数类中随机移除一部分样本，使得多数类和少数类的样本数量达到平衡或接近平衡的状态。上采样是指通过某种方式增加少数类的样本数量，使其与多数类的样本数量达到平衡或接近平衡。上采样和下采样是解决类别不平衡问题的两种重要方法。它们各有优缺点，在实际应用中需要根据数据集的特点和模型的需求进行选择。在实际操作中，也可以尝试结合使用这两种方法，以达到更好的效果。

原创 机器学习10-随机森林

随机森林作为一种强大的集成学习算法，在机器学习领域有着广泛的应用。它通过构建多棵决策树并综合其预测结果，有效地提高了模型的准确性和稳定性。在实际应用中，我们可以根据具体问题的特点和需求，合理调整随机森林的参数，以获得更好的模型性能。未来，随着数据量的不断增大和计算能力的提升，随机森林有望在更多领域发挥更大的作用。

原创 机器学习09-正规方程

正规方程是解决线性回归问题的一种有效方法，尤其适用于特征数量较少的情况。然而，在处理大规模数据集或特征数量众多的情况时，其计算和存储的开销可能变得不可接受，此时应考虑使用更高效的优化算法，如梯度下降。

原创 机器学习08-损失函数

在机器学习中，损失函数（Loss Function）是一个衡量模型预测值与真实值之间差异的函数。它的主要作用是为模型提供一个优化的方向，通过最小化损失函数的值，使模型能够更好地拟合训练数据，从而提高模型的性能。损失函数是机器学习中的一个重要概念，它直接影响模型的训练效果和性能。根据不同的任务类型和数据特性，选择合适的损失函数，并结合有效的优化算法，可以更好地训练出性能优良的模型。在实际应用中，还需要根据具体问题不断调整和优化损失函数，以达到最佳的模型效果。

原创 机器学习07-归一化与标准化

选择依据如果数据的量纲不同，且数值范围差异较大，可以选择归一化。如果数据服从正态分布或近似正态分布，且模型对数据分布有特定要求，可以选择标准化。对于基于距离的模型，如KNN、K-Means等，归一化通常更合适；对于基于梯度下降的优化算法，如线性回归、逻辑回归等，标准化通常更有效。注意事项在进行归一化或标准化时，需要保存归一化或标准化的参数（如最小值、最大值、均值、标准差等），以便在对新数据进行预处理时使用相同的参数。

原创 机器学习06-RNN

RNN 及其变体在序列建模领域具有重要的地位和广泛的应用。尽管存在一些训练难点和局限性，但通过不断的研究和改进，如优化训练算法、设计更有效的网络结构等，RNN 的性能和适用范围得到了不断提升。随着深度学习技术的不断发展，相信 RNN 将在更多领域发挥更大的作用，并与其他技术相结合，为解决复杂的序列问题提供更强大的工具。

原创 机器学习05-CNN

CNN 在图像处理领域展现了强大的性能，但其应用也存在一些局限，如对数据量要求较高、模型结构复杂导致计算资源消耗大等。未来，随着硬件技术的不断发展和新算法的提出，如更高效的网络架构搜索方法、更精准的特征提取技术等，CNN 将在更多领域发挥更大的作用，为人工智能的发展提供更有力的支持。同时，研究人员也在探索如何将 CNN 与其他技术（如生成对抗网络、Transformer 等）相结合，以进一步提升模型的性能和泛化能力。

原创 yolov8复现

安装pytorch前需安装cuda。通过“nvidia - smi”命令查看显卡支持的CUDA最高版本，若版本不足需更新显卡驱动。在NVIDIA Developer官网或提供的网盘链接下载匹配版本的cuda，安装时建议选默认路径，安装过程中选择自定义安装并全选组件。安装完成后用“nvcc - V”命令检查是否安装成功。之后，进入cudnn官网，下载与cuda版本匹配的cudnn Windows版本压缩包，解压后将里面的三个文件夹内容复制到cuda的安装目录下进行覆盖替换。

原创 机器学习03——K近邻

KNN算法是一种简单而有效的机器学习算法，适用于分类和回归任务。它基于数据点之间的距离进行预测，具有简单易实现、对数据适应性强等优点，但也存在计算效率低、存储要求高等缺点。在实际应用中，需要根据数据的特点和任务需求选择合适的K值和距离度量方式，并对数据进行预处理，以提高算法的性能。

原创 机器学习02——RNN

原创 机器学习01

机器学习是人工智能的一个重要分支，它使计算机系统能够基于数据自动学习和改进。其核心是让机器通过算法从大量数据中发现规律和模式，从而在新的数据上做出准确的预测或决策。例如，垃圾邮件过滤器通过学习已标记的邮件数据，识别出垃圾邮件的特征，进而自动过滤新的垃圾邮件。

原创 nnunet复现

nnunet复现第一天

原创 U-NET代码复现第一天

选择train.hq和train.mask进行下载，下载时会跳到rules，滑到最下面点击确定进行身份认证即可，下载速度比较慢。进入网站选择与cuda版本对应的cuda安装，我安装的是2.0.0，cuda 11.8版本。imges图像里混入了一张mask图像，解决方法：删除即可。注册时会遇到无法输入验证码的问题，可以参考以下文章解决。选择合适自己的cuda版本下载，不超过电脑配置即可。然后按照相应博客教程一步步安装。我下载的是12.3版本。2.安装pytorch。

原创 初识机器学习

这里不需要进行特别的数据预处理，因为是用随机生成数据来演示。# 假设有一个销售数据集，包括销售额和其他相关特征。# 这里用随机生成数据来模拟一个简单的例。# 计算均方误差和R平方作为评估指标。# 将数据集划分为训练集和测试集。# 使用测试集对模型进行评估。# 3. 模型选择和训练。# 创建一个线性回归模型。# 2. 数据预处理。

原创 2月20日

【代码】2月20日。

原创 2月19日

【代码】2月19日。

原创 2月17日

【代码】2月17日。

原创 2月18日

【代码】2月18日。

原创 2月15日练习

【代码】2月15日练习。

原创 2月14日

【代码】2月14日。

原创 2月13日练习

【代码】2月13日练习。

原创 2月12日

【代码】2月12日。

原创 2月8日练习

【代码】2月8日练习。

原创 2月7日练习

【代码】2月7日练习。

原创 2月6日练习

【代码】2月6日练习。

原创 2月5日练习

【代码】2月5日练习。

原创 2月4日练习

【代码】2月4日练习。

原创 2月3日练习

【代码】2月3日练习。

原创 2月2日练习

【代码】2月2日练习。

原创 2月1日pta

【代码】2月1日pta。

原创 1月31日

PTA68PTA69PTA70PTA73PTA74。

原创 1月30日

【代码】1月30日。

原创 1月29日

【代码】1月29日。

原创 1月28日

NOIP2017]图书管理员。

原创 1月27日

【代码】1月27日。

原创 1月26日

【代码】1月26日。

原创 1月25日

【代码】1月25日。

原创 1月24日

NOIP2010]接水问题。

原创 1月23日

蓝桥杯excel地址。