自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(37)
  • 收藏
  • 关注

原创 【机器学习】朴素贝叶斯

朴素贝叶斯是一种基于贝叶斯定理的概率分类算法。它属于监督学习算法的一种,也就是说,它需要一个带有标签(即正确答案)的训练数据集来学习。它的核心思想是:对于一个未知类别的数据样本,计算该样本属于各个类别的概率,然后选择概率最大的那个类别作为它的预测类别。

2025-04-28 16:15:53 955

原创 【机器学习】决策树

决策树是一种强大且易于理解的分类和回归工具。它通过模拟人类的决策过程,根据数据的特征进行递归划分。选择合适的分裂标准(如基尼指数或信息增益)是构建高效决策树的关键。虽然它有容易过拟合等缺点,但通过适当的技术(如剪枝、集成方法)可以有效缓解。通过我们的小型贷款审批案例,我们看到了如何应用库快速构建和评估决策树模型。尽管结果很理想,但务必记住在真实场景中数据和模型的复杂性。

2025-04-08 20:05:26 1247 1

原创 【机器学习】ROC 曲线与 PR 曲线

ROC 曲线和 PR 曲线是评估二分类模型性能的强大工具。ROC 曲线关注模型区分正负样本的能力,而 PR 曲线更关注模型在正例上的预测能力,尤其适用于不平衡数据集。通过理解和绘制这两种曲线,我们可以更全面地了解模型的优缺点,并为模型选择和调优提供有力的支持。在实际应用中,应根据具体的问题和数据的特点选择合适的评估指标和可视化方法。TN+FP+

2025-04-07 14:25:42 810

原创 KNN算法原理及python代码实现

定义:KNN是一种基于实例的学习方法,它不构建模型而是直接使用训练数据集来对新样本进行预测。基本思想:通过计算新样本与已知类别样本之间的距离,找到最近的k个邻居,并根据这些邻居的多数类别来进行预测。

2025-03-11 23:13:29 1136 1

原创 跑代码中遇到killed的解决方案

交换空间是磁盘上的一块区域,当物理内存不足时,系统会将部分内存数据转移到交换空间,以腾出物理内存。虽然交换空间的速度比物理内存慢,但可以避免程序因内存不足而被终止。

2025-05-10 22:40:52 449

原创 【机器学习】Logistic 回归

逻辑回归是一种用于二分类问题的机器学习算法,通过sigmoid函数将线性回归的输出映射到0到1之间,表示样本属于正类的概率。其核心是利用最大似然估计优化参数,构建损失函数(通常为对数损失),通过梯度下降等方法最小化损失来拟合模型。逻辑回归假设数据特征与目标变量之间存在线性关系,适合处理线性可分的数据。它简单高效,广泛应用于分类任务,如垃圾邮件检测、疾病预测等,但对非线性关系和多类问题需扩展处理。

2025-05-07 22:38:39 1260

原创 [学习笔记] citygaussianV2

论文题目:CityGaussianV2: Efficient and Geometrically Accurate Reconstruction for Large-Scale Scenes项目主页: https://dekuliutesla.github.io/CityGaussianV2论文链接: https://arxiv.org/pdf/2411.00771代码链接 : https://github.com/DekuLiuTesla/CityGaussian。

2025-05-03 22:18:12 765

原创 【学习笔记】Stata

一、Stata简介Stata 是一种用于数据分析、数据管理和图形生成的统计软件包,广泛应用于经济学、社会学、政治科学等社会科学领域。二、Stata基础语法2.1 数据管理Stata 支持多种数据格式的导入,包括 Excel、CSV、文本文件等。

2025-04-26 23:33:22 523

原创 【MySQL】触发器

触发器是一种特殊的存储过程(Stored Procedure),它不像普通的存储过程需要被显式调用,而是在特定的数据库事件发生时自动执行。这些事件通常与数据修改操作(如 INSERT, UPDATE, DELETE)或数据库结构变化(如 CREATE, ALTER, DROP)相关联。触发器与存储过程的区别:触发器自动执行,不能手动调用。触发器通常与表绑定,针对特定事件。触发器是数据库管理系统中不可忽视的强大工具,它能显著提升数据库自动化处理的能力、保证数据一致性和执行效率。

2025-04-23 08:00:00 669

原创 【数字图像处理】灰度转换&&空间滤波&&频率域滤波

比如说,我看见的一个彩色图像,由红、绿、蓝三种颜色组成,每一个像素点都有一个 RGB(红绿蓝)值,显示在二维网格上的位置就是空间域的表现。是指图像中最亮和最暗部分的差异。来引入的,傅里叶变换的目的是将图像从空间域(直接可见的形式)转化为频率域(数学表示的频率成分)。这种滤波器的过渡非常突然,会导致处理后的图像出现所谓的“振铃效应”(ringing effect),即在图像的边缘处会出现不自然的波动。其中,𝐷0是截止频率,𝐷(𝑢,𝑣)是当前频点到中心的距离,𝑛是滤波器的阶数,决定了滤波器的锐利程度。

2025-04-21 07:45:00 676

原创 【MySQL学习】视图 (Views)

视图(View)是一个虚拟表,它基于一个或多个表的查询结果(SELECT语句)生成。视图本身不是存储数据,而是存储查询定义,每次使用时动态生成结果。可以将视图看作是一个已命名并存储在数据库中的SELECT查询。当你查询一个视图时,数据库系统通常会执行存储在该视图定义中的SELECT语句,并返回结果集,让你感觉就像在查询一个真实的表。今天主要学习了MySQL数据库中Views视图章节了内容,了解了视图的基本定义,怎么创建视图,视图的主要应用场景以及视图的权限管理四部分的内容。

2025-04-18 07:30:00 961

原创 【MySQL学习】存储过程

存储过程是一组预编译的 SQL 语句集合,经过编译后存储在数据库服务器上。可以把它想象成数据库中的一个自定义函数或脚本。主要用于封装常用的、复杂的或重复性的数据库操作,简化应用程序开发,提高性能和安全性。

2025-04-16 23:35:30 739

原创 【学习笔记】Taming 3DGS泛读

新方法则改为基于投影后的2D高斯(Splat)进行并行化,每个线程(或线程束Warp)负责处理一个或少数几个Splat的梯度计算,并通过高效的Warp内部通信来交换必要的像素状态信息,从而大大减少了冲突,显著加速了反向传播过程。基于此,设计了一个明确的、平滑的增长计划,该计划遵循一个预设的数学公式,确保高斯基元的总数在训练过程中以一种“纯粹建设性”(只增不减或少量减少)的方式,稳定地增长,并最终。设计了一个基于分数的、可定制的稠密化采样框架,允许根据应用需求(如关注特定区域)引导高斯基元的分布。

2025-04-16 12:04:41 691

原创 【学习笔记】CityGS-X 泛读

原文链接:https://arxiv.org/abs/2503.23044代码链接:https://lifuguan.github.io/CityGS-X/

2025-04-15 17:13:37 700

原创 【学习笔记】服务器上使用 nbconvert 将 Jupyter Notebook 转换为 PDF

nbconvert。

2025-04-12 21:07:25 358

原创 Anaconda安装 超详细版 (2025版)

Anaconda 是一个面向数据科学和机器学习的开源Python和R语言的发行版,旨在简化包管理和部署。

2025-02-27 20:48:20 1751

原创 【MySQL学习】数据库建表实操

desc 表名;

2025-02-24 21:34:15 430

原创 Linux服务器上创建新用户并赋予管理员权限操作

sudo usermod -aG sudo 用户名。su - 用户名 (会提示输入密码)3、切换到新用户并测试sudo权限。sudo adduser 用户名。

2025-02-22 18:12:03 330

原创 【3D Gaussian Splatting 阅读】总体概览

无论是复制还是分割,训练后高斯的总数相比训练前都会增加 ,可能导致冗余高斯,占用大量计算资源和存储空间。2.2 为了描述一个3D高斯,需要四个属性:位置,协方差矩阵,不透明度,球谐系数。协方差:表示两个随机变量之间的线性关系 协方差为正,变化趋势相同。设置两个阈值 1)<min 复制操作 2)>max 分割操作。输入图像----->Sfm稀疏点云获取,对应图像的相机位姿。高斯分布 = 正态分布。协方差矩阵是半正定矩阵。三维重建--3DGS。

2024-12-31 16:26:45 482

原创 【JAVA学习】集合初步

键不能重复;值可以重复需要存储一一对应的数据时,可以考虑使用Map集合来做示例:HashMap(由键决定特点):无序,不重复,无索引。

2024-12-31 16:25:11 677

原创 【JAVA学习】多线程初步

作用:获取调用该方法的线程名称获取当前线程的名称,默认为"Thread-n"主线程的名字默认为main});//代码输出结果:Current thread name: Thread-0。

2024-12-31 16:23:22 706

原创 【JAVA学习】继承+多态+枚举+抽象类+接口等

权限修饰符就是用来限制类中的成员(成员变量,成员方法等)能够被访问的范围子类重写的方法与父类对应方法的方法名称,形参列表必须相同其他注意事项:子类重写父类方法时,访问权限必须大于等于父类该方法的权限重写的方法的返回值,必须与被重写方法的返回值类型一样,或者范围更小私有方法,静态方法不能被重写,如果重写会报错// 父类// 私有成员变量// 默认成员变量int age;// 受保护成员变量// 公共成员变量// 构造器// 私有方法// 默认方法// 受保护方法。

2024-12-24 19:19:40 841

原创 【JAVA学习】枚举类,异常处理,多线程等

常量顺序:枚举常量的声明必须放在枚举体的开头,多个常量之间用", " 隔开, 末尾常量";"结束。

2024-12-23 22:30:16 810

原创 【JAV学习】存储&读写数据的方案

File。

2024-12-09 23:35:08 881

原创 【JAVA学习】泛型

定义类,接口,方法时,同时声明了一个或者多个类型变量(如:,,,)称为泛型类,泛型接口,泛型方法,它们统称为泛型。

2024-11-26 20:51:43 259

原创 【蓝桥杯】真题训练-->计算从 1 到 N 一共有多少个好数

对于第一个样例,24 以内的好数有 1、3、5、7、9、21、23,一共 7 个。试题 C: 好数 4第十五届蓝桥杯大赛软件赛省赛 C/C++ 大学 B 组【评测用例规模与约定】对于 10% 的评测用例,1 ≤ N ≤ 100。对于 100% 的评测用例,1 ≤ N ≤ 107。一个整数如果按从低位到高位的顺序,奇数位(个位、百位、万位 · · · )上的数字是奇数,偶数位(十位、千位、十万位 · · · )上的数字是偶数,我们就称之为“好数”。给定一个正整数 N,请计算从 1 到 N 一共有多少个好数。

2024-09-24 21:21:51 947 1

原创 ssh方式连接GitHub

如果连接成功,会看到欢迎信息!登录 GitHub,前往。,将公钥内容粘贴进去并保存。

2024-09-15 13:45:42 157

原创 Git Bash实现windows和linux服务器文件互传

实现将本地文件 /path/on/local/file 传输到远程linux服务器的 /path/to/remote/directory 目录下例:scp -r D:/Desktop/data root@10.10.18.102:/mnt/200gb/ml-hugs。

2024-09-15 12:28:39 401

原创 《Linux系统下创建新用户》(Ubuntu 系列)

注:设定完后可输入 "groups 用户名" 来验证用户是否被添加到sudo组。输入 "usermod -aG sudo 用户名",给新用户设定管理员权限。输入"adduser 要创建的用户名",按照要求设定登录密码。root用户下切换到刚创建的新用户 "su - 用户名"则表示当前用户为超级用户,接下来进行创建新的普通用户操作。注:用户信息部分可直接按ENTER键都跳过。

2024-09-13 18:21:02 479

原创 VSCode提取扩展出错 ,显示SHR failed错误解决

VScode扩展商店,搜索显示 “提取扩展时出错。SHR failed”注:这里的13.107.42.18不定,确保第一步查出来的ip地址一致即可。搜索框内输入:marketplace.visualstudio.com。用记事本打开 在文本最后一行输入以下内容后保存。2.2 打开本地配置文件。2.4 重启VSCode。显示以上内容即刷新成功。2.1 查询ip地址。

2024-07-19 11:51:22 2469

原创 Win11 如何更改管理员权限,修改hosts内容

五、出来之后第一个第一个页面相比之前多了Everyone,点击Everyone,在第二个窗口中的写入选项打勾✔,最后点击确定即可。四、点击添加,在最后一个窗口输入Everyone,单击确定。二、右键点击hosts,选择属性。三、点击第二个安全,进入编辑界面。一、找到hosts文件所在位置。

2024-07-19 11:49:23 2440

原创 【周志华 机器学习】入门(下)

贝叶斯决策论的核心思想是基于后验概率来选择使得期望损失最小的决策实现过程:1.定义决策空间:确定决策集合2.建立先验概率:对决策问题进行建模,定义每个可能的状态或类别的先验概率分布3.估计条件概率: 估计在每个可能的状态下观察到数据 x 的条件概率分布4.计算后验概率:利用贝叶斯定理,计算在观察到数据 x 后每个可能状态的后验概率分布5.选择最优决策:根据后验概率分布和损失函数,选择能够最小化期望损失的最优决策的数学表达书为:其中是决策 d 在真实状态下的损失。

2024-07-18 16:47:42 2005

原创 【周志华 机器学习】入门 (中)

神经网络是由具有适应性的简单单元组成的广泛并行互连的网络,它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。支持向量机是一种由Vladimir Vapnik等人提出的监督学习算法,最初用于解决分类问题,后来也扩展到回归问题。其主要思想是在特征空间中找到一个最优的超平面,用于对数据进行分类或回归。

2024-07-16 21:52:55 1021

原创 【机器学习】 第三章 逻辑回归

逻辑回归是一种经典的统计学习方法,被广泛用于解决二分类问题。尽管名字中含有"回归"一词,但实际上它是一种分类算法。用于预测一个二元因变量(即因变量的取值只有两种可能,如“是/否”,“0/1”,“成功/失败”等)与一个或多个自变量之间的关系。简单而有效、计算效率高、适用性广泛等。

2024-07-16 10:08:09 660

原创 【机器学习】 第二章 线性模型

线性回归是一种用于建立变量之间线性关系的统计模型,通常用于预测或解释因变量(目标变量)与一个或多个自变量(特征)之间的关系。简单说,线性回归尝试找到自变量和因变量之间的最佳线性关系,即找到一条直线(二维空间)或超平面(多维空间),使得这条直线或超平面能够最好地拟合数据点。

2024-07-16 10:02:24 1700

原创 【周志华 机器学习】入门(上)

线性判别分析(LDA)基本思想是通过降维将数据投影到一个低维空间,同时最大化不同类别之间的类内距离,最小化同一类别内部的方差,以此来实现数据的有效分类。在单变量情况下,假设我们有一个解释变量 ( x ) 和一个目标变量 ( y ),我们的目标是找到一个线性函数,即一条直线,来描述它们之间的关系。在机器学习中,特征通常表示为数据中的列,可以是数值、分类或其他类型的数据。每个叶节点最终会对应一个类别(分类任务)或一个预测值(回归任务),这个类别或预测值是基于到达该节点的所有样本的统计结果得出的。

2024-07-15 21:26:06 1263

原创 【机器学习】第一章 绪论

机器学习是一门研究如何使计算机系统在没有明确编程的情况下,从数据中学习和改进性能的学科。数据集(dataset)是机器学习和数据分析中的一个基础概念,它指的是一组被组织成一个整体的数据集合,用于训练模型、评估模型或进行统计分析。数据集的形式多种多样,适应不同类型和用途的数据分析和机器学习任务。常见的数据集有表格、文本、图像、视频、时间序列、音频和地理空间等数据集。

2024-07-10 20:53:02 2079 1

机器学习 第三章 逻辑回归

鸢尾花数据集

2024-07-13

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除