<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[axecute的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/axecute</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; axecute]]></copyright><item><title><![CDATA[矩阵Strassen 算法]]></title><link>https://blog.youkuaiyun.com/axecute/article/details/145141630</link><guid>https://blog.youkuaiyun.com/axecute/article/details/145141630</guid><author>axecute</author><pubDate>Tue, 14 Jan 2025 16:07:33 +0800</pubDate><description><![CDATA[矩阵Strassen 算法【附一个GPU矩阵乘法运算工具软件Windows版本】]]></description><category></category></item><item><title><![CDATA[矩阵乘法算法]]></title><link>https://blog.youkuaiyun.com/axecute/article/details/145141345</link><guid>https://blog.youkuaiyun.com/axecute/article/details/145141345</guid><author>axecute</author><pubDate>Tue, 14 Jan 2025 16:02:07 +0800</pubDate><description><![CDATA[矩阵乘法算法【附一个GPU矩阵乘法运算工具软件Windows版本】]]></description><category></category></item><item><title><![CDATA[了解Python中的SciPy库]]></title><link>https://blog.youkuaiyun.com/axecute/article/details/145094751</link><guid>https://blog.youkuaiyun.com/axecute/article/details/145094751</guid><author>axecute</author><pubDate>Sun, 12 Jan 2025 16:48:03 +0800</pubDate><description><![CDATA[了解Python中的SciPy库【附一个GPU矩阵乘法运算工具软件Windows版本】]]></description><category></category></item><item><title><![CDATA[IML 编程简介]]></title><link>https://blog.youkuaiyun.com/axecute/article/details/145094568</link><guid>https://blog.youkuaiyun.com/axecute/article/details/145094568</guid><author>axecute</author><pubDate>Sun, 12 Jan 2025 16:37:37 +0800</pubDate><description><![CDATA[IML 编程简介【附一个GPU矩阵乘法运算工具软件Windows版本】]]></description><category></category></item><item><title><![CDATA[直观混淆矩阵指南]]></title><link>https://blog.youkuaiyun.com/axecute/article/details/145073441</link><guid>https://blog.youkuaiyun.com/axecute/article/details/145073441</guid><author>axecute</author><pubDate>Sat, 11 Jan 2025 10:57:42 +0800</pubDate><description><![CDATA[直观混淆矩阵指南【附一个GPU矩阵乘法运算工具软件Windows版本】]]></description><category></category></item><item><title><![CDATA[混淆矩阵初级指南]]></title><link>https://blog.youkuaiyun.com/axecute/article/details/145072790</link><guid>https://blog.youkuaiyun.com/axecute/article/details/145072790</guid><author>axecute</author><pubDate>Sat, 11 Jan 2025 10:47:07 +0800</pubDate><description><![CDATA[混淆矩阵初级指南【附一个GPU矩阵乘法运算工具软件Windows版本】]]></description><category></category></item><item><title><![CDATA[深度学习的12 个矩阵运算]]></title><link>https://blog.youkuaiyun.com/axecute/article/details/145064345</link><guid>https://blog.youkuaiyun.com/axecute/article/details/145064345</guid><author>axecute</author><pubDate>Fri, 10 Jan 2025 19:57:21 +0800</pubDate><description><![CDATA[深度学习的12 个矩阵运算【附一个GPU矩阵乘法运算工具软件Windows版本】]]></description><category></category></item><item><title><![CDATA[点积与元素乘法]]></title><link>https://blog.youkuaiyun.com/axecute/article/details/145064228</link><guid>https://blog.youkuaiyun.com/axecute/article/details/145064228</guid><author>axecute</author><pubDate>Fri, 10 Jan 2025 19:37:44 +0800</pubDate><description><![CDATA[点积与元素乘法【附一个GPU矩阵乘法运算工具软件Windows版本】]]></description><category></category></item><item><title><![CDATA[MLIB 的 K-Means 聚类]]></title><link>https://blog.youkuaiyun.com/axecute/article/details/144999804</link><guid>https://blog.youkuaiyun.com/axecute/article/details/144999804</guid><author>axecute</author><pubDate>Wed, 08 Jan 2025 09:43:36 +0800</pubDate><description><![CDATA[MLIB 的 K-Means 聚类]]></description><category></category></item><item><title><![CDATA[机器学习中的 K-means 聚类]]></title><link>https://blog.youkuaiyun.com/axecute/article/details/144999398</link><guid>https://blog.youkuaiyun.com/axecute/article/details/144999398</guid><author>axecute</author><pubDate>Wed, 08 Jan 2025 09:28:12 +0800</pubDate><description><![CDATA[机器学习中的 K-means 聚类]]></description><category></category></item><item><title><![CDATA[简单AI算法-决策树]]></title><link>https://blog.youkuaiyun.com/axecute/article/details/144977377</link><guid>https://blog.youkuaiyun.com/axecute/article/details/144977377</guid><author>axecute</author><pubDate>Tue, 07 Jan 2025 09:04:35 +0800</pubDate><description><![CDATA[为了克服树的过拟合问题，我们决定在中间合并两个段，这意味着从树中删除两个节点，如下图所示（带有红叉的节点被删除）。这意味着，即使训练数据中的因变量是连续的，它也只会采用测试集中的离散值。在上面的代码中，我们创建了一个类 的对象 ，将其地址存储在变量 中，因此我们可以使用 .然后我们将这棵树与我们的 和 .最后，我们在构建决策树后打印该语句。决策树会拆分所有可用变量上的节点，然后选择导致最同质子节点的拆分。复制它，然后对其进行修改，这样如果事情没有按照我们的预期进行，我们就可以用不同的方法重新开始原始数据。]]></description><category></category></item><item><title><![CDATA[简单AI算法-线性回归]]></title><link>https://blog.youkuaiyun.com/axecute/article/details/144976616</link><guid>https://blog.youkuaiyun.com/axecute/article/details/144976616</guid><author>axecute</author><pubDate>Tue, 07 Jan 2025 07:45:34 +0800</pubDate><description><![CDATA[这是通过迭代更新斜率系数 （B1） 和常数系数 （B0） 的值来完成的，直到我们得到线性函数的最佳解。由于多重共线性使得很难找出哪个变量对响应变量的预测有贡献，这会导致人们错误地得出变量对目标变量的影响的结论。虽然它不会影响模型预测的精度，但必须正确检测和处理模型中存在的多重共线性，因为从模型中随机删除任何这些相关变量都会导致系数值剧烈波动，甚至改变符号。总之，线性回归是数据科学的基石，为预测连续结果提供了一个强大的框架。生成的简单线性回归模型是一个简单的方程，用于显示一个变量如何影响另一个变量。]]></description><category></category></item><item><title><![CDATA[简单的 AI 算法解释]]></title><link>https://blog.youkuaiyun.com/axecute/article/details/144766286</link><guid>https://blog.youkuaiyun.com/axecute/article/details/144766286</guid><author>axecute</author><pubDate>Fri, 27 Dec 2024 13:30:28 +0800</pubDate><description><![CDATA[简单的 AI 算法解释]]></description><category></category></item><item><title><![CDATA[使用VerifyVersionInfoW检查操作系统版本的源码和问题]]></title><link>https://blog.youkuaiyun.com/axecute/article/details/144764697</link><guid>https://blog.youkuaiyun.com/axecute/article/details/144764697</guid><author>axecute</author><pubDate>Fri, 27 Dec 2024 12:15:20 +0800</pubDate><description><![CDATA[VerifyVersionInfoW源码和问题]]></description><category></category></item></channel></rss>