<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[coding_girllll的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/coding_girllll</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; coding_girllll]]></copyright><item><title><![CDATA[Datawhale笔记1 这个夏令营不简单 #AI夏令营 #Datawhale#夏令营]]></title><link>https://blog.youkuaiyun.com/coding_girllll/article/details/140192010</link><guid>https://blog.youkuaiyun.com/coding_girllll/article/details/140192010</guid><author>coding_girllll</author><pubDate>Thu, 04 Jul 2024 22:58:52 +0800</pubDate><description><![CDATA[这个过程重复进行多次，每次选择不同的子集作为测试集，最终得到多个模型评估结果，然后对这些结果进行平均，得到模型性能的综合评估。2.数据预处理   (其中要注意的部分：要定义一个空列表drop_cols，用于存储在测试数据集中非空值小于10个的列名)交叉验证（Cross-Validation）是一种统计方法，用于评估并提高模型的预测性能，特别是在样本数量有限的情况下。3.特征工程   （目的是获取更好的训练数据特征 要注意的部分：特征、标签的准备和筛选）]]></description><category></category></item><item><title><![CDATA[持续同调讲解]]></title><link>https://blog.youkuaiyun.com/coding_girllll/article/details/139437365</link><guid>https://blog.youkuaiyun.com/coding_girllll/article/details/139437365</guid><author>coding_girllll</author><pubDate>Tue, 04 Jun 2024 11:22:48 +0800</pubDate><description><![CDATA[是一种拓扑数据分析技术，用于从数据中提取多尺度的形状特征。它主要用于分析点云数据，识别不同尺度下的拓扑特征（如连通分支、空洞和更高维的特征）。]]></description><category></category></item><item><title><![CDATA[Čech 复形、VR 复形、Alpha 复形的联系与区别]]></title><link>https://blog.youkuaiyun.com/coding_girllll/article/details/139418956</link><guid>https://blog.youkuaiyun.com/coding_girllll/article/details/139418956</guid><author>coding_girllll</author><pubDate>Mon, 03 Jun 2024 16:45:37 +0800</pubDate><description><![CDATA[Čech 复形、VR 复形和 Alpha 复形都是用于分析点云数据的拓扑工具。尽管有共同点，这三种复形在构建几何结构的方式上有一些关键区别。]]></description><category></category></item><item><title><![CDATA[机器学习中的降维算法]]></title><link>https://blog.youkuaiyun.com/coding_girllll/article/details/139291831</link><guid>https://blog.youkuaiyun.com/coding_girllll/article/details/139291831</guid><author>coding_girllll</author><pubDate>Wed, 29 May 2024 11:56:36 +0800</pubDate><description><![CDATA[1. 主成分分析 (Principal Component Analysis, PCA)

原理：PCA通过线性变换将数据投影到一个新的坐标系中，新坐标轴（主成分）按数据方差递减排序。前几个主成分捕获了数据中最大的方差。
	应用：数据预处理、可视化、噪声去除。
2. 线性判别分析 (Linear Discriminant Analysis, LDA)

原理：LDA寻找一个投影，使得不同类别之间的分离度最大，而类别内部的散布最小。适用于有标签数据的降维。
	应用：分类任务的数据预处理。
3. 独立成分分析 ]]></description><category></category></item><item><title><![CDATA[监督学习与非监督学习的联系与区别]]></title><link>https://blog.youkuaiyun.com/coding_girllll/article/details/139291003</link><guid>https://blog.youkuaiyun.com/coding_girllll/article/details/139291003</guid><author>coding_girllll</author><pubDate>Wed, 29 May 2024 11:30:40 +0800</pubDate><description><![CDATA[数据类型：监督学习需要有标签的数据，而非监督学习处理无标签的数据。目标：监督学习的目标是预测或分类新数据，而非监督学习的目标是发现数据的内在结构或模式。应用场景：监督学习常用于预测和分类任务，而非监督学习常用于数据探索、分群和降维任务。]]></description><category></category></item><item><title><![CDATA[线性降维方法]]></title><link>https://blog.youkuaiyun.com/coding_girllll/article/details/139212078</link><guid>https://blog.youkuaiyun.com/coding_girllll/article/details/139212078</guid><author>coding_girllll</author><pubDate>Sun, 26 May 2024 10:49:55 +0800</pubDate><description><![CDATA[使用距离矩阵计算数据点在低维空间中的坐标，通常通过优化一个目标函数来实现，使得低维空间中的距离尽可能接近高维空间中的距离。它通过寻找数据的主成分，即数据在方差最大的方向上的投影，来降低数据的维度。- 对原始数据矩阵进行奇异值分解，得到三个子矩阵 \(U\)、\(\Sigma\) 和 \(V\)。- 截断奇异值矩阵 \(\Sigma\)，只保留前 \(k\) 个最大的奇异值及其对应的列向量。- 选择前 \(k\) 个最大的特征值对应的特征向量，作为新的基向量。- 使用截断后的子矩阵重构降维后的数据矩阵。]]></description><category></category></item><item><title><![CDATA[宇信科技  JAVA一面复盘]]></title><link>https://blog.youkuaiyun.com/coding_girllll/article/details/129389399</link><guid>https://blog.youkuaiyun.com/coding_girllll/article/details/129389399</guid><author>coding_girllll</author><pubDate>Tue, 07 Mar 2023 20:06:16 +0800</pubDate><description><![CDATA[Java菜鸟面筋]]></description><category></category></item></channel></rss>