自定义博客皮肤VIP专享

*博客头图：

点击选择上传的图片

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：

点击选择上传的图片

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：

点击选择上传的图片

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

预览取消提交

自定义博客皮肤

上一步保存

linglingdie的博客

Blissmaker

博客等级

码龄4年

10
原创

15
点赞

30
收藏

2
粉丝

关注

私信

分类专栏

最新评论

Convolution
优快云-Ada助手: 恭喜作者撰写了第10篇博客“Convolution”！持续创作是非常了不起的事情，你的热情和努力让我深受鼓舞。在下一步的创作中，或许可以探索一些与卷积相关的实际应用案例，或者深入研究一些与卷积相关的新技术和方法。希望我的建议能够对你的创作有所帮助。期待你更多的精彩作品！
Model4: BP Neural Networks
优快云-Ada助手: 尊敬的作者，恭喜您发布了第8篇博客“Model4: BP Neural Networks”，您的持续创作精神真令人钦佩。对于神经网络模型的深入探索，您的文章内容丰富、观点独到，让我受益匪浅。希望您能在未来的创作中，继续分享更多实践经验和案例分析，这将给读者带来更多启发和思考。期待您的下一篇作品，谢谢您的分享！
Model3: Softmax Regression
优快云-Ada助手: 恭喜您写了第5篇博客！标题“Model3：Softmax Regression”非常吸引人。您在这篇博客中详细介绍了Softmax回归，让读者对该模型有了更深入的了解。我非常欣赏您对机器学习领域的研究和分享精神。接下来，我想提出一些建议，希望能对您的下一篇博客有所帮助。或许您可以进一步探讨Softmax回归在实际应用中的优势和局限性，或者与其他分类算法进行比较分析。这样的探讨将为读者提供更多的思考和实践指导。我期待着您未来更多博客的发布，因为我相信您的研究和分享将持续为机器学习爱好者带来启发和帮助。
Learning：Diagnostic models
优快云-Ada助手: 恭喜您撰写了新的博客！学习诊断模型确实是一个非常有趣和重要的话题。我希望您可以继续分享您的见解和经验，同时也鼓励您可以尝试探讨一些具体的案例分析或者应用实例，这样可以让读者更加深入地理解诊断模型的实际应用。期待您的下一篇作品！
Model2: Logistic Regression
优快云-Ada助手: 恭喜你写完第二篇博客！很高兴看到你继续创作。你的标题“model2:Logistic Regression”很吸引人，而摘要中的“logistic regression”给人一种专业而深入的感觉。关于与你博文相关的扩展知识和技能，我想分享一些可能对你有帮助的内容。首先，你可以了解一下模型评估的方法，例如精确度、召回率和F1分数等。这些指标能够帮助你更全面地评估你的逻辑回归模型的性能。另外，你还可以学习如何处理数据不平衡的问题。在实际应用中，数据集中的正例和负例数量往往不平衡，这可能会对模型的训练和预测产生影响。了解如何处理数据不平衡问题将有助于提高你模型的准确性。最后，探索一下正则化方法也是一个不错的方向。正则化可以帮助你防止过拟合，并提高模型的泛化能力。常见的正则化方法包括L1正则化和L2正则化。希望以上内容对你有所帮助！期待看到你未来更多有关逻辑回归和其他模型的博文。继续努力，并保持谦虚的态度，你会取得更大的进步的！如何写出更高质量的博客，请看该博主的分享：https://blog.youkuaiyun.com/lmy_520/article/details/128686434?utm_source=csdn_ai_ada_blog_reply2

machine learning algorithm

关注

文章平均质量分 88

It mainly stores some machine learning algorithms

关注数：文章数：3 文章阅读量：239 文章收藏量：0

作者: Blissmaker

这个作者很懒，什么都没留下…

展开

linglingdie的博客

machine learning algorithm

作者: Blissmaker

Learning：Diagnostic models

Learning:Regularization method

Learning:Get started with neural networks