墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
73平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
在机器学习领域，不平衡分类问题是一个常见且具有挑战性的任务。在处理这类问题时，概率校准和集成算法是两个重要的技术手段。下面将详细介绍相关内容。
如果想要深入研究概率校准，以下是一些有价值的资源：
- 论文 ：
- Predicting Good Probabilities With Supervised Learning, 2005
- Class Probability Estimates are Unreliable for Imbalanced Data (and How to Fix Them), 2012
- 书籍 ：
- Learning from Imbalanced Data Sets, 2018
- Imbalanced Learning: Foundations, Algorithms, and Applications, 2013
-
联邦学习与标签分布歪斜通过Logits校准Federated Learning with Label Distribution Skew via Logits Calibration
联邦学习
Precision-Recall曲线：不平衡数据下模型评估与业务决策的核心指南
Precision-Recall（PR）曲线是面向正样本稀缺场景的关键评估范式，其原理根植于查准率（Precision）与查全率（Recall）的动态权衡关系，而非整体准确率的静态统计。在医疗诊断、金融风控、工业质检等高代价误判/漏判场景中，PR曲线能穿透数据不平衡导致的准确率幻觉，揭示模型对正样本的真实判别能力。相比ROC曲线，它不依赖易漂移的负样本分布，天然适配真实业务的不确定性；相比F1-score，它提供全阈值范围的性能包络，支撑精细化业务决策。本文聚焦PR曲线的工程落地本质——从原始输出提取、阈值
遗传算法实战调参指南：种群规模、交叉概率与自适应变异
遗传算法（GA）是一种不依赖梯度、适用于非连续与多峰优化问题的元启发式搜索方法。其核心原理在于模拟自然选择中的选择、交叉、变异与精英保留机制，通过种群演化逼近全局最优解。技术价值体现在强鲁棒性、易并行性及对黑箱目标函数的良好兼容性，广泛应用于超参优化、路径规划、工业参数反演和神经架构搜索等场景。然而，标准GA性能高度敏感于种群规模、交叉概率、变异率等关键参数——固定取值常导致早熟收敛或收敛缓慢。本文聚焦真实工程约束下的参数动态设计，结合维度-约束-精度三维公式确定种群规模，依据合法解生成率校准交叉概率，并引
联合概率实战指南：从Pandas分组到风控与推荐系统应用
联合概率是描述多个变量共同出现频率的基础统计概念，其核心在于刻画多维特征组合在数据空间中的实际分布密度。它并非简单的时间同步，而是支撑用户分群、异常检测、冷启动推荐和A/B测试归因的关键逻辑基础。在工程实践中，联合概率直接映射为SQL GROUP BY、Pandas多列分组计数及Scikit-learn中fit前的数据分布校验环节，技术价值体现在识别隐藏关联、规避独立性误判、定位模型漂移根源。典型应用场景包括电商用户状态切片、金融风控联合规则挖掘、新用户兴趣代理建模以及搜索排序归因分析。本文聚焦真实项目中可
概率毁灭的艺术：如何用指数函数量化战场不确定性
本文探讨了指数函数在战场毁伤概率建模中的关键作用，通过动态规划优化火力分配模型，实现资源最大化利用。文章详细解析了指数型毁伤概率函数Pk=1-e^(-ak*xk)的数学原理与工程实践，包括参数校准、蒙特卡洛验证及跨领域应用拓展，为武器指挥系统提供科学决策依据。
【AI就业干货26】大厂AI算法岗面试题全解析：从基础到进阶的通关指南
本文系统梳理了2024年大厂AI算法岗面试的核心考点与高频题目，涵盖编程、模型原理、损失函数、优化技巧及工程实现等多个维度。针对计算机视觉、NLP、推荐系统等方向的求职者，重点解析了链表/树操作、动态规划、Transformer架构、BERT改进模型、数据不平衡处理等关键知识点，并提供代码示例和对比表格。文章强调面试本质是考察"解决问题的能力"，建议聚焦LeetCode高频题、深入理解模型原理、突出项目实践深度，最终通过扎实的工程能力和清晰的逻辑表达赢得offer。附高频面试题速查表供快
30、不平衡分类与Haberman乳腺癌生存数据集分析
本博客主要探讨了在Haberman乳腺癌生存数据集上的不平衡分类问题，介绍了超参数调优方法、数据集的基本信息以及数据探索结果。通过使用重复分层k折交叉验证和Brier技能分数评估了一系列概率模型的性能，并进行了数据预处理以提升模型效果。最后，选择了表现最佳的模型并对新数据进行了预测。整个分析为处理不平衡分类问题提供了系统的方法论。
【YOLOv26 源码深度解析】第四章 YOLOv26检测头（Head）模块
YOLOv26采用尺度无关的锚点策略，在每个检测层预设固定长宽比的锚点模板（如1:1, 1:2, 2:1），预测值表示相对于锚点中心的偏移量与宽高缩放因子。若某候选与已匹配候选的IoU超过阈值（通常0.7），则施加额外的置信度惩罚，强制其预测低目标性分数。此外，引入定位质量估计分支，预测每个框的IoU期望值，与分类分数相乘形成最终置信度，实现分类与定位质量的联合校准。实验表明，在中小规模数据集上，解耦头的收敛速度提升30%，最终mAP提升1-2个百分点，计算开销的代价在边缘设备上可通过并行计算掩盖。
Python实战：从零构建金融风控预测模型，解决数据不平衡与特征工程难题
机器学习中的分类问题是预测建模的核心任务之一，旨在根据输入特征将样本划分到预定义的类别中。其基本原理是通过算法学习历史数据中的模式，构建一个从特征到类别标签的映射函数。在金融科技领域，分类模型的技术价值尤为突出，它能够自动化、精准化地处理海量数据，识别复杂非线性关系，从而支持关键业务决策。典型的应用场景包括信用评分、欺诈检测和客户流失预警等。本文聚焦于金融信贷中的个贷违约预测，这是一个典型的二分类问题，但面临数据高度不平衡的挑战。文章深入探讨了如何使用SMOTE等过采样技术和调整类别权重来应对这一难题，并详
Proteus一体化安装STC15库添加
Proteus一体化安装与STC15库添加指南 本文详细介绍了Proteus 8.9 SP2专业版的一体化安装流程和STC15系列单片机库文件的添加方法。安装过程简单快捷，无需破解，稳定性好。通过将两个库文件(Lib和LIB)复制到Proteus安装目录的DATA/LIBRARY文件夹中，即可实现STC15W4K32S4芯片的仿真功能。文中还提供了新建工程和器件放置的步骤说明，特别指出STC15W4K32S4芯片可兼容仿真其他STC15系列芯片，并附带下载链接获取资源。该教程适用于电子设计初学者和开发者。
二维卡尔曼滤波位置，速度融合
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Ma...
零代码做游戏：AI辅助开发HTML5网页小游戏从创意到发布全流程
在软件开发领域，自然语言编程正成为一种新兴的人机协作方式，而AI辅助开发则是其最典型的落地形态。它让开发者无需精通语法，只需用清晰的语言描述游戏规则与交互逻辑，AI便能自动生成可运行的代码。这种模式大幅降低了编程门槛，尤其适合快速验证创意、制作原型。对于HTML5网页游戏而言，借助AI生成单个HTML文件，配合在线运行环境，即可在浏览器中直接试玩、迭代与分享。无论是产品经理验证玩法、运营人员制作互动小游戏，还是教育者设计课堂闯关，都能通过自然语言描述需求，让AI完成代码实现与报错修复。本文完整记录了一个“接
LTspice 导入 PSpice 模型实战指南 --（解决语法兼容性与模型优化问题）
本文提供了将PSpice模型成功导入LTspice的详细实战指南。针对两者间的语法兼容性问题，文章以TI UCC23513为例，逐步讲解模型获取、符号创建、常见语法错误修改及仿真验证方法，并分享了模型优化与个人库管理技巧，帮助用户高效解决模型导入与仿真难题。
kali2020.2安装出现的问题并附详细解决办法
kali2020.2的安装
comfyui利用 SkyReels-V2直接生成长视频本地部署问题总结 2 ：寻找丢失的model 和工作流中 get set 方法的应用
寻找丢失的model 和工作流中 get set 方法的应用，为什么有写工作流 中有很多断掉的节点，没有相互链接?
NVIDIA Isaac Sim 联合 VS Code 开发调试环境配置
在 Visual Studio Code (VS Code) 中打开 Isaac Sim 软件包主文件夹，即可打开该工作区。注意建议在学习教程和示例时使用 Visual Studio Code。另请参见有关 VS Code 工作区的详细信息，请参阅 Visual Studio Code (VS Code) 文档。
QMK固件OLED显示屏配置教程：从零开始实现个性化键盘显示（实操部分）
本教程详细介绍了如何从零开始配置QMK固件的OLED显示屏，实现个性化键盘显示。首先，文章解释了OLED显示屏的基本概念及其在键盘中的应用，并介绍了I2C和SPI两种通信方式。接着，教程逐步指导用户如何在QMK固件中启用OLED功能，包括在rules.mk中启用OLED、在halconf.h和mcuconf.h中配置I2C功能，以及在config.h中设置I2C和OLED参数。最后，教程展示了如何在keymap.c中编写代码，实现OLED显示内容，并提供了进阶定制功能，如显示当前层信息、按键状态和QMK L
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
霍尼韦尔SoftMaster使用说明
霍尼韦尔SoftMaster使用说明
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
超级会员免费看
订阅专栏 解锁全文
2930
扫一扫
