- 博客(6)
- 收藏
- 关注
RSS订阅原创 遗传算法和递归特征消除（RFE）的优缺点
RFE在特征选择领域是一个常用的工具，尤其是在处理高维数据时，它可以帮助研究人员和工程师识别出最重要的特征，提高模型的性能和可解释性。根据模型给出的特征重要性排序（例如，线性模型的系数大小），或者使用特征与目标变量之间的相关性作为排序依据。遗传算法的搜索过程具有一定的随机性，这意味着即使使用相同的参数，算法也可能得到不同的结果。将选中的父母个体进行配对，并交换它们的部分基因（即解的某些部分），产生新的后代个体。通过消除不重要的特征，RFE可以帮助减少模型的复杂度，从而降低过拟合的风险。
2024-12-18 15:39:38
284
原创 将MYD021KM数据转为表观反射率
由于MODIS数据精度高，其L1B产品将MODIS探测得到的数据信号按一定比例缩放为16位整数（S1）保存，同时用SDS属性保存两套缩放比（k_scales）和截距参数（x_offsets）。卫星探测过程中，由于探测点的太阳高度不同会造成测量值随太阳高度增大而增大，形成偏差。原文链接：https://blog.youkuaiyun.com/VVV_IA/article/details/105640068。（经纬度，高度，太阳和卫星的角度，陆/海掩膜）1.读取MYD03数据（1KM），获得。
2024-10-31 11:53:01
322
原创 图像分类网络
卷积层C1该层的处理流程是： 卷积-->ReLU-->池化-->归一化。卷积层C2该层的处理流程是：卷积-->ReLU-->池化-->归一化。卷积层C3该层的处理流程是： 卷积-->ReLU卷积层C4该层的处理流程是： 卷积-->ReLU该层和C3类似卷积层C5该层处理流程为：卷积-->ReLU-->池化全连接层FC6该层的流程为：（卷积）全连接 -->ReLU -->Dropout全连接层FC7流程为：全连接-->ReLU-->Dropout输出层。
2023-03-27 10:38:58
226
原创 打卡第二天
图像分类2012年Alexnet首次视觉分类问题将代码在GPU上运行2014年VGG将大尺度的卷积拆解为多层3×3的卷积 相同的感受野、更少的参数量、更多的层数和表达能力2014年googlenet相比前两个，参数量较少。2015年的Resnet2016年以后 神经结构搜索：非人工设计、由算法搜索而来2020年 vision transform2021年 swin-transform2020年convnext轻量化卷积 可分离卷积
2023-02-03 21:43:08
122
1
原创 打卡第一天
openMMlab三保1.基于pytorch框架，容易学习2.上面有许多领域内，如图像分类典型的算法，快速了解此领域内的进展和前沿3.只要有数据集，只需更改config等文件，就可以尝试不同算法跑出来的实验结果，自己就可以站在巨人的肩膀上进行算法创新。
2023-02-02 23:34:58
76
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人