罗生铝合金门窗-优快云博客

原创支持向量机（SVM）：机器学习中的经典算法

是一种经典的监督学习方法，特别适用于二分类问题，并且在高维空间中表现尤为优越。SVM 以其坚实的数学理论、良好的泛化能力以及在小样本学习中的优异表现，成为了广泛应用于文本分类、生物信息学、图像识别等领域的重要工具。通俗来说，SVM 在特征空间中寻找一个能够最好地区分不同类别的边界，使得新数据点可以基于其位置被正确分类。理想情况下，我们希望找到这样一个超平面，使得两类数据点到超平面的间隔最大，这正是 SVM 的核心目标。在理想情况下，我们可以找到一个超平面，使得所有样本点都能被正确分类。

2025-03-02 17:06:39 961

原创随机森林（Random Forest）：机器学习中的经典算法

随机森林是一种集成学习方法，其核心思想是通过构建多棵决策树并将它们的预测结果进行集成（如投票或平均），从而得到最终的预测结果。随机性：在构建每棵决策树时，随机森林引入了两种随机性：一是从训练数据中随机抽取样本（Bootstrap采样），二是从特征集中随机选择部分特征进行节点分裂。森林：随机森林由多棵决策树组成，这些树共同构成一个“森林”。随机森林算法有三个主要超参数，需要在训练前设置。这些参数包括节点大小、树的数量和特征采样的数量。由此，随机森林分类器可用于解决回归或分类问题。

2025-02-22 19:58:18 2719

原创决策树（decision tree）：机器学习中的经典算法

决策树具有由根节点、分支节点、内部节点和叶节点组成的层次结构，是一种用于分类和回归应用的非参数监督学习方法。它是一种应用于多个不同领域的工具。这些树既可用于分类，也可用于回归问题。从名称本身就可以看出，它使用类似树形结构的流程图来显示一系列基于特征的拆分所产生的预测结果。它以根节点开始，以叶节点做出的决定结束。

2025-02-15 15:36:57 828

原创逻辑回归(logistic regression)：机器学习中的经典算法

逻辑回归是一种用于解决分类问题的统计模型，尤其适用于二分类任务。与线性回归类似，逻辑回归通过一个线性组合的输入特征来做出预测，但它不同的是，输出结果并不是直接的数值，而是一个概率值，表示样本属于某一类别的可能性。假设我们有一个输入特征向量xx1x2xnxx1x2xn，我们希望通过一个线性函数zzz来计算类别的概率。逻辑回归的目标是通过一个线性模型来预测某一事件发生的概率Py1∣xPy1∣x，即样本xxx属于类别1的概率。

2025-01-05 21:09:09 1079

原创线性回归(Liner Regression)：机器学习中的经典算法

线性回归是机器学习中的一种统计方法，用于模拟因变量与一个或多个自变量之间的关系。它通过对观测数据拟合线性方程来建立关系模型，通常作为更复杂算法的起点，并广泛应用于预测分析。从本质上讲，线性回归是通过在一组数据点之间寻找最拟合的直线，来模拟因变量（即想要预测的结果）和一个或多个自变量（即用于预测的输入特征）之间的关系。这条线称为回归线，表示因变量（我们想要预测的结果）和自变量（我们用于预测的输入特征）之间的关系。ymxcymxc。

2024-12-28 16:18:05 1239

原创深度学习：变分自编码器（VAE）解读

变分自编码器（Variational Autoencoder, VAE）是一种生成式深度学习模型，通过结合自编码器架构与变分推断方法，能够在不依赖复杂采样过程的情况下，学习高维数据的潜在表示。VAE通过最大化变分下界（Variational Lower Bound）来优化模型，确保生成模型的训练效率和质量。VAE在图像生成、数据增强、无监督学习等多个领域展现出广泛的应用潜力。本文将从VAE的提出、原理和公式、变种与改进、以及VAE的应用领域等方面进行深入探讨，帮助读者更好地理解VAE的基本概念与实现细节。

2024-12-15 22:09:44 5525

原创深度学习：生成对抗网络（GAN）解读

生成对抗网络（Generative Adversarial Networks，简称GAN）自2014年由Ian Goodfellow及其同事首次提出以来，便成为了深度学习研究领域的热门话题。GAN通过其独特的生成模型与判别模型的对抗性训练机制，为人工智能特别是计算机视觉、自然语言处理等领域带来了革命性的进展。本文将详细介绍GAN的提出背景、基本原理、数学公式及其应用领域。

2024-12-01 17:56:57 2684 1

原创论文分享：TACKLING THE GENERATIVE LEARNING TRILEMMA WITH DENOISING DIFFUSION GANS

主要区别在于，在 DDPM 中，x0 被预测为 xt 的确定性映射，而在我们的例子中，x0 是由具有随机潜在变量 z 的生成器产生的。与DDPM中的单峰去噪模型相比，这是使我们的去噪分布pθ（xt−1|xt）变得多模态和复杂的关键区别。给定判别器后，我们通过 maxθ ∑t≥1 Eq(xt) Epθ(xt-1|xt) [log(Dφ(xt-1, xt, t))] 来训练生成器，从而以非饱和 GAN 目标更新生成器。·我们将扩散模型采样速度慢的原因归结为去噪分布中的高斯假设，并建议采用复杂的多模态去噪分布。

2024-06-18 20:58:34 649

原创扩散模型（Diffusion Model）公式原理解读

生成式建模的扩散思想实际上已经在2015年（Sohl-Dickstein等人）提出，然而，直到2019年斯坦福大学（Song等人）、2020年Google Brain（Ho等人）才改进了这个方法，从此引发了生成式模型的新潮流。需要一个递归的过程，如果进行递归计算的话，在T值比较大的情况下，计算过程是比较慢的，那么可不可以进行一次计算直接从。系数的平方和恒等于1满足勾股定理，可以看作直径为1的半圆中内接直角三角形的两条边的长度，以下是原文中给出的伪代码，左边是训练噪声估计模型的过程，右边是去噪采样过程。

2024-05-25 16:20:21 2441 1

m0_61404163的博客