- 博客(37)
- 收藏
- 关注
RSS订阅原创 特征重要性可视化
特征重要性可视化是机器学习可解释性的关键环节，能直观展示各输入特征对模型预测结果的贡献程度，帮助快速筛选核心特征、剔除冗余变量，同时向非技术人员清晰传递模型决策逻辑，降低黑盒模型的理解门槛。
2026-07-11 11:02:26
339
原创 K-Means案例实际讲解，适合大学生突击期末
太棒了！既然你兴致这么高，我们就把 sklearn 的拐杖扔掉，用刚才学过的 NumPy 核心知识（广播、向量化、布尔索引），手搓一个简易版的 K-Means 算法！你会发现，剥去框架的外衣，K-Means 的核心逻辑其实只有 3 步，而且用 NumPy 写出来极其优雅。K-Means 的核心思想（一句话）：“找几个中心点，把离谁近的点归给谁，然后重新算中心点，直到中心点不再移动。完整代码实现（带详细注释）def代码里的“高光时刻”解析（重点看！这一行是整个算法最核心的向量化操作！
2026-06-30 23:57:42
286
原创 Lasso回归与岭回归（Ridge Regression）
在现代机器学习中，通常先使用 Lasso 进行初步的特征筛选（去掉明显无关的噪声），然后再对剩下的特征使用 Ridge 或普通线性回归进行精细建模，或者直接全程使用 Elastic Net 进行端到端训练。
2026-06-29 20:01:13
574
原创 Z-Score 标准化 (Standardization)，Min-Max 归一化 (Normalization / Rescaling)
在构建 Lasso 回归模型时，特征标准化是至关重要的一步，因为 Lasso 的 L1 正则化惩罚项对特征的尺度非常敏感。如果特征量纲不同（例如“年龄”范围是 0-100，“收入”范围是 0-100,000），未标准化的数据会导致模型对大数值特征施加过大的惩罚，从而影响特征选择的准确性。
2026-06-29 10:15:28
514
原创 小白零门槛看懂：API vs MCP（Model Context Protocol，AI 专用 MCP，不是网络管控平面）
API 是所有软件通用的数据通道；MCP 是专门给 AI 打造、带记忆、一键连所有工具的专用高速通道。
2026-06-27 16:58:48
519
原创 特征扩展（Fe ature Expansion）
通过这种特征扩展的方式，简单的线性模型也能具备强大的非线性拟合能力，是机器学习中处理非线性关系的基础且有效的手段。
2026-06-27 09:16:24
264
原创 查准率 (Precision)，召回率 (Recall)
查准率 = 预测为正的里，有多少是真的 → 怕误报。召回率 = 实际为正的里，有多少被找到 → 怕漏报。F1 = 两者的综合平衡 → 选模型时优先看这个。
2026-06-26 21:23:53
360
原创 Sigmoid 函数（又称 S 型函数或 Logistic 函数）
Sigmoid 函数在二分类输出层和门控机制中依然不可或缺，但在深层网络的隐藏层中，由于其梯度消失缺陷，已不再是首选激活函数。
2026-06-26 20:59:41
381
原创 附带案例详细解析，多项式回归（Polynomial Regression）简单易懂，适合各年龄段入门者学习
多项式回归 = 把x变成[x, x², x³...]，然后做线性回归！degree选2~3最稳，用交叉验证选最优！
2026-06-26 08:37:46
546
原创 模型评估指标，F1，混淆矩阵（Confusion Matrix）， Accuracy（准确率），Precision（精确率 / 查准率），Recall（召回率 / 查全率）
回归看 RMSE + R² 。分类看 F1 + AUC 。样本不平衡时，别用Accuracy，用F1！
2026-06-26 08:33:04
605
原创 参数更新是什么，（线性模型）。实际案例深入浅出带你入门
案例：预测学习时长和考试分数的关系学习1小时 → 考2分学习2小时 → 考4分学习3小时 → 考6分我们要训练的模型是：y_pred = w * x，初始参数 w = 0。📊 第一张图：理解"损失函数"长什么样这是最重要的一张图，它展示了不同的w值对应的损失大小。python。
2026-06-25 15:47:15
255
原创 梯度下降法，带实际案例对比解析（夯爆了，但是超级麻烦，需要不断调整权重），新手入门理论
两种方法殊途同归，最终都能找到 w=2 这个最优参数。但它们的求解思路、计算效率和适用场景完全不同。理解这两种方法，你就掌握了机器学习优化的两大核心思想。
2026-06-25 12:02:06
792
原创 均值移除（Mean Removal / Zero-centering）
训练集和测试集必须用同一个均值（训练集的均值），否则数据泄露。只对数值型特征做，类别型特征不需要
2026-06-25 10:34:38
489
原创 数据预处理全流程（一个数据集贯穿），入门级包学包会
基本上，数据的标注和预处理是大模型最多也是最重要的工作内容。如何训练好一个模型，数据的处理尤为关键，从基础学起，带着示例讲解学习，打牢基础是成功的第一步。
2026-06-25 10:31:18
502
原创 将datafram写入到csv文件中.添加行，添加列，重建索引。
操作最常用写法加列df['C'] = 值加行df.loc['新行'] = 值或重置索引设索引df.set_index('列名')
2026-06-24 09:22:18
504
原创 DataFrame = 带行索引 + 列索引的二维表格，简单易懂包教包会。
用最简单的方法来学习，按照基础的实例来进行拆分讲解。无基础也包学会的带佬。
2026-06-23 10:58:17
315
原创 DeepSeek 大模型本地部署与调用实战指南
本文详细介绍了如何在本地部署DeepSeek大语言模型。主要内容包括： DeepSeek模型的核心优势在于中文理解能力和代码生成表现，适合构建私有智能助手。 环境搭建：详细说明了硬件要求（如显存需求）和软件依赖安装步骤。 模型获取：介绍了通过huggingface-cli下载量化模型的方法和推荐目录结构。 服务启动：对比了Ollama和vLLM两种部署方案，提供具体启动命令。 调用演示：展示了命令行交互和API请求的代码示例。 实战应用：构建了一个支持多轮对话的智能问答助手Python脚本。 参数调优：解释
2026-06-14 09:19:59
631
原创 当路径调用出现错误，如何改动
这个不提供具体的解决办法，按照最稳妥的思路，如何在复杂结构报错的情况下尽快完成梳理，理清头绪开始工作。搞完了，你就是最牛逼的兄弟。牛逼，兄弟！牛逼！
2026-06-13 09:00:28
276
原创 实例属性 / 类属性 / 实例方法 / 类方法 — 一次讲
在学习的时候，尤其是刚接触这块儿内容概念混乱的时候，其实并不需要多么深入的理解。多看项目，多打代码，先复制模仿，再慢慢去理解。个人总结的内容，小记是在工作中进行的，不需要专门的学习记忆。那样会增加心里压力和对知识与技术的敬畏感，会觉得很难自己学不会。其实，只要能照着别人的例子做出来就是好样的。牛逼，兄弟。
2026-06-12 10:25:32
399
原创 web设计的一些个人经验
一些不成体系的细节经验总结，其实不需要看懂代码，只需要直到细节处理逻辑，把它详细的和AI描述清楚就可以得到稳定好用的代码。 这些前辈的经验，现如今可以极大的加快我们的成长，感谢老师的教授，我也是尽可能把记住的都写出来了。看到这里依然对前端网页设计有热情的朋友们，加油。
2026-05-28 19:51:07
470
原创 CSS选择器
day4的web案例，靠AI给出的解析。角度是非计算机专业的人看完AI的解释和定义能够写出相同功能的代码，旨在让初学者理解CSS的相关内容并融入学科体系框架。
2026-05-27 19:15:37
488
Web前端，基础的解释和定义，帮助理解和认识前端需要的知识 通过学习，深入学习语法结构，可以做到自定义网页内容
2026-05-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人