<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_71002812的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/m0_71002812</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_71002812]]></copyright><item><title><![CDATA[（autode计算化学—atoms）AtomCollection原子集类]]></title><link>https://blog.youkuaiyun.com/m0_71002812/article/details/152512275</link><guid>https://blog.youkuaiyun.com/m0_71002812/article/details/152512275</guid><author>m0_71002812</author><pubDate>Sat, 04 Oct 2025 15:24:21 +0800</pubDate><description><![CDATA[摘要：《autode.atoms.AtomCollection》是autoDE库中的基础类，用于管理原子集合。核心功能包括原子列表管理、原子访问与操作（支持索引、迭代、增删）、整体属性计算（总质量、质心坐标）以及几何变换（平移、旋转）。其核心属性atoms是可读写的原子列表，支持直接操作和修改；com属性计算质量加权的质心坐标；coordinates属性以Nx3数组形式返回所有原子坐标。该类主要作为基类为其他分子类提供基础原子管理功能，常用于分子对齐、旋转操作和结构分析等场景。]]></description><category></category></item><item><title><![CDATA[python计算化学（autode系列—xTB）Atoms类详解]]></title><link>https://blog.youkuaiyun.com/m0_71002812/article/details/152509579</link><guid>https://blog.youkuaiyun.com/m0_71002812/article/details/152509579</guid><author>m0_71002812</author><pubDate>Sat, 04 Oct 2025 13:52:45 +0800</pubDate><description><![CDATA[autode.atoms.Atom类用于表示原子对象，包含元素符号（atomic_symbol）、三维坐标（x,y,z）、原子类别（atom_class）和部分电荷（partial_charge）等属性。其中atomic_symbol为必需参数，其他参数可选且具有默认值。该类提供atomic_number（原子序数）、mass（质量）、is_metal（是否为金属）等只读属性，均由atomic_symbol决定。通过坐标参数可定义原子空间位置，atom_class可用于区分相同元素的原子，partial_c]]></description><category></category></item><item><title><![CDATA[神经网络torch学习路线规划]]></title><link>https://blog.youkuaiyun.com/m0_71002812/article/details/152081860</link><guid>https://blog.youkuaiyun.com/m0_71002812/article/details/152081860</guid><author>m0_71002812</author><pubDate>Thu, 25 Sep 2025 15:21:15 +0800</pubDate><description><![CDATA[这篇文章介绍了PyTorch的学习路线图，从基础到专家级分为四个阶段。基础阶段重点掌握torch.Tensor和torch.nn.Module两个核心类；进阶阶段学习线性层、优化器和数据加载；高级阶段涉及卷积神经网络和预训练模型；专家级则深入自动微分和分布式训练。文章详细讲解了torch.Tensor和torch.nn.Module的特性、创建方式、常用方法和注意事项，为PyTorch初学者提供了清晰的学习路径和关键概念说明。]]></description><category></category></item><item><title><![CDATA[《sklearn机器学习——数据预处理》生成多项式特征]]></title><link>https://blog.youkuaiyun.com/m0_71002812/article/details/151686298</link><guid>https://blog.youkuaiyun.com/m0_71002812/article/details/151686298</guid><author>m0_71002812</author><pubDate>Sun, 14 Sep 2025 18:27:42 +0800</pubDate><description><![CDATA[摘要：PolynomialFeatures是scikit-learn中用于生成多项式特征的工具，通过构造原始特征的高阶组合（如平方项、交叉项）增强模型非线性能力。核心参数包括degree（最高阶数）、interaction_only（是否仅生成交互项）和include_bias（是否含常数项）。示例代码演示了不同配置下的特征生成（如二次项、仅交互项），以及与线性模型结合的管道用法。需注意特征数量随阶数指数增长的问题，建议配合正则化使用。典型输出格式为[1, x0, x1, x0^2, x0x1, x1^2]]]></description><category></category></item><item><title><![CDATA[《sklearn机器学习——数据预处理》估算缺失值]]></title><link>https://blog.youkuaiyun.com/m0_71002812/article/details/151685520</link><guid>https://blog.youkuaiyun.com/m0_71002812/article/details/151685520</guid><author>m0_71002812</author><pubDate>Sun, 14 Sep 2025 18:00:31 +0800</pubDate><description><![CDATA[本文介绍了数据预处理中常见的缺失值处理方法，重点讲解了三种插补技术。SimpleImputer使用统计量（均值/中位数/众数）填充缺失值，适用于数值型或分类型数据；KNNImputer基于K近邻算法，利用相似样本的加权平均值填充，适合存在局部相似性的数据；IterativeImputer通过迭代预测模型处理复杂缺失模式。文章还对比了删除法和标记法等其他处理方式，分析了各方法的适用场景和特点，并提供了SimpleImputer的代码实现示例。]]></description><category></category></item><item><title><![CDATA[Android studio安装教程——超详细（含安装包安装教程）]]></title><link>https://blog.youkuaiyun.com/m0_71002812/article/details/151420187</link><guid>https://blog.youkuaiyun.com/m0_71002812/article/details/151420187</guid><author>m0_71002812</author><pubDate>Wed, 10 Sep 2025 20:32:00 +0800</pubDate><description><![CDATA[本文详细介绍了Android Studio 2024.3.1.14版本的安装与初始配置步骤。主要包括：下载安装程序后逐步执行安装向导，自定义安装路径；首次启动时选择&quot;Cancel&quot;跳过SDK警告，进行自定义安装类型设置；重点配置SDK组件（必选Android Virtual Device和性能优化选项），设置SDK本地存储路径；处理可能出现的网络下载问题；最终完成所有组件下载后进入欢迎界面。整个过程配有详细截图说明，为开发者提供了完整的Android Studio安装配置指南。]]></description><category></category></item><item><title><![CDATA[《sklearn机器学习——数据预处理》离散化]]></title><link>https://blog.youkuaiyun.com/m0_71002812/article/details/151410342</link><guid>https://blog.youkuaiyun.com/m0_71002812/article/details/151410342</guid><author>m0_71002812</author><pubDate>Wed, 10 Sep 2025 18:34:31 +0800</pubDate><description><![CDATA[本文介绍了sklearn中的离散化方法，重点解析了KBinsDiscretizer类的使用。离散化可将连续特征转换为离散区间，用于简化模型、增强鲁棒性。文章详细说明了参数配置（分箱数量、编码方式、分箱策略）和输出结果类型，并提供了示例代码演示等宽分箱和独热编码转换过程。同时指出了离散化的应用场景（如朴素贝叶斯模型）和注意事项（数据分布影响、边界处理等），强调了该方法在特征工程中的实用价值。]]></description><category></category></item><item><title><![CDATA[《sklearn机器学习——数据预处理》类别特征编码]]></title><link>https://blog.youkuaiyun.com/m0_71002812/article/details/151410173</link><guid>https://blog.youkuaiyun.com/m0_71002812/article/details/151410173</guid><author>m0_71002812</author><pubDate>Wed, 10 Sep 2025 18:29:16 +0800</pubDate><description><![CDATA[本文介绍了 sklearn 中常用的类别特征编码方法： LabelEncoder：将类别映射为整数，适用于目标变量 OrdinalEncoder：支持多列有序特征编码 OneHotEncoder：通过二进制向量表示无序类别 pandas.get_dummies：替代方案 文中提供了各方法的代码示例、参数说明和适用场景建议，并推荐使用ColumnTransformer组合不同编码器。最后强调需注意训练/测试一致性、未知类别处理和稀疏矩阵等关键事项。]]></description><category></category></item><item><title><![CDATA[《sklearn机器学习——数据预处理》归一化]]></title><link>https://blog.youkuaiyun.com/m0_71002812/article/details/151409945</link><guid>https://blog.youkuaiyun.com/m0_71002812/article/details/151409945</guid><author>m0_71002812</author><pubDate>Wed, 10 Sep 2025 18:18:23 +0800</pubDate><description><![CDATA[本文介绍了sklearn中的归一化(Normalization)操作，主要针对样本级别(L1/L2范数)的缩放。核心要点包括：1)归一化与特征缩放(Scaling)的区别；2)Normalizer类的使用方法和参数说明；3)无状态转换特性及适用场景(如文本处理、余弦相似度计算)；4)与StandardScaler等其他预处理方法的对比；5)注意事项(如避免数据泄露、处理零向量等)。通过代码示例演示了L1/L2归一化的实现方式及其在管道中的应用，强调了根据任务需求选择正确预处理方法的重要性。]]></description><category></category></item><item><title><![CDATA[《sklearn机器学习——数据预处理》非线性转换]]></title><link>https://blog.youkuaiyun.com/m0_71002812/article/details/151409777</link><guid>https://blog.youkuaiyun.com/m0_71002812/article/details/151409777</guid><author>m0_71002812</author><pubDate>Wed, 10 Sep 2025 18:08:14 +0800</pubDate><description><![CDATA[非线性转换是处理非正态分布、偏态数据的强大工具。使用 PowerTransformer 进行参数化幂变换（推荐用于回归、线性模型）使用 QuantileTransformer 进行分位数映射（适用于分布未知或复杂情况）合理使用非线性转换可显著提升模型性能，尤其在数据分布不理想时。始终记得在训练集上拟合变换器，并应用于测试集，避免数据泄露。]]></description><category></category></item><item><title><![CDATA[《sklearn机器学习——数据预处理》标准化或均值去除和方差缩放]]></title><link>https://blog.youkuaiyun.com/m0_71002812/article/details/151409318</link><guid>https://blog.youkuaiyun.com/m0_71002812/article/details/151409318</guid><author>m0_71002812</author><pubDate>Wed, 10 Sep 2025 18:00:28 +0800</pubDate><description><![CDATA[方差缩放是确保所有特征具有相同“能量级别”的关键步骤。在 sklearn 中，通过 StandardScaler(with_mean=False) 可实现纯方差缩放。虽然实践中更常用完整标准化（with_mean=True），但在某些特定场景（如保留原始偏移量、处理稀疏数据）下，仅缩放方差仍具有实用价值。]]></description><category></category></item><item><title><![CDATA[《sklearn机器学习——特征提取》]]></title><link>https://blog.youkuaiyun.com/m0_71002812/article/details/151323927</link><guid>https://blog.youkuaiyun.com/m0_71002812/article/details/151323927</guid><author>m0_71002812</author><pubDate>Mon, 08 Sep 2025 16:53:10 +0800</pubDate><description><![CDATA[scikit-learn 提供了多种文本特征提取工具，主要包括 CountVectorizer、TfidfVectorizer 和 HashingVectorizer。CountVectorizer 通过词频统计生成文档-词矩阵；TfidfVectorizer 引入 TF-IDF 权重机制，降低常见词影响；HashingVectorizer 采用哈希技巧处理大规模数据，内存高效但不可逆。这些方法支持文本预处理（如小写转换、停用词过滤等），是 NLP 任务的基础工具。此外，DictVectorizer 和 F]]></description><category></category></item><item><title><![CDATA[《sklearn机器学习——管道和复合估算器》可视化复合估计器]]></title><link>https://blog.youkuaiyun.com/m0_71002812/article/details/151292679</link><guid>https://blog.youkuaiyun.com/m0_71002812/article/details/151292679</guid><author>m0_71002812</author><pubDate>Sun, 07 Sep 2025 18:36:16 +0800</pubDate><description><![CDATA[本文介绍了如何使用 scikit-learn 的 HTML 可视化功能来直观展示机器学习流程。主要内容包括： 通过 set_config(display='diagram') 启用 HTML 图表显示功能 支持 Pipeline、ColumnTransformer 等复杂结构的可视化展示 图表特性： 可展开/折叠的嵌套结构 参数悬停提示 绿色对勾标记已拟合状态 颜色编码区分不同类型组件 支持动态更新和交互操作 提供了多种导出方式：截图、HTML 文件保存等 该功能特别适合在 Jupyter Notebook]]></description><category></category></item><item><title><![CDATA[《sklearn机器学习——管道和复合估算器》异构数据的列转换器]]></title><link>https://blog.youkuaiyun.com/m0_71002812/article/details/151292386</link><guid>https://blog.youkuaiyun.com/m0_71002812/article/details/151292386</guid><author>m0_71002812</author><pubDate>Sun, 07 Sep 2025 18:09:02 +0800</pubDate><description><![CDATA[ColumnTransformer 实用指南 本指南介绍了 scikit-learn 中 ColumnTransformer 的核心功能，用于高效处理异构数据集。ColumnTransformer 允许对不同类型的数据列（数值型、类别型、文本型等）应用特定转换器，并自动拼接结果。 核心优势： 统一管理各类数据的预处理流程 避免训练/测试集数据泄露 可无缝嵌入机器学习管道 支持按列名、索引或数据类型选择列 关键参数： transformers：定义各列组的转换规则 remainder：控制未指定列的处理方式 ]]></description><category></category></item><item><title><![CDATA[《sklearn机器学习——管道和复合估计器》联合特征（FeatureUnion）]]></title><link>https://blog.youkuaiyun.com/m0_71002812/article/details/151292012</link><guid>https://blog.youkuaiyun.com/m0_71002812/article/details/151292012</guid><author>m0_71002812</author><pubDate>Sun, 07 Sep 2025 17:43:09 +0800</pubDate><description><![CDATA[scikit-learn中的FeatureUnion工具可以并行组合多个特征提取器，将不同特征提取方法的结果横向拼接成一个更大的特征矩阵。它支持多种特征处理方式（如TF-IDF、词袋模型、PCA等）的并行执行，并通过统一接口进行调用。典型应用场景包括：同时使用多种特征提取方法、处理异构数据以及构建复杂特征工程流水线。使用示例展示了文本特征组合（TF-IDF+词袋模型）、数值特征组合（PCA+标准化）以及自定义特征提取器的实现方法。FeatureUnion能够有效扩展特征空间，提升模型性能，同时保持简洁的AP]]></description><category></category></item><item><title><![CDATA[《sklearn机器学习——管道和复合估计器》回归中转换目标]]></title><link>https://blog.youkuaiyun.com/m0_71002812/article/details/151291415</link><guid>https://blog.youkuaiyun.com/m0_71002812/article/details/151291415</guid><author>m0_71002812</author><pubDate>Sun, 07 Sep 2025 17:21:22 +0800</pubDate><description><![CDATA[本文详细解析了 sklearn 中回归任务目标变量转换的方法与实现。主要内容包括：目标转换的必要性（满足模型假设、稳定方差、处理非线性等）；常用的转换方法如对数变换、Box-Cox变换等；核心工具 TransformedTargetRegressor 的使用与参数详解。文章通过具体示例展示了如何应用这些技术，并强调了转换器选择与逆变换的注意事项，为回归建模中的目标变量预处理提供了全面指导。]]></description><category></category></item><item><title><![CDATA[《sklearn机器学习——管道和复合估算器》链式估算器]]></title><link>https://blog.youkuaiyun.com/m0_71002812/article/details/151290635</link><guid>https://blog.youkuaiyun.com/m0_71002812/article/details/151290635</guid><author>m0_71002812</author><pubDate>Sun, 07 Sep 2025 17:00:24 +0800</pubDate><description><![CDATA[# sklearn Pipeline 简明摘要 **核心功能**：Pipeline 是 scikit-learn 提供的链式估计器工具，支持将数据预处理和模型训练步骤串联成统一流程。 **主要优势**： - 简化代码结构，避免中间变量 - 防止交叉验证时的数据泄露 - 支持统一参数调优 - 便于模型保存与部署 **两种创建方式**： 1. `Pipeline(steps)`：需显式命名每个步骤 2. `make_pipeline(*steps)`：自动生成步骤名称 **典型应用场景**： - 分类任务：标准]]></description><category></category></item><item><title><![CDATA[torch神经网络入门级设备测试]]></title><link>https://blog.youkuaiyun.com/m0_71002812/article/details/151267324</link><guid>https://blog.youkuaiyun.com/m0_71002812/article/details/151267324</guid><author>m0_71002812</author><pubDate>Sun, 07 Sep 2025 01:02:55 +0800</pubDate><description><![CDATA[本文介绍了一个基于PyTorch的CPU与GPU性能评估系统，用于比较不同硬件在求解常微分方程(ODE)的神经网络模型中的计算效率。系统包含以下核心功能： 自动检测CUDA可用性及GPU配置 构建多层前馈神经网络模型求解二阶ODE 性能基准测试：分别在CPU/GPU上运行相同训练任务，计算加速比 内存使用分析：对比CPU/GPU张量的内存占用情况 梯度计算专项测试：评估反向传播耗时差异 评估结果显示，在处理大规模数据(≥5000个数据点)时，GPU凭借并行计算优势可获得显著加速效果。系统适用于科研人员优化物]]></description><category></category></item><item><title><![CDATA[《sklearn机器学习——绘制分数以评估模型》验证曲线、学习曲线]]></title><link>https://blog.youkuaiyun.com/m0_71002812/article/details/151262852</link><guid>https://blog.youkuaiyun.com/m0_71002812/article/details/151262852</guid><author>m0_71002812</author><pubDate>Sat, 06 Sep 2025 21:59:03 +0800</pubDate><description><![CDATA[估计器的泛化误差可分解为偏差、方差和噪声。偏差反映模型平均误差，方差表示模型对训练数据的敏感度。通过不同复杂度多项式回归的对比实验发现：简单模型（1次多项式）欠拟合（高偏差），中等复杂度模型（4次多项式）拟合良好，复杂模型（15次多项式）过拟合（高方差）。验证曲线通过评估不同超参数下的模型表现，帮助选择最佳参数并分析过/欠拟合情况。学习曲线则展示训练集规模对模型性能的影响，如朴素贝叶斯在小数据量下即收敛，而SVM能从更多数据中获益。验证函数validation_score提供了量化模型性能的标准方法，支持多]]></description><category></category></item><item><title><![CDATA[《sklearn机器学习——模型的持久性》joblib 和 pickle 进行模型保存和加载]]></title><link>https://blog.youkuaiyun.com/m0_71002812/article/details/151262603</link><guid>https://blog.youkuaiyun.com/m0_71002812/article/details/151262603</guid><author>m0_71002812</author><pubDate>Sat, 06 Sep 2025 21:12:07 +0800</pubDate><description><![CDATA[本文详细介绍了Scikit-learn中模型持久化的应用方法，重点讲解了joblib和pickle两种工具的使用。主要内容包括：模型持久化的基本概念及其重要性；通过具体代码示例展示了如何使用joblib和pickle保存和加载模型；分析了模型持久化在工业环境和Web服务中的实际应用场景；探讨了跨平台兼容性及持久化带来的挑战；最后介绍了模型版本控制、CI/CD集成等高级优化技巧。文章为机器学习开发者提供了完整的模型持久化解决方案，帮助提升模型部署效率和管理水平。]]></description><category></category></item></channel></rss>