<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_73593563的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/m0_73593563</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_73593563]]></copyright><item><title><![CDATA[从一块像素到一个类别：把 CNN 的卷积、池化、激活函数和经典网络一次讲清楚]]></title><link>https://blog.youkuaiyun.com/m0_73593563/article/details/167125762</link><guid>https://blog.youkuaiyun.com/m0_73593563/article/details/167125762</guid><author>m0_73593563</author><pubDate>Mon, 05 Oct 2026 20:55:20 +0800</pubDate><description><![CDATA[本文从“局部像素如何演变为类别”出发，系统解析CNN核心机制：卷积核作为移动探测器实现局部感知与参数共享，通过步幅、填充控制特征图尺寸；池化压缩空间信息，激活函数引入非线性以突破线性限制；多层组合逐步提取纹理、形状等抽象特征。最终，经典网络如LeNet-5到ResNet的演进，正是这些组件在结构设计上的持续优化，实现了从像素到分类的高效映射。]]></description><category></category></item><item><title><![CDATA[机器学习集成学习全面解析：从理论到实战]]></title><link>https://blog.youkuaiyun.com/m0_73593563/article/details/162424976</link><guid>https://blog.youkuaiyun.com/m0_73593563/article/details/162424976</guid><author>m0_73593563</author><pubDate>Mon, 06 Jul 2026 15:13:31 +0800</pubDate><description><![CDATA[本文全面解析机器学习中的集成学习方法，分为Bagging和Boosting两大类。主要内容包括： 集成学习概念：通过组合多个基学习器构建更强大的模型，核心思想是"三个臭皮匠顶个诸葛亮"。 Bagging方法： 并行训练多个独立模型，通过投票/平均组合结果 重点介绍随机森林(Random Forest)及其API使用 包含波士顿房价预测实战案例和OOB评估方法 Boosting方法： 串行训练模型，每个新模型专注于纠正前一个的错误 详细解析AdaBoost算法原理和数学公式 提供AdaBoost分类器和回归器]]></description><category></category></item><item><title><![CDATA[波士顿房价预测]]></title><link>https://blog.youkuaiyun.com/m0_73593563/article/details/162397374</link><guid>https://blog.youkuaiyun.com/m0_73593563/article/details/162397374</guid><author>m0_73593563</author><pubDate>Tue, 30 Jun 2026 15:22:44 +0800</pubDate><description><![CDATA[本文介绍了使用CART决策树回归模型预测波士顿房价的完整流程。通过scikit-learn实现了数据加载、特征分离、基线模型评估和网格搜索调参等步骤。波士顿房价数据集包含13个特征，如犯罪率、房间数、环保指数等，目标变量为房屋中位数价格（MEDV）。基线模型的5折交叉验证RMSE为6.04（±4.62），随后通过网格搜索优化决策树超参数（最大深度、最小样本分割等）以提升模型性能。代码展示了完整的机器学习项目实现，包括数据预处理、模型训练与评估，适合作为回归任务的入门案例。]]></description><category></category></item><item><title><![CDATA[K-means 聚类算法详解：从原理到实战]]></title><link>https://blog.youkuaiyun.com/m0_73593563/article/details/162385521</link><guid>https://blog.youkuaiyun.com/m0_73593563/article/details/162385521</guid><author>m0_73593563</author><pubDate>Mon, 29 Jun 2026 09:16:59 +0800</pubDate><description><![CDATA[本文系统讲解了 K-means 聚类算法。K-means 是一种无监督学习算法,通过迭代执行"分配样本到最近质心"和"更新质心位置"两个步骤,最小化簇内平方误差,将无标签数据自动分群。文章以超市顾客分群为生动案例,说明算法如何凭数据分布发现 VIP、主力、偶发三类客群。最后总结标准化、K 值选择、非球形簇等实践建议,帮助读者建立无监督学习的直觉与工程经验。]]></description><category></category></item><item><title><![CDATA[MNIST手写数字识别]]></title><link>https://blog.youkuaiyun.com/m0_73593563/article/details/162347722</link><guid>https://blog.youkuaiyun.com/m0_73593563/article/details/162347722</guid><author>m0_73593563</author><pubDate>Sat, 27 Jun 2026 15:58:18 +0800</pubDate><description><![CDATA[本文介绍了使用KNN算法实现MNIST手写数字识别的完整流程。首先加载MNIST数据集，对28×28像素图像进行标准化处理，然后通过PCA降维保留95%的方差信息。接着采用网格搜索（GridSearchCV）自动调优KNN参数，包括K值、权重方式和距离度量。实验使用5折交叉验证评估模型性能，最终构建最优KNN分类器。整个流程涵盖了数据预处理、特征降维、模型调参等关键步骤，为手写数字识别提供了一个经典实现方案。]]></description><category></category></item><item><title><![CDATA[太空泰坦尼克号乘客传送预测]]></title><link>https://blog.youkuaiyun.com/m0_73593563/article/details/162346919</link><guid>https://blog.youkuaiyun.com/m0_73593563/article/details/162346919</guid><author>m0_73593563</author><pubDate>Sat, 27 Jun 2026 15:58:11 +0800</pubDate><description><![CDATA[本文介绍了基于CART决策树的太空泰坦尼克号乘客传送预测方法。通过特征工程提取团体规模、舱位信息、消费总额等关键特征，并处理缺失值。使用scikit-learn构建预处理管道，包括独热编码和数值填充，结合网格搜索优化决策树参数。最终模型在测试集上预测乘客是否被传送到另一个维度。该流程展示了从数据探索到模型部署的完整机器学习解决方案。]]></description><category></category></item><item><title><![CDATA[决策树到底是怎么“长“出来的？一篇文章彻底搞懂]]></title><link>https://blog.youkuaiyun.com/m0_73593563/article/details/162299010</link><guid>https://blog.youkuaiyun.com/m0_73593563/article/details/162299010</guid><author>m0_73593563</author><pubDate>Fri, 26 Jun 2026 09:00:00 +0800</pubDate><description><![CDATA[决策树是一种监督学习算法，通过树状结构（根节点、内部节点、叶节点）进行分层决策，适用于分类和回归任务。其核心思想是利用信息增益（ID3）、信息增益率（C4.5）或基尼指数（CART）递归选择最优划分特征，将数据逐步分类。ID3算法简单但偏向多值特征且无法处理连续值；C4.5引入信息增益率和剪枝机制，支持连续值与缺失值；CART采用二叉树结构和基尼指数，通用性更强且支持回归。决策树优势在于直观易解释、无需数据预处理，但易过拟合。实际应用中常通过随机森林、GBDT等集成方法提升性能。典型案例如判断是否外出郊游，]]></description><category></category></item><item><title><![CDATA[如何使用Kaggle下载数据集？]]></title><link>https://blog.youkuaiyun.com/m0_73593563/article/details/162265496</link><guid>https://blog.youkuaiyun.com/m0_73593563/article/details/162265496</guid><author>m0_73593563</author><pubDate>Thu, 25 Jun 2026 08:30:00 +0800</pubDate><description><![CDATA[Kaggle 是全球最大的数据科学社区，本文详细介绍两种数据集下载方式：
直接下载（适合新手）和 API 下载（适合批量/自动化）。包含完整的
Kaggle CLI 安装配置步骤、API Token 获取方法、常见错误解决方案，
以及直接下载与 API 下载的对比总结。适合机器学习初学者快速上手
Kaggle 数据获取流程。]]></description><category></category></item><item><title><![CDATA[KNN算法详解：从原理到实践入门]]></title><link>https://blog.youkuaiyun.com/m0_73593563/article/details/162229829</link><guid>https://blog.youkuaiyun.com/m0_73593563/article/details/162229829</guid><author>m0_73593563</author><pubDate>Wed, 24 Jun 2026 08:00:00 +0800</pubDate><description><![CDATA[K近邻算法（KNN）是一种基于实例的机器学习方法，通过计算样本间的距离进行分类或回归。核心步骤包括：1）选择距离度量（如欧氏距离）；2）确定K值（通过交叉验证选择最优值）；3）基于最近邻投票决策。KNN无需显式训练，但预测时计算量大。数据预处理需标准化/归一化处理，模型评估可用准确率、精确率等指标。典型应用如鸢尾花分类，通过GridSearchCV调参可优化模型性能。KNN简单直观但计算效率低，适合小规模数据集。]]></description><category></category></item><item><title><![CDATA[SoftMax函数]]></title><link>https://blog.youkuaiyun.com/m0_73593563/article/details/162209692</link><guid>https://blog.youkuaiyun.com/m0_73593563/article/details/162209692</guid><author>m0_73593563</author><pubDate>Tue, 23 Jun 2026 00:00:00 +0800</pubDate><description><![CDATA[SoftMax函数是一种多分类激活函数，将神经网络输出转换为概率分布（总和为1）。其通过指数运算放大数值差异后归一化处理，公式为对每个元素取指数并除以指数和。使用时需注意数值溢出问题（上溢/下溢），常用减去最大值的方法预防。特性包括：(0,1)输出范围、可微分性及差异放大效果。典型应用于图像/文本分类、注意力机制等场景，常与交叉熵损失函数配合。代码实现时采用numpy的exp运算并减去最大值防止溢出，输入数值差异越大输出概率分布越极化。例如输入[-5,-2,0,2,5]时，5对应输出概率达0.95，-5接近]]></description><category></category></item><item><title><![CDATA[神经网络入门教程：前向传播与反向传播详解]]></title><link>https://blog.youkuaiyun.com/m0_73593563/article/details/162175330</link><guid>https://blog.youkuaiyun.com/m0_73593563/article/details/162175330</guid><author>m0_73593563</author><pubDate>Mon, 22 Jun 2026 12:08:27 +0800</pubDate><description><![CDATA[神经网络（简称：ANN）是一种受人脑神经元连接方式启发而设计的机器学习模型，它通过大量相互连接的“神经元”来处理数据、提取特征并完成预测或判断。简单来说，神经网络会接收输入数据，例如图片、文字、声音或数字信息，然后经过一层或多层隐藏层的计算，把原始数据逐步转换成更有意义的特征，最后在输出层给出结果。它并不是依靠人手动编写固定规则来解决问题，而是通过大量样本数据进行训练，在不断比较预测结果和真实答案的差距后，自动调整内部的权重和偏置，使模型的预测越来越准确。]]></description><category></category></item><item><title><![CDATA[机器学习入门：逻辑回归原理、损失函数与梯度下降推导]]></title><link>https://blog.youkuaiyun.com/m0_73593563/article/details/162127501</link><guid>https://blog.youkuaiyun.com/m0_73593563/article/details/162127501</guid><author>m0_73593563</author><pubDate>Fri, 19 Jun 2026 19:29:24 +0800</pubDate><description><![CDATA[本文介绍了机器学习中的二元分类任务及其核心概念，重点讲解了逻辑回归算法的原理与实现。文章首先阐述了二元分类的定义和应用场景，然后详细分析了逻辑回归的数学原理，包括Sigmoid函数、损失函数和成本函数的推导。在算法实现部分，解释了梯度下降优化过程及其向量化实现，通过对比实验展示了向量化技术的效率优势。最后提供了完整的Python代码实现，包括参数初始化、正向传播、反向传播、梯度下降优化和预测函数等关键环节。全文系统性地介绍了从理论到实践的二元分类解决方案。]]></description><category></category></item><item><title><![CDATA[计算机组成原理-指令]]></title><link>https://blog.youkuaiyun.com/m0_73593563/article/details/145521437</link><guid>https://blog.youkuaiyun.com/m0_73593563/article/details/145521437</guid><author>m0_73593563</author><pubDate>Mon, 10 Feb 2025 19:13:37 +0800</pubDate><description><![CDATA[上面为我们熟悉的中缀表达式，下面是后缀表达式（堆栈计算机一般采用），当读取到操作数时候，压入栈顶，当读取到操作符时候（相当于读取到了零地址指令），把两个栈顶元素弹出，把运算结果压回栈顶。4=8位来表示操作码，由于扩展指令规则限制，操作码前四位为1111便超越了三地址码的范围，符合规则。指令字长为16位，采用扩展操作码技术，要求形成15条三地址指令、12条二地址指令、31条一地址指令和16条零地址指令。首先地址码有4位，对于三地址码来说，就有16-3*4=4位来表示操作码，三地址操作码范围为。]]></description><category></category></item><item><title><![CDATA[计算机组成原理（3）]]></title><link>https://blog.youkuaiyun.com/m0_73593563/article/details/145468006</link><guid>https://blog.youkuaiyun.com/m0_73593563/article/details/145468006</guid><author>m0_73593563</author><pubDate>Sat, 08 Feb 2025 19:00:50 +0800</pubDate><description><![CDATA[主存储器：简称主存，cpu可以直接随机的对其进行访问，也可以提高高速缓冲器和辅助存储器进行数据交换；辅助存储器：简称辅存，不能与CPU直接相连，用来存放当前暂时不用的程序和数据；高速缓冲存储器：位于主存和CPU之间，用来存放正在执行的程序段和数据；磁表面存储器（磁盘，磁带），磁心存储器半导体存储器（高速缓冲存储器，主存储器）和光存储器（光盘）；随机存储器（RAM）：存储器的任何一个存储单元的内容都可以随机存取，而且存取时间与存取单元的物理位置无关，主要用作主存或高速缓冲存储器；]]></description><category></category></item><item><title><![CDATA[计算机组成原理（2）]]></title><link>https://blog.youkuaiyun.com/m0_73593563/article/details/145153621</link><guid>https://blog.youkuaiyun.com/m0_73593563/article/details/145153621</guid><author>m0_73593563</author><pubDate>Thu, 16 Jan 2025 20:53:03 +0800</pubDate><description><![CDATA[这里计算时候，首先看101001000的前四位（因为除数是四位），前四位的第一个数字为1，所以上方写1，将1101照抄下来，一一对比，相同为0，不同为1，所以第一步结束后1110；BCD码是用4个二进制位表示一个十进制数，由于4个二进制位可以表示16种状态，而表示单个十进制数只需要10个状态就行，因此在16种状态中挑选10个状态会有多种方法，因此BCD码有很多种类。这里的码距计算方式，第一个来说：00与11，有两个码字不一样，00与01，有一个码字不一样，所以取最小距离，码距d=1；]]></description><category></category></item><item><title><![CDATA[计算机组成原理（1）]]></title><link>https://blog.youkuaiyun.com/m0_73593563/article/details/144268907</link><guid>https://blog.youkuaiyun.com/m0_73593563/article/details/144268907</guid><author>m0_73593563</author><pubDate>Tue, 14 Jan 2025 11:26:10 +0800</pubDate><description><![CDATA[是指将指令以二进制的形式事先输入到计算机的主存储器，然后按照存储器中的首地址执行程序的第一条指令然后按照该程序的规定顺序执行其他指令，直到程序结束；CPU=运算器+控制器。]]></description><category></category></item><item><title><![CDATA[BFC的理解]]></title><link>https://blog.youkuaiyun.com/m0_73593563/article/details/144267378</link><guid>https://blog.youkuaiyun.com/m0_73593563/article/details/144267378</guid><author>m0_73593563</author><pubDate>Thu, 05 Dec 2024 15:32:25 +0800</pubDate><description><![CDATA[BFC是块级格式上下文（Block Formatting Context），是CSS布局的一个概念，在BFC布局里面的元素不受外面元素影响。（ 非none 非inline 非block）会发现父元素的高度为0，造成了高度塌陷；设置浮动：float有值并不为空。（不是visible）（ 非relative）给父元素变成BFC即可；会导致上下两个div的。]]></description><category></category></item><item><title><![CDATA[两栏布局和三栏布局]]></title><link>https://blog.youkuaiyun.com/m0_73593563/article/details/144244813</link><guid>https://blog.youkuaiyun.com/m0_73593563/article/details/144244813</guid><author>m0_73593563</author><pubDate>Thu, 05 Dec 2024 14:09:41 +0800</pubDate><description><![CDATA[三栏布局就是圣杯布局/双飞翼布局；左右两侧的宽度是固定的，中间部分是自适应的；移动左右盒子覆盖了中间盒子的两侧，再将中间加入一个盒子，留出两侧的。这是HTML的基础结构，后续的代码都以此为基础；这是HTML基础结构，后续代码也使用该结构；的方式将左右盒子归位，因此不需要外层div；两栏布局：一侧的宽度固定，另一侧自适应；双飞翼布局是先设置中间盒子的宽度为。将中间部分留出，再利用定位、值，达到三栏布局的效果。这是HTML基础布局；]]></description><category></category></item><item><title><![CDATA[浏览器的事件循环机制]]></title><link>https://blog.youkuaiyun.com/m0_73593563/article/details/144223158</link><guid>https://blog.youkuaiyun.com/m0_73593563/article/details/144223158</guid><author>m0_73593563</author><pubDate>Wed, 04 Dec 2024 16:42:05 +0800</pubDate><description><![CDATA[同步任务，所以输出同步宏任务Promise，继续往下执行，遇到微任务，跟在了当前宏任务（JS）后面，随后输出同步宏任务，当前宏任务（JS）执行完毕，执行跟在这个宏任务后面的微任务，输出同步微任务Promise，这个时候当前宏任务带着的微任务全部执行完毕，第一个事件循环结束，开启第二个事件循环，读取第二个宏任务，遇到了。同步任务，直接输出，随后遇到了微任务，跟在了当前这个宏任务后面，继续向下执行，输出异步宏任务，当前宏任务执行完毕，开始执行跟在后面的微任务，输出异步微任务then。遇到异步任务时，将其放入。]]></description><category></category></item><item><title><![CDATA[浏览器渲染原理]]></title><link>https://blog.youkuaiyun.com/m0_73593563/article/details/144198174</link><guid>https://blog.youkuaiyun.com/m0_73593563/article/details/144198174</guid><author>m0_73593563</author><pubDate>Wed, 04 Dec 2024 15:12:05 +0800</pubDate><description><![CDATA[当DOM变化影响了元素，比如元素的尺寸、布局、显示隐藏等改变了，需要重写构建。每个页面至少需要一次回流，就是在页面第一次加载的时候，这个时候一定会发生回流。为了避免连续的多次操作导致布局树反复计算，浏览器会合并这些操作，当 JS 代码全部完成后再进行统一计算。所以，改动属性造成的reflow是异步完成的。当 JS 获取布局属性时，就可能造成无法获取到最新的布局信息，所以浏览器会在获取属性时立即reflow。当一个元素的外观发生变化(可见样式更改)，但是没有改变布局，重新渲染元素的外观。比如color。]]></description><category></category></item></channel></rss>