- 博客(87)
- 收藏
- 关注
RSS订阅原创 Flask_GET请求与JSON响应实战详解
本文详解了使用Flask框架构建GET请求接口的全过程。主要内容包括： Flask应用基础配置与启动方式 路由装饰器@app.route的使用方法 通过request.args获取GET请求参数 jsonify生成JSON格式响应 三种调用方式：浏览器、curl和Python requests 建议添加的参数校验逻辑 完整的请求-响应流程说明 文章提供了一个视频转文字接口的完整实现示例，展示了如何将业务逻辑封装在独立模块中，并强调路由函数应专注于参数处理和结果返回。最后还列出了Flask相关扩展知识点，如P
2026-05-29 19:59:31
299
原创 Claude_Desktop——全流程指南-免登录-DeepSeek-中文汉化
Claude Desktop 是 Anthropic 官方推出的桌面客户端，默认需要登录才能使用，且只支持 Claude 系列模型。免登录：开启开发者模式 + 配置三方推理网关接入 DeepSeek：使用 CC Switch 工具进行模型转接中文汉化：使用开源补丁将界面切换为中文Step 1 下载并安装 Claude Desktop↓Step 2 不要登录！Help → Troubleshooting → Enable Developer Mode → 点击 Enable↓。
2026-05-26 20:55:37
9399
2
原创 YOLOv10轮毂缺陷检测（下）——模型推理与PyQt5可视化应用
本文介绍了YOLOv10轮毂缺陷检测系统的模型推理与PyQt5可视化应用开发。主要内容包括： 模型推理测试：通过命令行脚本验证训练好的模型权重，详细解析了推理API的使用方法和检测结果的数据结构。 PyQt5应用架构设计：采用分层架构将UI布局、业务逻辑和检测线程分离，重点说明多线程设计的必要性以避免界面卡顿。 UI布局实现：展示了可视化检测界面的结构设计，包括模型选择、参数设置、结果显示等功能区域。
2026-05-19 21:39:00
1275
原创 YOLOv10轮毂缺陷检测（上）——环境搭建与模型训练
本文介绍了基于YOLOv10的轮毂缺陷检测系统开发流程。主要内容包括：1)项目背景与架构设计，针对轮毂质量检测需求构建自动识别系统；2)YOLOv10模型特点，采用NMS-Free双标签分配策略提升效率；3)环境搭建，使用uv工具管理Python依赖；4)数据集制作，包含合格品、外密封圈破损和固定板破损三类标注数据。该系统可实现对轮毂缺陷的精准检测，为后续PyQt5可视化应用开发奠定基础。
2026-05-19 21:06:38
1345
原创 LangChain RAG实战——向量存储与检索篇：从向量数据库到Chain构建
本文介绍了LangChain RAG系统的三大核心模块：向量存储、语义检索和Chain构建。在向量数据库部分，对比了ChromaDB、FAISS等主流方案，并展示了ChromaDB的存储、加载和操作代码。语义检索部分详细讲解了相似度搜索、MMR检索等技术实现。最后，通过代码示例演示了如何构建完整的RAG Chain流程，包括Prompt模板设计、检索结果格式化和LLM集成。全文提供了完整的Python代码片段，帮助开发者快速实现RAG系统核心功能。
2026-05-15 07:30:00
1023
原创 LangChain RAG实战——实战与优化篇：完整案例与系统优化
本文介绍了LangChain RAG系统的完整实战案例与优化策略。主要内容包括： 项目结构设计：展示了RAG系统的模块化架构，包含文档加载、文本分割、向量存储等核心组件。 完整实现案例：提供了基于阿里云百炼(Qwen)和ChromaDB的完整代码实现，涵盖配置管理、文档处理、向量存储和查询链构建。 核心功能实现： 支持PDF文档加载与处理 实现文本分块与向量化存储 构建完整的RAG查询流程 提供源文档追溯功能 扩展能力：展示了支持多种文档格式（PDF/DOCX/TXT）的批量处理方案。 该案例可作为企业级R
2026-05-15 07:30:00
1368
原创 LangChain RAG实战——数据预处理篇：从文档加载到嵌入向量化
本文介绍了LangChain RAG系统的数据预处理环节，主要包括文档加载、文本分割和嵌入向量化三大模块。RAG技术通过检索增强生成解决大语言模型的局限性，如知识时效性、幻觉问题和领域知识缺乏等。文章详细讲解了环境配置、多种文档加载器（PDF/Word/TXT）的使用方法，以及不同文本分割策略（递归字符分割、段落分割、Token分割）的实现和对比。通过代码示例展示了如何将原始文档处理为适合检索的文本块，为后续向量化和检索生成阶段奠定基础。
2026-05-14 23:29:06
991
原创 uv工具详解——Python包与项目管理器完全指南
摘要 uv 是由 Astral 团队开发的极速 Python 包和项目管理工具，采用 Rust 编写，性能比 pip 快 10-100 倍。它集成了 pip、pipx、pyenv、poetry 等工具的功能，提供一站式解决方案。主要特点包括： 极速性能：依赖并行解析和全局缓存机制 统一工具链：替代多个 Python 开发工具 版本管理：内置 Python 版本管理器 项目管理：支持 init/add/sync/run 全流程 跨平台支持：提供多种安装方式 uv 通过 pyproject.toml 和 .py
2026-05-14 19:11:09
2032
原创 AutoDL云服务器租用与深度学习环境配置实战指南
本文详细介绍了如何在AutoDL云平台租用GPU服务器并配置深度学习开发环境。主要内容包括：1）AutoDL平台的优势，如丰富GPU型号、按量计费等；2）从注册到开机的完整租用流程；3）使用FileZilla进行文件传输的方法；4）配置VSCode远程开发环境的步骤；5）运行YOLOv5训练任务的实战示例。文章还提供了常见问题解决方案和使用技巧，帮助开发者快速上手云端深度学习开发，充分利用GPU算力资源。
2026-05-12 09:29:32
1620
原创 Transformer架构深度解析——从Attention到BERT的基石
原论文（Attention is All You Need）中使用h=8个头，，每个头的维度。这是一个经验值，实践中 BERT-Base 使用 12 头，BERT-Large 使用 16 头。组件作用关键公式/参数词 ID → 稠密向量注入位置信息sin/cos三角函数计算词间相关性softmaxQKTdkVsoftmaxQKTdkV多角度特征提取h=8头，各d_k=64残差 + 归一化防梯度消失，稳定训练非线性变换解码器防作弊下三角 Causal Mask。
2026-05-08 18:12:16
967
原创 LangChain基础入门——从阿里云百炼API到Chain构建
本文详细介绍了如何基于阿里云百炼平台（Qwen模型）和LangChain框架构建智能对话应用。主要内容包括：1）API Key申请与配置流程；2）环境安装与基础模型调用；3）LangChain核心功能模块详解（Chat Model、Prompt Template、Few-Shot提示、Output Parser和LCEL Chain）；4）多轮对话实现与参数调优技巧。所有代码示例均通过实际运行验证，展示了如何从零开始搭建一个完整的对话系统，特别适合希望快速上手大模型开发的开发者参考。
2026-05-08 14:56:50
1554
原创 深度学习目标检测：YOLOv5 技术详解（基于 YOLOv4 同源架构）
本文全面解析了YOLOv4目标检测技术的核心创新与改进。文章首先介绍了YOLOv4的设计哲学：在消费级GPU上实现速度与精度的最优平衡。随后系统性地阐述了其关键技术： 数据增强方面重点介绍了马赛克增强(Mosaic)及其优势，同时整合了多种BoF(免费午餐)方法； 正则化创新包括DropBlock等改进； 损失函数从IOU演进到CIOU Loss，综合考量重叠面积、中心距离和宽高比； 网络架构采用CSPDarknet53骨干网络，引入SPP模块和CSPNet结构； 后处理改进包括DIoU-NMS等创新。 这
2026-04-29 07:30:00
919
原创 YOLOv5 实战：从 GitHub 拉取到自定义数据集训练
YOLOv5实战：从GitHub拉取到自定义数据集训练 本文详细介绍了YOLOv5目标检测模型的实战应用流程。主要内容包括：YOLOv5与YOLOv4的工程化对比；GPU环境配置与PyTorch安装验证；GitHub仓库克隆与项目结构解析；自定义MaskDataSet数据集的准备与标注规范（YOLO格式）；以及使用LabelImg工具进行数据标注的详细步骤。文章特别强调了数据集划分的标准化目录结构和标签文件格式要求，为读者提供了从零开始训练YOLOv5模型的完整指南，涵盖环境搭建、数据准备到模型训练前的所有
2026-04-29 07:30:00
1509
原创 深度学习目标检测：YOLOv3 原理详解 + LabelMe 数据标注实战
文章摘要（149字）： YOLOv3通过多尺度检测架构显著提升小目标识别能力，核心改进包括：①采用Darknet-53骨干网络引入残差结构；②三尺度特征融合（13×13/26×26/52×52）实现FPN思想；③9个聚类先验框分组匹配不同尺度；④用独立Logistic分类器替代Softmax支持多标签场景。实战部分详解LabelMe标注工具的使用流程，包括JSON格式标注、YOLO格式转换及数据预处理方法，为自定义数据集训练提供完整解决方案。
2026-04-28 20:42:26
1025
原创 深度学习目标检测：YOLOv1 与 YOLOv2 原理详解
目标检测技术演进：从YOLOv1到YOLOv2 本文系统介绍了目标检测领域的两大流派：Two-Stage（如Faster R-CNN）和One-Stage（如YOLO）检测器，重点解析了YOLO系列的奠基性工作。YOLOv1首次提出将检测任务转化为回归问题，通过7×7网格预测目标位置和类别，实现端到端快速检测。针对v1的局限性，YOLOv2引入多项创新：加入Batch Normalization提升训练稳定性；采用高分辨率预训练改善特征提取；通过K-Means聚类生成先验框（Anchor Boxes）优化预
2026-04-28 20:14:09
958
原创 每天一个小技能——GitHub入门
GitHub简介与SSH配置指南 GitHub是基于Git的代码托管平台，提供代码托管、版本管理、团队协作等功能。与Git的关系是：Git是本地版本控制工具，GitHub是云端协作平台。GitHub的价值在于代码备份、团队协作、开源共享和自动化部署。 SSH配置步骤： 检查现有密钥：ls -al ~/.ssh 生成新密钥：ssh-keygen -t ed25519 -C "your_email@example.com" 启动SSH代理：eval "$(ssh-agent -s)
2026-04-27 23:06:11
1677
原创 LSTM实战（下篇）：微博情感分析——训练策略、早停机制与推理部署
这篇文章摘要了《LSTM实战（中篇）：微博情感分析——Bi-LSTM模型架构解析》系列的技术实现要点。主要内容包括： 训练流程框架：详细展示了从数据预处理到模型训练的完整流程，包含5个关键步骤：统计类别分布、初始化优化器、循环训练、保存最优模型和早停检测。 核心代码实现：提供了train_eval_test.py的完整源代码，重点介绍了评估函数eval()和训练函数train()的实现细节，包括梯度裁剪、动态学习率调整、类别不平衡处理等关键技术。 工程化策略：采用ReduceLROnPlateau调度器实现
2026-04-21 07:30:00
1008
原创 LSTM实战（中篇）：微博情感分析——Bi-LSTM模型架构解析
本文介绍了基于双向多层LSTM的微博情感分类模型TextRNN的设计与实现。模型采用3层双向LSTM结构，输入为70个字的词ID序列，通过预训练的200维词向量进行嵌入表示。LSTM层采用128个隐藏单元和0.3的dropout率，最后通过全局平均池化和全连接层输出4类情感分类结果。文章详细解析了模型架构、参数设置及代码实现，包括Embedding层的初始化选项、Bi-LSTM的配置以及前向传播过程。该模型适用于微博情感分析任务，代码完整可运行，为学习LSTM应用提供了实践框架。
2026-04-21 07:00:00
1002
原创 LSTM实战（上篇）：微博情感分析——词表构建与数据集加载
本文是《LSTM实战：遗忘门、输入门与输出门解决长期依赖》的续篇，聚焦微博情感分析实战。文章从零构建NLP预处理流水线，包含词表构建、数据加载和模型训练全流程。核心内容包括：1）基于字符级分词构建4760字词表，过滤低频词并与腾讯预训练词向量对齐；2）实现Bi-LSTM模型处理文本分类任务；3）完整项目结构设计，涵盖数据预处理、模型训练与推理预测。项目采用PyTorch框架，针对微博评论进行四分类情感分析（喜悦/愤怒/厌恶/低落），提供可复现的代码实现与关键设计思路解析。
2026-04-20 22:12:29
1324
2
原创 PyQt5实战：用QtDesigner设计计算器UI并用PyUIC转换为Python代码
本文介绍了使用PyQt5开发简易计算器的完整流程。首先通过Qt Designer设计计算器界面，包含数字按钮、运算符和显示框等控件，采用水平布局和垂直布局进行排版。然后使用PyUIC工具将.ui文件转换为Python代码，生成UI类。最后在main.py中编写业务逻辑，实现计算功能。整个过程展示了从界面设计到功能实现的完整开发链路，适合PyQt5初学者学习基础控件使用和布局管理。文章提供了详细的操作步骤和代码解析，帮助读者快速掌握PyQt5图形界面开发的核心方法。
2026-04-20 21:40:18
1101
原创 LSTM实战：遗忘门、输入门与输出门解决长期依赖
本文深入解析了LSTM网络如何通过遗忘门、输入门和输出门解决RNN的长期依赖问题。RNN由于梯度消失只能处理短序列，而LSTM通过门控机制选择性记忆重要信息，遗忘无关内容。文章详细对比了RNN、LSTM和GRU的特性差异，指出LSTM在长序列处理中的优势，并列举了其在文本生成、机器翻译等场景的应用。最后提出GRU、双向LSTM等扩展方向，为序列建模任务提供了完整的解决方案框架。
2026-04-17 21:44:18
1159
1
原创 PyQt5入门实战：安装、QtDesigner设计与PyUIC转换完整指南
PyQt5是 Qt5 框架的 Python 绑定，由 Riverbank Computing 基于 SIP（C++ 桥接工具）封装。它让 Python 开发者可以用纯 Python 代码构建功能完整的跨平台桌面 GUI 应用。工具用途关键路径/参数pyqt5核心 Python 绑定库含 Qt DesignerQtDesigner可视化拖拽设计 UIPyUIC.ui → .py 自动转换核心理念：PyQt5 将 UI 设计（.ui）与业务逻辑（.py。
2026-04-17 21:43:46
921
1
原创 Word2Vec与CBOW算法实战：从词向量到上下文感知
优点说明维度可控自定义 N 维（如300），远小于词库 V语义学习从语料自动学习词语相似性与类比关系效率高使用查表（Embedding）代替矩阵乘法上下文感知同时利用前后 C 个词的信息预测中间词迁移能力强训练好的词向量可迁移到各种 NLP 任务CBOW 模型：输入：上下文 C 个词的 One-Hot → 嵌入层（查表）处理：C 个向量求平均 → 隐藏层（ReLU）→ 输出层（Softmax）输出：概率最大的词 → 反向传播更新 WV×N 嵌入矩阵产物：词向量矩阵 W，可用于下游 NLP 任务。
2026-04-15 22:15:46
725
1
原创 MediaPipe Hands 手势识别实战：从21关键点到0-10数字识别
p0 = hand_landmarks[0] # 手腕根部（手掌中心）p5 = hand_landmarks[5] # 食指掌根关节dist(点0, 点5)= 手掌宽度（随距离远近自动缩放）除以 0.6 = 归一化系数，使 base 在正常握拳时约等于 1这样后续所有距离判断都与手掌大小无关，实现距离鲁棒上篇：detect() + RunningMode.IMAGE → 同步获取21个三维关键点。
2026-04-15 07:30:00
1008
原创 MediaPipe Hands 高版本手部检测实战：从21关键点到骨骼可视化
MediaPipe Hands = 高帧率(30-60fps) + 三维关键点(21点) + 实时骨骼绘制核心变化：solutions 模块完全移除，新版必须用 tasks.vision API上手重点：1. BGR→RGB 格式转换（易错点）2. 下载 hand_landmarker.task 模型文件3. 理解三个置信度参数的 trade-off互补使用：dlib做人脸 + MediaPipe做手部 = 完整人体感知系统骼绘制。
2026-04-14 07:30:00
1123
原创 人脸属性分析三剑客：表情识别、疲劳检测与年龄性别预测实战
人脸属性分析三剑客：表情识别、疲劳检测与年龄性别预测 本文介绍了三种基于人脸关键点分析和深度学习的属性检测方法。表情识别通过计算嘴唇纵横比(MAR)和嘴宽颌宽比(MJR)来判断大笑、微笑和正常状态；疲劳检测利用眼睛纵横比(EAR)指标，当闭眼持续超过50帧时触发警报；年龄性别预测则采用OpenCV DNN加载预训练模型进行推理。三种方法各具特色：表情和疲劳检测基于几何计算，实时性强；年龄性别预测精度更高但依赖预训练模型。文中提供了核心算法原理和关键代码实现，展示了从基础几何分析到深度学习推理的技术演进路径。
2026-04-13 07:30:00
1028
1
原创 人脸仿射变换与换脸术实战：从getAffineTransform到FaceSwap
应用方向说明人脸对齐用仿射变换将不同角度的人脸对齐到标准姿势，是人脸识别的预处理必备步骤表情迁移将 A 的表情关键点映射到 B，实现换表情效果DeepFake现代换脸基于深度学习 GAN，精度更高，但计算量更大AR 贴纸口罩、眼镜等 AR 效果本质上是局部掩膜 + 仿射变换① 仿射变换 = getAffineTransform(3对点) + warpAffine(矩阵M)② 换脸术 = dlib68点 → 凸包掩膜 → SVD相似变换→ 高斯颜色迁移 → 掩膜加权融合。
2026-04-13 07:30:00
1014
1
原创 OpenCV三大传统人脸识别算法：EigenFace、FisherFace与LBPH实战
无需统一图像尺寸，部署最灵活局部特征对光照、表情变化更鲁棒可增量训练无需重训置信度直观：< 80 即可信，调参简单EigenFaceFisherFaceLBPH最大优势原理简洁，PCA直观类间区分最优，光照鲁棒无需统一尺寸，支持增量致命弱点光照/姿态敏感必须≥2类，训练样本要求高整体结构信息丢失推荐度★★★★★★★★★★★★三种算法均适合小样本、无GPU、快速部署的场景。在实际工程中，推荐Haar 检测 + LBPH 识别作为轻量基线方案，对精度要求更高时升级为。
2026-04-12 21:25:52
1282
原创 OpenCV视频分析三剑客：背景建模、光流估计与目标跟踪
CSRT（Channel and Spatial Reliability Tracking）是基于**判别相关滤波器（DCF）**的跟踪算法。它在初始化时学习目标的外观模型，然后在后续帧中通过相关滤波找到与目标最相似的区域。CSRT 核心思路：初始化：框选ROI → 学习目标外观模板更新：提取候选区域 → 相关滤波打分 → 找到最高分位置CSRT 相比 KCF / MOSSE 的优势在于引入了通道可靠性权重，对目标形变和部分遮挡有更好的鲁棒性。背景建模 MOG2 — “发现运动”
2026-04-10 09:11:27
822
原创 dlib人脸检测与识别实战：对比OpenCV Haar级联分类器
图像中物体的形状和轮廓可以通过局部梯度方向的分布来描述。特性dlib检测算法HOG + 线性分类器Haar + Adaboost 级联推荐场景精度优先、侧脸、深度学习前处理实时速度、嵌入式、资源受限最大优势侧脸鲁棒、误检低CPU 极致速度、开箱即用最大劣势速度较慢侧脸漏检、光照敏感安装依赖dlib 库（~150MB）OpenCV 自带一句话选型要精度选 dlib要速度选 Haar实战建议。
2026-04-10 09:11:04
1149
原创 指纹匹配：SIFT特征与FLANN算法实战
指纹匹配核心流程：步骤1: sift.detectAndCompute() → 提取128维SIFT描述符步骤2: flann.knnMatch(k=2) → FLANN快速k-NN搜索步骤3: m.distance < 0.8*n.distance → Lowe's比值过滤步骤4: 阈值判决 → 验证≥500 / 识别最大值。
2026-04-09 17:15:15
1113
1
原创 OpenCV答题卡识别：从图像预处理到自动评分
技术点关键 API作用图像预处理Canny消噪 + 边缘提取纸张定位找四角顶点透视矫正消除拍摄角度自适应二值化自动分割填涂区域气泡筛选+ 宽高比只保留答题圆圈选项判定掩膜计数，找填涂最多的选项评分输出putText可视化标注 + 成绩显示支持更多题目行数（当前固定 5 题）：调整中的步长支持多答案题（多选题）：将"非零像素 > 阈值"替换为按照固定比例判断接入摄像头实时识别：将imread替换为摄像头帧循环处理。
2026-04-09 15:58:28
1081
1
原创 DNN风格迁移：OpenCV深度学习模块实战
本文介绍了使用OpenCV DNN模块实现图像风格迁移的方法。主要内容包括：1）OpenCV DNN模块支持多种深度学习框架模型，特别是Torch7格式的风格迁移模型；2）详细解析了blobFromImage预处理、readNetFromTorch模型加载和前向传播等核心API；3）通过单图风格迁移和四宫格视频风格迁移两个实战案例，展示了代码实现过程。该方法无需依赖PyTorch等重型框架，能够快速实现多种艺术风格的图像转换。
2026-04-09 10:29:23
1018
1
原创 Haar级联分类器：人脸与微笑检测实战
本文基于OpenCV的CascadeClassifier实现人脸检测与微笑识别，详细讲解了Haar特征原理和分类器文件查找方法。文章首先介绍了Haar特征的五种模板及其在人脸部位的对应关系，以及Adaboost算法和级联结构的核心思想。随后提供了三种获取XML分类器文件的实用方法，并列出常用分类器的用途。在人脸检测实战部分，展示了核心API的参数调优技巧和代码实现。对于微笑检测，提出ROI嵌套检测策略，先检测人脸区域再在其内部进行微笑识别，有效提升检测效率。最后分析了该方案的优缺点，为工程应用提供选型建议。
2026-04-07 21:32:15
1003
原创 角点检测与SIFT特征提取：OpenCV实战指南
在图像处理中，角点（Corner）是指图像中局部区域与周围区域在各方向上都有较大灰度变化的像素点。类型特征说明平坦区域各方向变化均小无明显特征，难以区分边缘区域仅单一方向变化大只能确定垂直边缘方向角点区域所有方向变化均大位置唯一确定，可重复检测 ✅角点是图像匹配、目标跟踪、三维重建等任务的基础特征，因为它具有旋转不变性，且在不同视角下容易被重复检测到。SIFT（Scale-Invariant Feature Transform，尺度不变特征变换）
2026-04-07 20:59:00
1006
原创 迁移学习：让AI站在巨人的肩膀上
迁移学习（Transfer Learning）是指将一个已经在大规模数据集上训练好的模型的"知识"，迁移到新的任务上。用一个形象的比喻：🎓 一位医学生在系统学习了人体解剖学、病理学之后，再去专修心脏外科，会比一个完全从零开始的人快很多——他不需要重新学"什么是细胞"，而是把已有知识迁移过来，只需专注于新的细分领域。预训练模型在 ImageNet（120万张图片，1000类）上学会了识别边缘、纹理、形状、高级语义等通用特征我们把这些"通用特征提取器"直接拿来用，只需在顶部添加适合自己任务的分类头。
2026-03-30 12:28:58
1116
原创 卷积神经网络 (CNN) 核心原理全解析：从卷积层到全连接层，从零理解图像识别的核心逻辑
本文系统介绍了卷积神经网络(CNN)的核心架构与工作原理，以花朵分类任务为例，详细解析了CNN的四大核心模块：1)卷积层通过局部感知和权值共享特性高效提取图像特征；2)激活函数(如ReLU)引入非线性能力；3)池化层实现特征降维；4)全连接层完成分类决策。文章重点阐述了CNN相比全连接网络的优势，包括参数效率高、保留空间信息、符合视觉认知逻辑等特性，并深入讲解了各模块的计算公式和工程实现细节。通过层级化特征提取，CNN能够自动学习从低级到高级的视觉特征，最终实现端到端的图像分类任务。
2026-03-21 22:14:08
1353
2
原创 矿物成分数据智能分类实战（三）：以平均值填充数据集的pytorch框架和MLP算法实现与性能分析
在地质资源分析领域，矿物分类是核心任务之一。传统人工识别效率低、主观性强，而基于机器学习的自动化分类方案能显著提升精度和效率。本文针对矿物分类的13 维低维表格特征 + 4 类分类目标场景，对比实现了两种基于 PyTorch 的 MLP（多层感知机）模型，从网络架构、训练策略到性能表现做全方位解析，结合可视化图表验证轻量化降维 MLP 在该任务下的最优性能。核心结论：分层降维的轻量化 MLP 是低维表格数据分类的优选，兼顾性能与效率；可尝试的优化方向：加入 Dropout 层（如）进一步抑制过拟合。
2026-03-20 22:14:41
898
2
原创 矿物成分数据智能分类实战（二）：以平均值填充数据集的 XGBoost 与 AdaBoost 为例
本文以矿物分类任务为例，详细阐述了机器学习项目中的数据处理与模型训练全流程。研究采用6种缺失值填充策略，重点分析了平均值填充后XGBoost和AdaBoost模型的性能表现。通过网格搜索优化超参数，结果表明：在平均值填充数据集上，AdaBoost整体表现更优，准确率达95.79%，类别3召回率94.44%，均优于XGBoost。研究验证了集成算法在多分类任务中的有效性，为后续探索"最优填充+最优模型"组合奠定了基础。完整代码和评估结果已开源，确保实验可复现。
2026-03-19 22:27:21
602
机器学习支持向量机SVC参数详解：C与gamma调优策略及核函数选择对分类性能影响分析
2026-03-02
机器学习决策树【三种算法详解】.docx
2026-02-28
机器学习决策树分类器的参数API
2026-02-28
逻辑回归api参数介绍
2026-02-06
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人