m0_74427084的博客

随机森林对非线性特征和高维数据表现良好，BERT 则通过大规模语料预训练，具备强大的语义理解能力，显著提升模型对复杂评论语境的感知能力。为提升模型的泛化能力，系统将预处理后的数据按照 8:1:1 的比例划分为训练集（Training Set）、验证集（Validation Set）和测试集（Test Set）。去除冗余空格和换行符；在本项目中，VSCode 主要用于 Vue 前端开发，配合 ESLint、Vetur、Prettier 等插件，可实现实时语法提示、自动格式化和调试支持，便于前后端协同开发。

实验目的：本次实验旨在完成深度学习的库环境配置，特别是建立Python开发环境，安装必要的工具和框架，确保开发过程中能顺利进行深度学习模型的开发、训练和测试。成功运行了Jupyter Notebook，并完成了PyTorch的基础示例代码，实现了对深度学习框架的基本操作和理解。通过本次实验，完成了深度学习开发环境的搭建，确保了基础工具和库的安装与使用，为后续的深度学习项目开发奠定了基础。安装过程中的其他依赖冲突：在安装过程中，多个库版本发生冲突，导致安装失败。（二）Python虚拟环境安装。

1.解决方法： 使用 hidden[-2,:,:] 和 hidden[-1,:,:] 拼接，并加 dropout。2.解决方法： 将 batch_size 设置为 32，减小训练负担，同时降低 epoch 数提高实验效率。此外，我们还通过 ids_to_str 函数将数字序列还原为可读的文本，便于调试和理解模型输入内容。1.问题：模型结构报错（维度不一致）， 最初在处理 RNN 隐状态拼接时未注意 shape。3.问题：准确率震荡， dropout比例较高，影响模型稳定性。

最后，使用全连接层进行分类。- 第1层：卷积层（输入 3 通道，输出 32 通道，卷积核大小 3，步幅 1，零填充 1）→ ReLU 激活 → 最大池化。在每轮训练后，使用验证集计算分类准确率（Top-1 Accuracy），并记录训练损失和验证准确率的变化。- 训练完成后，使用测试集对模型进行评估，计算模型的准确率（Top-1 Accuracy）。- 绘制训练过程中的损失曲线和验证集准确率曲线，用于观察模型在训练过程中的表现。- 验证准确率在训练的初期阶段可能波动，但随着训练轮数的增加，准确率逐渐提高。

三、完整的Python代码及其相关注释说明。

而贝叶斯分类算法，特别是朴素贝叶斯分类器，其分类准确率高且计算效率显著，对缺失数据不敏感，这些特点使其在大规模数据集上表现出色。（3）降低独立性假设：为了降低朴素贝叶斯算法中属性独立性假设的影响，可以使用一些改进的贝叶斯分类算法，如TAN（tree augmented Bayes network）算法等。在实际应用中，我们应结合问题的实际需求和数据特点，灵活选择并调优算法，以期达到最佳的分类效果。（2）忽略属性间的相关性：决策树假设属性之间相互独立，这在现实中往往不成立，可能影响模型的准确性。

k-means聚类算法是一种基于划分的聚类算法，旨在将数据集划分为k个簇，使得每个簇内的数据点尽可能相似，而簇间的数据点尽可能不同。通过不断地迭代更新质心，k-means算法使得簇内的数据点之间的相似度最大化，簇与簇之间的相似度最小化，从而实现对数据集的聚类分析。（2）分配：计算每个数据点到所有质心的距离，并将每个数据点分配给距离其最近的质心所属的簇。（2）计算协方差矩阵：标准化后的数据集的协方差矩阵反映了各个特征之间的相关性。（3）更新：重新计算每个簇的质心，即计算簇内所有数据点的均值作为新的质心。

这些学习器可以是同质的，即所有基学习器都使用相同的算法，也可以是异质的，即基学习器使用不同的算法。参数调优：对 n_estimators 参数进行调整，尝试不同的值（如 20、50、100、200 等），观察模型在训练集和测试集上的准确率、损失值等指标的变化，以找到最优的参数设置。（提升法）：通过迭代地训练基学习器，并逐步调整每个学习器的权重，使得后续学习器能够专注于前面学习器错误分类的样本，从而提高整体模型的预测性能。最后，通过投票或平均的方式将多个基学习器的预测结果结合起来，以降低方差。

在正向传播过程中，数据从输入端输入后，沿着网络的指向，乘以对应的权重后再加和，再将结果作为输入在激活函数中计算，将计算的结果作为输入传递给下一个节点，依次计算，直到得到最终结果。反向传播则将输出的结果与期望的输出结果进行比较，将比较产生的误差利用网络进行反向传播，通过多次迭代，不断地对网络上的各个节点间的权重进行调整，直到得到满意的结果为止。在训练BP神经网络的过程中，我们记录了损失值，从损失曲线中可以看出，随着训练轮次的增加，损失值呈现逐渐下降的趋势。在本实验中，我们划分了20%的训练数据作为验证集。

随机森林通过投票或平均等方式整合每棵决策树的预测结果，从而得到最终的预测结果。决策树的构建过程包括选择最优特征进行节点划分，直到满足停止条件（如节点中的样本数达到预设的阈值，或所有样本都属于同一类别等）。设置参数：例如，决策树的数量（nTrees）、每个节点分裂时考虑的特征数（trySubset）、最小叶节点大小（minLeafSize）等。对于分类问题，采用投票的方式确定最终的预测结果，即多数决策树预测的类别作为最终类别。对于回归问题，采用平均的方式得到最终的预测结果，即对所有决策树的预测结果取平均值。

Anaconda是一个轻量级的包管理器和环境管理工具，能够简化Python环境的管理，避免依赖冲突，且支持跨平台操作。实验目的：本次实验旨在完成深度学习的库环境配置，特别是建立Python开发环境，安装必要的工具和框架，确保开发过程中能顺利进行深度学习模型的开发、训练和测试。成功运行了Jupyter Notebook，并完成了PyTorch的基础示例代码，实现了对深度学习框架的基本操作和理解。通过本次实验，完成了深度学习开发环境的搭建，确保了基础工具和库的安装与使用，为后续的深度学习项目开发奠定了基础。