- 博客(16)
- 收藏
- 关注
RSS订阅原创 Datawhale AI 春训营新能源赛道 Task2打卡
数据分析是理解数据的第一步，它帮助我们发现潜在模式、异常值以及变量之间的关系。可以通过统计描述（如均值、标准差）、可视化图表（如直方图、箱线图）来深入了解数据分布和质量。特征工程对于提升模型性能至关重要。通过对原始数据进行转换、组合或派生新特征，能够更好地捕捉数据中的规律。数据清理的目标是提高数据质量和一致性。该步骤可能涉及处理恢复值、删除重复记录、修改错误数据等操作。使用LightGBM进行建模时，需先划分训练集和测试集，并设置合理的超参数以优化模型表现。最后将结果预测保存到文件中提交至竞赛平台。
2025-04-19 20:41:39
313
原创 机器学习——使用Sklearn自带的葡萄酒数据集与k近邻算法，训练分类器，并对新样本所属类别进行预测
STEP 4：建立并训练模型引入 KNeighborsClassifier 模块来创建 kNN 分类器实例，并指定超参数 ( k ) 的大小。STEP 2：划分训练集与测试集为了评估模型性能，需要将数据分为两部分——用于建模的训练集和验证效果的测试集。实训题目描述使用Sklearn自带的葡萄酒数据集与k近邻算法，训练分类器，并对新样本所属类别进行预测。STEP 3：标准化特征值由于不同特征的数量级可能存在差异，需对其进行归一化处理以保证公平比较。STEP 5：评估模型精度通过准确率得分衡量模型好坏程度。
2025-03-31 10:03:31
272
原创 机器学习-波士顿房价预测
print('%s 模型的最大预测准确率为:%.5f'% (name,max(scores [i])))names=['Linear', 'Ridge','Lasso']#分别训练模型并进行回归，计算预测准确率。#将特征变量(data)与标签(target)分别赋值给x和y x,y=data,target。print("%s 模型的预测准确率为:%5f"%(name,score))#测试alpha在不同取值下的回归效果。#定义各种线性回归对象。#分割训练集和测试集。
2025-03-17 15:56:02
392
原创 Datawhale AI冬令营 第二期task2 旅游路线规划智能体
旅游路线规划智能体通过收集并分析游客的偏好、预算、时间安排等信息，结合旅游目的地的天气、交通、景点分布等实时数据，为游客生成最优的旅游路线规划方案。
2024-12-28 22:13:58
615
原创 【DataWhale】10月组队-聪明办法学python笔记1
注释在代码中的作用：1.提高代码可读性，对自己写的代码做解释，方便以后自己理解代码内容2.别人在看代码时能明白写的是什么意思python中单行注释，使用开头多行注释，使用'''或"""包裹起来。
2024-10-14 16:38:20
530
原创 【Datawhale吃瓜教程】Task02 打卡笔记
重点理解了最小二乘法的精髓。最小二乘法通过最小化预测值与实际值之间的均方误差来求解模型参数，这种方法不仅在数学上易于处理，而且在实际应用中效果良好。我认识到，最小二乘法不仅是线性回归的求解方法，更是一种优化思想的体现。通过实践和应用线性回归模型，我深刻体会到理论知识与实际应用之间的紧密联系。在实际问题中，我们需要根据数据的特点选择合适的模型参数、处理异常值、进行特征工程等，这些都需要我们在实践中不断探索和总结。线性回归作为机器学习中最基础的算法之一，虽然有其局限性，但在许多实际问题中仍具有广泛的应用价值。
2024-09-21 19:03:53
453
原创 【Datawhale吃瓜教程】Task01 打卡笔记
第二章详细介绍了模型评估的几种基本方法，包括留出法、交叉验证法和自助法。这些方法不仅为我提供了评估模型性能的工具，还让我理解了不同方法之间的优缺点和适用场景。理解了过拟合与欠拟合的概念，本章还介绍了多种性能度量指标，如错误率、精度、查准率、查全率、F1分数等。这些指标为我提供了评估模型性能的多维度视角，使我能够更全面地了解模型的优缺点，并据此进行有针对性的优化。第一章首先为我们勾勒了机器学习的全貌，从基本概念、发展历程到当前的研究热点，让我对机器学习这一领域有了整体的认识。这种宏观视角的建立。
2024-09-18 13:47:46
1057
原创 “Datawhale X 李宏毅苹果书 AI夏令营”深度学习入门笔记Task3
实践方法论强调从训练数据开始，逐步分析问题并寻求解决方案。过拟合是常见问题，需通过增加数据、限制模型灵活性等方法解决。交叉验证是选择最佳模型的重要方法，需避免在验证集上过拟合。模型复杂度需适中，以平衡训练损失和测试损失。数据增强和模型限制是提升模型性能的有效手段。
2024-08-28 18:59:38
1156
原创 “Datawhale X 李宏毅苹果书 AI夏令营”深度学习进阶笔记Task1
深度学习中，优化问题常常会遇到损失函数不再下降的情况，这可能是由于收敛到了局部极小值或鞍点。：损失函数在参数空间的某个区域内达到最小值，但不一定是全局最小值。如图3.2a所示，梯度为零，且四周均为损失更高的点。：损失函数在梯度为零的点，但并非局部最小值或最大值，其形状类似于马鞍，如图3.2b所示。在鞍点附近，损失函数在某些方向上升，在某些方向下降。
2024-08-27 14:59:57
469
原创 “Datawhale X 李宏毅苹果书 AI夏令营”深度学习入门笔记Task2
通过改变不同的参数值，计算出y值，并与label进行比较，使用求平均值的方式得到Loss。
2024-08-26 01:01:58
566
原创 “Datawhale X 李宏毅苹果书 AI夏令营”深度学习入门笔记Task1
例如，可将函数写为y = b + wx，y是经过预测得到的数值，x为该视频，b,w即为要求的参数，是未知的，可以通过过去的视频播放量来确定。我们将带有未知参数的函数称为模型2.定义损失函数对于给定的数据集，损失函数计算模型在整个数据集上的平均损失（或成本）。这个平均损失代表了模型性能的“好坏”，损失越小，通常意味着模型的性能越好。苹果书中写到采用均方误差（Mean SquaredError，MSE）e = (ˆy y − y)2；
2024-08-25 18:40:07
1219
原创 “Datawhale X 魔搭 AI夏令营“ AIGC 学习笔记 Task3（优化）
CpmfyUI主要用于让生成和调整 AI 图像的过程变得更加直观和容易。它允许用户通过图形界面来控制文本到图像的生成过程中的各种参数。
2024-08-17 23:24:20
623
原创 “Datawhale X 魔搭 AI夏令营“ AIGC 学习笔记 Task2
设置正向提示词，反向提示词，执行次数，图片尺寸设置随机种子，控制图片是否可以重复生成，并将图像保存为jpg文件。整个流程涵盖了从数据加载、预处理、特征提取、模型预测到图像生成等多个方面。每一部分都有其特定的功能，共同构成了一个完整的二次元图像处理和生成的工作流。
2024-08-14 23:00:33
571
原创 “Datawhale X 魔搭 AI夏令营“ AIGC 学习笔记
利用AI生成图片利用AI生成图片的模式一共分为两种文生图：原理：AI识别并根据输入的文本自动绘制图画。挑战：保持原始图像的关键特征，同时进行图像内容的理解和变换。图生图：原理：采用一个参考图，通过算法重新组织，生成相似图片。应用场景：如一键AI绘画，指定模板生成同款等。在夏令营中会学到关于文生图的系列知识。
2024-08-11 22:22:03
492
原创 2024datawhale 分子AI预测赛笔记
在预测时，从 test 数据集中选择了从第二列开始的所有列（test.iloc[:, 1:]），但之前对 train 数据集的处理是从第三列开始的（train.iloc[:, 2:]）。只删除了 train 数据中的两个列，但没检查 test 数据中是否也存在这些列（虽然从描述中看 test 数据不包含这些列）。此外，应该检查所有数据类型和缺失值，并可能进行填充或删除。还可以对正确处理缺失值和分类变量，应该考虑使用填充缺失值（如众数、中位数、平均值或使用特定缺失值指示器）或删除包含大量缺失值的行。
2024-07-02 23:51:18
339
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人