Maxwell_li1的博客

本文系统梳理了机器学习三大任务模型及其评估方法： 回归模型：包括线性回归、决策树回归和SVM回归（效果较差），评估指标以R²和均方误差为主 分类模型：涵盖逻辑回归、决策树、SVM和朴素贝叶斯，重点评估指标为查准率、召回率和F1得分 聚类模型：对比K-means（基于原型）、DBSCAN（基于密度）和层次聚类，使用轮廓系数评估聚类效果 各模型均给出核心特点、适用场景及API调用方式，形成完整的机器学习知识框架。

本文梳理了机器学习核心知识点和常用工具包，主要包括： 三大类模型： 回归模型：线性回归、决策树、SVM 分类模型：逻辑回归、决策树、SVM、朴素贝叶斯 聚类模型：kmeans、DBSCAN、层次聚类 评估方法： 回归：R2得分、均方误差 分类：查准率、召回率、F1得分 聚类：轮廓系数 核心工具包及功能： NumPy：科学计算基础 sklearn：提供预处理、模型构建和评估模块 Matplotlib：数据可视化 pickle：模型持久化 关键实现代码： 线性回归及正则化变体 多项式回归 决策树回归 模型评估指

本文介绍了Python在微积分和概率统计中的应用指南。主要内容包括： 求导基础与实战：讲解了求导的四大意义（变化率、切线斜率、优化问题、几何对称性），并演示了使用SymPy库进行多项式、三角函数、指数函数和对数函数求导的方法。 积分基础与实战：阐述了积分的几何意义和数学意义，展示了如何使用SymPy计算不定积分和定积分，包括常见函数的积分规则。 概率分布函数：重点介绍了scipy.stats库中的三大核心函数：cdf（累积分布函数）、ppf（分位点函数）及其应用场景，如计算概率、确定临界值等。 文章通过代码

本文介绍了机器学习中的数据预处理技术及其在回归模型中的应用。主要内容包括： 数据预处理：详细讲解了标准化（Z-Score）、归一化（Min-Max）和L1/L2归一化的原理、数学公式及实现方法，强调预处理对模型性能的重要性。 回归模型：涵盖线性回归、多项式回归和正则化回归的核心概念，分析不同回归方法的适用场景。 实践指导：提供Python代码示例展示如何使用sklearn实现数据预处理，并讨论模型评估与保存的最佳实践。 文章通过直观类比和数学公式相结合的方式，帮助读者理解预处理技术的本质，并给出标准化与归一

HMM前向算法通俗解析 本文用生活化例子直观讲解隐马尔可夫模型(HMM)的前向算法。通过"天气-打伞"的类比，将复杂的数学公式转化为容易理解的动态过程：算法通过逐日计算三种天气状态(晴/阴/雨)的可能性，考虑前一天所有可能的转移路径，并乘以当前观测(打伞/不打伞)的概率。最终将所有可能路径的概率相加，得到整个观测序列出现的总概率。核心思想可概括为：当前状态概率=(前一天各状态转移概率之和)×当前观测概率。这种分解方法使复杂的序列概率计算变得清晰可操作。

全连接层中每个神经元与上一层所有神经元相连。公式：其中( W )：权重矩阵( b )：偏置向量( x )：输入向量( y )：输出向量多通道输入 → 每个卷积核对每个通道单独卷积 → 结果求和 → 输出一个特征图。GAN = 生成器（造假） + 判别器（识假）通过对抗训练，让模型学会**“创造真实感数据”**。