qq_41598736的博客

利用beta分布制作连续随机数）数据增强 ，paddle实现

loss 出现nan情况

两种方式--->Bagging和Boosting的区别：1）样本选择上：Bagging：训练集是在原始集中有放回选取的，从原始集中选出的各轮训练集之间是独立的。Boosting：每一轮的训练集不变，只是训练集中每个样例在分类器中的权重发生变化。而权值是根据上一轮的分类结果进行调整。2）样例权重：Bagging：使用均匀取样，每个样例的权重相等Boosting：根据错误率不断调整样例的权值，错误率越大则权重越大。3）预测函数：Bagging：所有预测函数的权重相等。B

参考链接：https://zhuanlan.zhihu.com/p/145842317 https://zhuanlan.zhihu.com/p/31426458 https://blog.youkuaiyun.com/ying86615791/article/details/72788414

参考链接：https://my.oschina.net/u/876354/blog/1787921 https://blog.youkuaiyun.com/dcrmg/article/details/84372470?utm_medium=distribute.pc_relevant.none-task-blog-utm_term-6&spm=1001.2101.3001.4242

# 返回预测标签、print(clf.predict(x_test))# 返回预测属于某标签的概率print(clf.predict_proba(x_test))#返回样本到分隔超平面的有符号距离来度量预测结果的置信度clf.decision_function具体参考链接：https://blog.youkuaiyun.com/cxx654/article/details/106727812?utm_medium=distribute.pc_relevant.none-task-blog-.

决定系数(拟合优度)的相关概念拟合优度定义近期做多元回归分析拟合工作中，在进行线性拟合时，决定系数（又称拟合优度）上不去（卡在0.3左右）一直是困扰工作进度的一个大问题。在经过多元高阶多项式和指数多项式等方法尝试后，虽有一定提高（达到0.4左右）但仍无法达到满意程度。因此开始尝试非常规的智能算法拟合。经尝试，用BP神经网络进行拟合发现拟合优度一下涨至0.7，而经改进，采用双隐含层BP神经...