小白冲冲冲·-优快云博客

原创安装GDAL

选择和python版本号一致的whl文件：本电脑的python是3.9即cp39, 安装在windows平台即win，最后是电脑是64位即64。网上搜了很多也全都是失败，都建议去直接按照whl格式的包。2、查找whl包下载地址。

2025-03-20 16:48:42 292

原创 Python读取xml文件

报错，是因为Python的 xml.etree.ElementTree 模块期望该文件以BOM（字节顺序标记）开头，用于指示其字节顺序。由于读取数据中有某一结点未能读取成功，由于我只需要部分的数据，对节点进行判断读取。如果成功读取数据，万事大吉，若失败，显示。

2025-03-20 14:17:32 145

原创在逻辑回归模型中，如何使用scikit-learn的LogisticRegression进行参数调优？

在逻辑回归模型中，使用scikit-learn的进行参数调优是一个重要的步骤，以提高模型的性能和泛化能力。

2025-02-13 16:55:41 393

原创机器学习--逻辑回归模型

hθxσθTx11e−θTxhθxσθTx1e−θTx1θ\thetaθ为模型参数σz\sigma(z)σz是sigmoid函数。

2025-02-13 16:48:16 709

效率：SGD和MB-SGD在大规模数据集上表现优异，尤其是SGD在需要快速迭代的场景中更具优势。MB-SGD则在平衡效率和准确性方面表现最佳。准确性：MB-SGD在大规模数据集上通常优于SGD和BGD，因为它结合了两者的优点，既减少了波动性，又提高了收敛速度。综上，梯度下降及其变种在大规模数据集上的表现取决于具体的应用场景和需求。如果需要快速迭代，可以选择SGD；震荡减少NAG通过“提前看一步”的机制显著减少了震荡现象，而动量虽然也能减少震荡，但在某些情况下可能会因过冲而增加震荡。收敛速度。

2025-02-12 10:44:42 726

原创常用优化器的原理及工作机制详解

GD/MB-SGD：基础方法，需手动调参。：加速收敛，减少震荡。：自适应学习率，适合非平稳目标。Adam：综合性能优异，推荐作为默认选择。优化器核心思想适用场景缺点GD全局最优方向小数据集/凸问题计算成本高SGD随机采样加速在线学习震荡严重Momentum惯性加速高曲率区域需调动量系数NAG前瞻性梯度计算复杂损失曲面实现复杂度稍高AdaGrad参数自适应学习率稀疏数据学习率过早衰减滑动窗口自适应非平稳目标对初始化敏感Adam动量+自适应。

2025-02-12 10:33:02 1116

原创 K近邻算法：原理、注意事项、应用场景与Python实现

KNN算法是一种简单易懂、易于实现的监督学习算法，适用于分类和回归任务。在使用KNN算法时，需要注意K值的选择、数据预处理和计算复杂度等问题。通过合理选择K值和进行数据预处理，可以提高KNN算法的性能。

2025-02-10 09:23:53 782

原创【机器学习】机器学习中重要的数学定义（公式、代码实现）

在如今超火的人工智能浪潮里，机器学习绝对是那颗最闪亮的星✨ 不管是超厉害的图像识别、超智能的自然语言处理，还是超贴心的推荐系统、超酷炫的自动驾驶，都离不开机器学习的身影。但是！在这些神奇算法的背后，数学才是真正的 “大 boss”，是它在默默支撑着一切～今天，就让我们一起冲进机器学习的数学小宇宙，把 25 个最重要的数学定义一一揪出来，搭配上超详细的公式推导和超有趣的代码实战，保准让你全方位拿捏机器学习的数学核心🧐。

2025-02-07 16:47:51 1013

原创机器学习 —— 深入剖析线性回归模型

线性回归是机器学习中最为基础的模型之一，主要用于解决回归问题，即预测一个连续的数值。其核心思想是构建线性方程，描述自变量（特征）和因变量（目标值）之间的关系。简单来说，若有一个自变量xxx和一个因变量yyyyθ0θ1xyθ0θ1x，其中θ0\theta_0θ0是截距，θ1\theta_1θ1是斜率，也被称为回归系数。通过这条直线，我们尝试让模型预测值尽可能接近真实值。不同的线性回归模型各有特点，在实际应用中需要根据具体情况选择合适的模型。

2025-02-07 15:33:24 1066