bug是什么-优快云博客

原创 Centos7安装Docker错误，显示container-selinux ＞= 2:2.74，fuse-overlayfs ＞= 0.7，slirp4netns ＞= 0.4

显示container-selinux >= 2:2.74，fuse-overlayfs >= 0.7，slirp4netns >= 0.4。如果container-selinux包有冲突需要卸载之前的包。启动docker systemctl start docker。Centos7安装docker运行命令。需要手动安装依赖包，运行以下命令。

2025-03-29 16:58:05 100

原创机器学习之常见的数据分布

伯努利分布、二项分布、泊松分布、正态分布、指数分布

2024-07-14 10:56:22 576

比如在分类任务中，不同类别的训练样例数目常存在差异大的情况，这时样本不均衡往往会出现模型对样本数较多的类别过拟合、对较少的类别欠拟合的现象，即总是将样本分到样本数较多的分类类别中。在实际的数据中，不但会存在样本不均衡问题，而且还经常伴随着不同类别的样本重叠问题，如果直接进行SMOTE过采样，虽然minority classes样本数目增多了，但是样本的重叠反而加剧了，很明显这并不利于分类。当得到Tomek Link之后，移去所有的Tomek Link并且反复进行，会使样本的重叠大大减小，从而有利于分类。

2024-07-14 10:32:39 1110

原创机器学习之缺失值处理

数据产生缺失，存在多种因素，录入数据时的疏忽或错误，例如错过数据记录、输入错误、设备故障等。由于设备故障、网络问题或存储介质损坏，导致数据丢失。从不同系统或文件中导入数据时的格式或解析错误。

2024-07-13 23:48:50 567

原创机器学习之特征融合

模型优化方法：研究模型学习曲线，判断模型是否过拟合或者欠拟合并做出相应的调整；对模型权重参数进行分析，对于权重绝对值高或低的特征，可以进行更细化的工作，也可以进行特征组合；进行Bad-Case分析，针对错误的例子确定是否还有地方可以修改挖掘；进行模型融合。

2024-07-13 22:43:58 765

原创机器学习之特征优化

合成特征（Synthetic Features）是通过对现有特征进行变换、组合或衍生得到的新特征。这些新特征可以捕捉原始数据中隐含的模式或关系，从而提升模型的表现和预测能力。合成特征在特征工程中起着重要作用，特别是在提高模型的复杂性和表达能力方面。包括以下类型：（1）将一个特征与其本身或其他特征相乘（称为特征组合）（2）两个特征相除（3）对连续特征进行分桶（分箱），以分为多个区间分箱。

2024-07-08 22:04:18 949

原创机器学习之模型调参

调参（Hyperparameter Tuning）是机器学习中优化模型性能的关键步骤之一。它指的是对模型的超参数进行选择和优化，以便在验证集或测试集上获得最佳的模型性能。超参数是模型在训练之前需要设置的参数，它们不同于模型在训练过程中学习到的参数（如权重和偏差）。并介绍了调参的方法，网格搜索。验证曲线和学习曲线的概念。

2024-07-08 16:03:25 669

原创机器学习之交叉验证

交叉验证（Cross Validation）是一种用于评估机器学习模型性能的统计方法，它通过将数据集划分为多个子集，通过重复训练和验证过程来评估模型的泛化能力。交叉验证能够有效地避免模型过拟合，并提供更可靠的模型性能评估。主要包含简单交叉验证、K折交叉验证、留一法交叉验证和留P法交叉验证。

2024-07-07 19:48:17 1108

原创机器学习之模型的泛化与正则化

本文介绍了模型的泛化以及正则化内容，详细介绍了L1正则化与L2正则化，最后介绍了回归模型的评估指标和调用方法。

2024-07-07 19:19:12 842

原创机器学习之模型评估的概念和方法

本文主要介绍了机器学习中关于模型评估的欠拟合和过拟合问题，并用多项式回归改善了线性回归中的欠拟合问题。

2024-07-06 17:09:37 635 1

原创机器学习之模型训练

机器学习中回归模型训练方法，包含线性回归、k近邻回归、决策树回归、集成学习回归（随机森林、lightGBM回归），并用python实现各种回归模型的调用方法。

2024-07-06 12:52:00 350

原创傅里叶级数（狄利克雷收敛定理，周期延拓系数公式）

狄利克雷收敛定理：

2022-11-11 18:18:52 1801

LMS最小均方自适应滤波去噪算法

最小均方算法（Least Mean Squares, LMS）是一种用于自适应滤波的算法，广泛应用于信号处理和控制系统中。该算法的主要目的是在动态环境中，通过调整滤波器的系数，最小化输出信号与期望信号之间的均方误差。根据最小均方均方误差准则以及均方误差曲面，自然的我们会想到沿每一时刻均方误差的陡下降在权向量面上的投影方向更新，也就是通过目标函数的反梯度向量来反复迭代更新。由于均方误差性能曲面只有一个唯一的极小值，只有收敛步长选择恰当，不管初始权向量在哪，最后都可以收敛到误差曲面的最小点，或者是他的一个邻域内。具体做法： 1）用matlab录制一段音频，并加入-3dB的噪声，进行仿真得到原始波形图和加入噪声的波形图； 2）进行LMS自适应滤波处理： ①初始化滤波器参数，包括步长mu=0.01和滤波器阶数filterOrder=32； ②在每次迭代中，基于公式计算滤波器输出y、误差e并更新权重W； ③记录滤波器的输出信号和误差信号。 LMS自适应算法是一种特殊的梯度估计，不必重复使用数据，也不必对相关矩阵和互相关矩阵进行运算，只需要在每次迭代时利用输入向量和期望响应，结构简单，易于实现。

2024-05-12

信息论与编码课程设计——霍夫曼编码

一、霍夫曼编码：实现任意Q符号的N重序列信源的最优R进制编码，这里： 8<=Q<=15,3<=R<=5,1<=N<=3 编程要求：一、编程语言不限。二、编写的程序应具备在windows下的可视化操作界面，不同的编码类型用不同的菜单加以分割。三、对于霍夫曼编码应该具备输入Q、N、R的能力，而费诺、香农编码能够输入Q。四、不同编码类型均应当展现编码的结果，平均码长、信息熵等性能指标。丙. 提交要求一、程序提交要求：具备完整的编程文件：包括调用的函数库、各种脚本程序文件，以保证能够在相应的软件环境下能够正常运行程序，要有能够在windows下独立运行的exe文件。二、课程设计提交要求：具备完整的课程设计报告：包括设计目的、内容、流程、结果展示等内容的doc文档，包括打印版本与电子版本。一、霍夫曼编码：实现任意Q符号的N重序列信源的最优R进制编码，这里： 8<=Q<=15,3<=R<=5,1<=N<=3 一、霍夫曼编码：实现任意Q符号的N重序列信源的最优R进制编码，这里： 8<=Q<=15,3<=R<=5,1<=N<=3 一、霍夫曼编码：实现任意Q符号的N重序列信源

2022-05-21

基于opencv的人脸识别和口罩检测

基于opencv的人脸识别和口罩检测，附有代码和报告，运用PCA和LBP等算法和处理方法。基于opencv的人脸识别和口罩检测，附有代码和报告，运用PCA和LBP等算法和处理方法。基于opencv的人脸识别和口罩检测，附有代码和报告，运用PCA和LBP等算法和处理方法。基于opencv的人脸识别和口罩检测，附有代码和报告，运用PCA和LBP等算法和处理方法。基于opencv的人脸识别和口罩检测，附有代码和报告，运用PCA和LBP等算法和处理方法。基于opencv的人脸识别和口罩检测，附有代码和报告，运用PCA和LBP等算法和处理方法。基于opencv的人脸识别和口罩检测，附有代码和报告，运用PCA和LBP等算法和处理方法。基于opencv的人脸识别和口罩检测，附有代码和报告，运用PCA和LBP等算法和处理方法。基于opencv的人脸识别和口罩检测，附有代码和报告，运用PCA和LBP等算法和处理方法。基于opencv的人脸识别和口罩检测，附有代码和报告，运用PCA和LBP等算法和处理方法。基于opencv的人脸识别和口罩检测，附有代码和报告，运用PCA和LBP等算法和

2022-05-18

基于百度aip以及图灵机器人的语音交互——聊天查询天气机器人

调用百度AI及图灵机器人aip进行语音识别，语音合成，人机交互，实现简单的人机交互，简单对话以及天气查询。调用百度AI及图灵机器人aip进行语音识别，语音合成，人机交互，实现简单的人机交互，简单对话以及天气查询。调用百度AI及图灵机器人aip进行语音识别，语音合成，人机交互，实现简单的人机交互，简单对话以及天气查询。调用百度AI及图灵机器人aip进行语音识别，语音合成，人机交互，实现简单的人机交互，简单对话以及天气查询。调用百度AI及图灵机器人aip进行语音识别，语音合成，人机交互，实现简单的人机交互，简单对话以及天气查询。调用百度AI及图灵机器人aip进行语音识别，语音合成，人机交互，实现简单的人机交互，简单对话以及天气查询。调用百度AI及图灵机器人aip进行语音识别，语音合成，人机交互，实现简单的人机交互，简单对话以及天气查询。调用百度AI及图灵机器人aip进行语音识别，语音合成，人机交互，实现简单的人机交互，简单对话以及天气查询。调用百度AI及图灵机器人aip进行语音识别，语音合成，人机交互，实现简单的人机交互，简单对话以及天气查询。调用百度AI及图灵机器人ai

2022-05-17

数字无线电课程设计-基于带通采样结构的模拟普通调幅（AM ）数字收发机的设计

基于带通采样结构的模拟普通调幅（AM ）数字收发机的设计 1.调制信号为； 2.调制方式为普通AM，调制指数； 3.发射机采用正交调制方式； 4.接收机采用数字射频接收机方式完成，其数字前端尽可能采用高效结构； 5.调制载波为，采用短波AM广播频段，设置为学生学号后6位的4倍，如某同学学号为2017020901001，则该位同学应用的= 4×901001 =3,604,004Hz； 6.课程设计建议采用Matlab编程完成，设计报告和Matlab仿真程序提交电子档文件；电子档文件通过云班课发送（或者发送给助教，email标题格式为“数字无线电课程设计-姓名-学号” ），电子档文件统一用.rar压缩文件格式，文件名格式为“数字无线电仿真报告-姓名-学号”。