jackmeng的博客

原创 深度学习之--Rnn--图像识别应用

------------------------------------------------------------以下是Rnn图像识别的调用流程--------------------------ax1.plot(training_history['train_loss'], label='训练损失', color='blue')ax1.plot(training_history['val_loss'], label='验证损失', color='red')

原创 机器学习---决策树

显然A集合的熵值要低，因为A里面只有两种类别，相对稳定一些 而B中类别太多了，熵值就会大很多。想象一下：我们的目标应该是根节点就像一个老大似的能更好的切分数据 （分类的效果更好），根节点下面的节点自然就是二当家了。目标：通过一种衡量标准，来计算通过不同特征进行分支选择后的分类 情况，找出来最好的那个当成根节点，以此类推。就可以了，那么难点就在于如何构造出来一颗树，这就没那么容易了，需。一个栗子： A集合[1,1,1,1,1,1,1,1,2,2]

原创 CNN深度学习模型在小说创作领域的应用

CNN在小说创作中的应用主要包括风格模仿、情节结构识别、情感节奏控制和人物对话生成。通过多尺度卷积网络捕捉不同层次的文本特征，结合BERT编码和注意力机制，实现作家风格迁移、情节结构规划和情感变化建模。系统采用模块化设计，包含风格分类、情节分析和情感控制模块，通过特征融合指导文本生成。该方法特别适用于短篇创作、风格模仿和情感节奏控制等场景，为AI辅助写作提供了新的技术路径。

原创 深度学习之----Bert模型

给模型输入两个句子 A 和 B，其中 50% 的情况下 B 是 A 的真实下一句，50% 的情况下 B 是从语料库中随机抽取的句子。传统语言模型（如 ELMo、GPT-1）要么是单向（从左到右），要么是浅层拼接的双向。使用较小的学习率，因为预训练权重已经很好。将序列填充（pad）或截断（truncate）到模型要求的固定最大长度（如 512）。在预训练好的 BERT 模型之上，添加一个简单的、与任务相关的输出层（通常很轻量）。：序列开头，其最终层的输出常被用作整个序列的聚合表示，用于分类任务。

原创 深度学习之----对抗生成网络-pytorch-CycleGAN-and-pix2pix

生成对抗网络架构原理解析

原创 深度学习---新闻数据文本分类---pytorch

文本分类

原创 深度学习--lstm---股票预测

------------------------------------------------以下是调用流程图------------------------------------------------------

原创 深度学习---Rnn-文本分类

【代码】深度学习---Rnn-

原创 深度学习--全连接神经网络（FCNN）与卷积神经网络（CNN）的区别

深度学习---全连接神经网络和卷积神经网络的区别对比

原创 深度学习---神经元网络---天气预测

使用神经元网络实现天气预测

原创 机器学习之---决策树模型进行量化交易

axes[2].scatter(sell_signals, backtest_df.loc[sell_signals, 'Close'], color='red', marker='v', label='卖出信号')-------------------------------------------------------下面是调用流程图--------------------------------------------------

原创 机器学习之聚类算法---相关性强的资产组合和识别市场异动板块

plt.scatter(centers[:, 0], centers[:, 1], s=200, marker='X', c='red', alpha=0.8, label='聚类中心')print(f"资产: {row['asset']}, 聚类: {row['cluster']}, 距离: {row['distance']:.4f}")method: 组合构建方法，可选'best_cluster'(最佳聚类)、'diverse'(多样化)、'custom'(自定义)

原创 机器学习之支持向量机---svm 进行工业缺陷检测

------------------------------------------------下面是调用流程图--------------------------------------------------------+--------------------------------------------------+plt.plot(fpr, tpr, color='darkorange', lw=2, label=f'ROC曲线 (AUC = {roc_auc:.3f})')

原创 机器学习之----贝叶斯-----工业异常监测应用

----------------------------------下面是调用流程-------------------------------------------------------------------------plt.axhline(y=0.5, color='r', linestyle='--', label='阈值 (0.5)')print(f"类别分布: 正常={np.sum(y==0)}, 异常={np.sum(y==1)}")

原创 机器学习之逻辑回归---工业应用场景

plt.axvline(x=best_threshold, color='r', linestyle='--', label=f'最佳阈值: {best_threshold:.2f}')--------------------------------下面是调用流程--------------------------------------------print(f"类别分布: 0={np.sum(y==0)}, 1={np.sum(y==1)}")

原创 机器学习应用案例---线性回归之经济预测

classifier.plot_confusion_matrix(y_test, y_pred, title="用户标签分类混淆矩阵", save_path="user_confusion_matrix.png")classifier.plot_feature_importance(features, title="用户标签分类特征重要性", save_path="user_feature_importance.png")}).sort_values('系数', ascending=False)

原创 深度学习---神经网络

原创 机器学习---聚类算法

直接密度可达：若某点p在点q的 r 邻域内，且q是核心点则p-q直接密度可达。直接密度可达：若某点p在点q的 r 邻域内，且q是核心点则p-q直接密度可达。噪声点：不属于任何一个类簇的点，从任何一个核心点出发都是密度不可达的。之间的距离，距离按照从小到大的顺序排序，d(k)就被称为k-距离。MinPts： k-距离中k的值，一般取的小一些，多次尝试。核心对象：若某个点的密度达到算法设定的阈值则其为核心点。密度相连：若从某核心点p出发，点q和点k都是密度可达的。ϵ-邻域的距离阈值：设定的半径r。

原创 机器学习---逻辑回归

3、解释：将任意的输入映射到了[0,1]区间 我们在线性回归中可以得到一个预测值，再将该值映射到Sigmoid 函数 中这样就完成了由值到概率的转换，也就是分类任务。1、逻辑回归解决的问题是是分类问题，可以是二分类也可以是多分类。是一个经典的二分类算法。解释：对于二分类任务（0，1），整合后y取0只保留。，自变量取值为任意实数，值域为[0,1].此时应用梯度上升求最大值，引入。4、sigmoid函数。

原创 java代码编程规范

java编程规范

原创 机器学习---线性回归之源码解析

以下代码是：prepare_for_training的源码。

原创 机器学习---线性回归

高斯分布：银行可能会多给，也可能会少给，但是绝大多数情况下 这个浮动不会太大，极小情况下浮动会比较大，符合正常情况。寻找山谷的最低点，也就是我们的目标函数终点 （什么样的参数能使得目标函数达到极值点）批处理数量：32，64，128都可以，很多 时候还得考虑内存和效率。（每次找一个样本，迭代速度快，但不一定每次都朝着收敛的方向）（容易得到最优解，但是由于每次考虑所有样本，速度很慢）学习率（步长）：对结果会产生巨大的影响，一般小一些。（2）：走那么一小步，走快了该”跌倒 ”了。（1）：找到当前最合适的方向。

原创 机器学习总结

机器学习总结