yzx991013的博客

file_path, _ = QFileDialog.getSaveFileName(self, "保存图片", "", "PNG文件 (*.png);self, "选择数据文件", "", "CSV文件 (*.csv);QMessageBox.critical(self, "错误", f"数据加载失败: {str(e)}")QMessageBox.warning(self, "警告", "特征列和目标列不能相同")QMessageBox.warning(self, "警告", "请先加载数据文件")

开发全球首个融合「环境感知+生物识别+边缘计算」的智能哨兵系统，打造适配监狱/边防、化工厂、地质灾害监测等高危场景的低成本、高可靠性安防解决方案。：YOLOv10优化算法（准确率99.5%）、遥感数据融合建模、轻量化防爆设计。▶核心功能：多模态生物识别（支持遮挡/夜间）、环境风险预警、地形自适应巡逻。（可加入3D渲染图：机器人外观、交互界面、多地形应用场景）：监狱/边防巡逻、化工厂区、地质灾害监测、野外能源设施。地形建模负责人：多源数据融合建模、复杂场景路径规划。SenseGuardTech）商业计划书。

使用 info 函数产看数据的信息。

df.rename(columns={'PIRATIO': 'PTRATIO'}, inplace=True) # 更正列名。X_b_train = np.c_[np.ones((len(X_train), 1)), X_train] # 添加偏置项。selected_feature = medv_corr.index[1] # 最相关的特征（排除MEDV自身）theta = np.random.randn(2, 1) # 初始化参数。# 1. 读取数据（假设数据已保存为 housing.csv）

2. 几个*隐藏*层，每层由许多*神经元*组成。每个神经元都有能力通过其权重来影响网络的预测，权重的值将随着网络获得有关其性能的反馈而在多次迭代中进行更新。您将了解有关激励函数的更多信息，但是现在，我们将使用`relu`激励函数。简而言之，它将帮助我们的网络做出比使用线性激励函数更为复杂的预测。其中，`units`参数指定该层中神经元的数量。我们将使用`512`，这是一个很好的起始值。在准备好训练用的数据之后，现在该创建我们的模型了。3. 输出层，它将描述网络对给定图像的预测。

loss = np.mean((y_pred - y) ** 2) #计算均方误差损失函数值。y_pred = np.dot(X, self.w) + self.b #计算预测值。self.w = np.zeros(X.shape[1]) #初始化权重为0。self.loss.append(loss) #保存损失值。self.loss = [] #用于存储每次迭代的损失值。#5. 绘制损失函数曲线。

1.2.3.4.

print(f"最终的训练结果方程: y = {best_params['weights'][0]} * X + {best_params['bias'][0]}")print(f"最优学习率: {best_params['learning_rate']}")print(f"最优迭代次数: {best_params['iterations']}")plt.title("广告模型损失曲线")plt.ylabel("损失值")# 定义广告预测模型损失函数。# 绘制广告模型损失曲线。# 广告数据归一化处理。

print(f"最终的训练结果方程: y = {final_weights[0]} * X + {final_bias[0]}")print(f"最终的训练结果方程: y = {final_weights[0]} * X + {final_bias[0]}")print(f"最终的训练结果方程: y = {final_weights[0]} * X + {final_bias[0]}")weights = np.array([[-5]], dtype=np.float64) # 初始权重。

过程还是很漫长的，毕竟2.6GB 的无数个小文件，请耐心等待，如上图（图1-9）所示。Install for: Just me 还是 All Users，假如你的电脑有好几个 Users，才需要考虑 这个问题.其实我们电脑一般就一个User，就我们一个人使用，如果你的电脑 有多个用户，选择All Users，我这里直接All User，继续点击Next，如上图 （图1-6）所示。选择完安装位置以后（注意：该文件夹必须是空的，且红色方 框中的地址不包含中文，否则会报错），点击确定，如上图（图1 8）所示。

其包含的科学库包括Conda、NumPy、SciP y、IPython Notebook 等。机器学习常用的开发工具有 Anaconda、Pychram、Jupyter Notebook，常用的库有Numpy、Pandas、Matplotilib、scikit-learn， 常用的框架有TensorFlow、Keras、PyTorch。一个完整的机器学习模型训练的过程可拆分为诸多个步骤，包括 前期的问题分析、数据准备、中期的模型训练与调优以及后期的性能 度量与模型选择，机器学习的通用流程如下图所示。

算法

机器学习是人工智能的一个分支，它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。简单来说，就是让计算机通过数据和算法来自动学习和改进，而不需要被明确编程来执行特定任务。