墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.7k累计阅读
1.8k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
参考：
《Machine Learning in Action》第一部分 分类
##############################################################
在监督学习（supervised learning）的过程中，只需要给定输入样本集，机器就可以从中推演出指定目标变量的可能结果。监督学习相对比较简单，机器只需从输入数据中预测合适的模型，并从中计算出目标变量的结果。
监督学习一般使用两种类型的目标变量：标称型和数值型
标称型：标称型目标变量的结果只在有限目标集中取值，如真与假(标称型目标变量主要用于分类)
数值型：数值型目标变量则可以从无限的数值集合中取值，如0.100，42.001等 (数值型目标变量主要用于回归分析)
机器学习学习笔记 --- 回归
分类算法的目标变量是标称型数据 回归的目的是预测数值型数据的目标值 回归场景： 回归的目的是预测数值型的目标值。 最直接的办法是依据输入写出一个目标值的计算公式。 回归系数 回归方程 回归原理： 线性回归 矩阵求逆（前提是逆矩阵存在，判断是否矩阵可逆，判断矩阵的行列式是否为0，若为0矩阵就不存在逆矩阵，不为0的话，矩阵才存在逆矩阵） ...
机器学习 标称型和数值型概念
参考： 《Machine Learning in Action》第一部分 分类 ############################################################## 在监督学习（supervised learning）的过程中，只需要给定输入样本集，机器就可以从中推演出指定目标变量的可能结果。监督学习相对比较简单，机器只需从输入数据中预
UCI标称型数据集（可用与聚类|分类）
15个UCI标称型数据集；可用作分类；聚类算法；分为两部分： 1）预处理之前（before）; 2）已经做完预处理（after）。
《机器学习实战》之八（一）——预测数值型数据：回归
回归目录一、前言二、回归1、用线性回归找到最佳拟合直线2、局部加权线性回归三、示例：预测鲍鱼的年龄四、总结：参考资料 一、前言 前面的章节介绍了分类，分类的目标变量是标称型数据，而本章将会对连续型的数据做出预测。本章主要学习的就是线性回归和局部加权线性回归，并配有两个示例进行实战。 二、回归 回归的目的是预测数值型的目标值。最直接的办法是依据输入写出一个目标值的计算公式。假如你想要预测姐姐...
机器学习：为什么需要对数值型的特征做归一化.md
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。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。
R语言：基于Spatstat包的单变量和双变量平面Ripley‘s K函数分析
因为网上查找得到的R语言K函数分析的资料很少，Spatstat包的介绍也很少，所以抛砖引玉。本文简单介绍了使用R语言spatstat包的Kest，Kcross(Lcross)和Kinhom方法进行了单变量和双变量平面Ripley's K函数分析的方法及代码，希望有所帮助。
系列文章（一）：机器学习与深度学习——数据预处理（数值型数据）
系列文章（一）：机器学习与深度学习中的数据预处理（数值型数据） 一、引言 无论是在机器学习还是在深度学习中（深度学习是一种机器学习的方法????）我们都需要获得大量的数据，而数据源是多种多样的。可能是一个网络数据库，一个网站，别人提供的数据，也有可能是自己利用爬虫爬取的数据，等等… 1.1 为何预处理（Why preprocessing?） Raw data is dirty and noisy Machine learning algorithms have certain constraints re
深度学习 tesorflow2.0版本 入门第一章
为什么要学tensflow 深度学习发展迅猛 框架灵活 google开发 公司应用广泛 2.0更加灵活 后面会学习的项目 图像分类 房价预测 泰坦尼克号生存预测 文本分类 文本生成 机器翻译 核心部分 模型训练 tesorboard----> 查看模型训练进度 模型保存和部署 分布式训练-----> 加速训练速度，提升训练效率 TensorFlow常用库：Tfds， tfhub，tensor2tensor 多平台云端环境GPU：Goolgle cloud环境配置，AWS环境配置 kaggle平
机器学习中的范数规则化之（一）L0、L1与L2范数
1.监督机器学习问题无非就是“minimizeyour error while regularizing your parameters”，也就是在规则化参数的同时最小化误差。最小化误差是为了让我们的模型拟合我们的训练数据，而规则化参数是防止我们的模型过分拟合我们的训练数据。多么简约的哲学啊！因为参数太多，会导致我们的模型复杂度上升，容易过拟合，也就是我们的训练误差会很小。但训练误差小并不是我们的最
U8二次开发CO-基于Net8调用COM对象
本文章介绍的U8二次开发CO技术，就是基于微软COM组件技术，使用微软开源的编程框架Net6/7/8/9来调用U8的COM组件，完成基本的登录认证，工作流处理，数据库操作等。
从理论到波形：NE555多谐振荡器设计与示波器实战验证
本文详细介绍了NE555多谐振荡器的设计原理与实战验证方法。从基础理论到电路参数计算，再到面包板搭建与示波器测量，全面解析如何利用NE555芯片实现稳定的方波输出。通过实际案例演示了频率调整、占空比优化等技巧，并提供了常见问题排查指南，帮助电子爱好者快速掌握这一经典电路设计。
算法工程师修仙之路：机器学习实战（一）
第一部分：分类 第一章 机器学习基础 在监督学习的过程中， 我们只需要给定输入样本集， 机器就可以从中推演出指定目标变量的可能结果。 监督学习相对比较简单，机器只需从输入数据中预测合适的模型，并从中计算出目标变量的结果。 监督学习一般使用两种类型的目标变量：标称型和数值型。 标称型目标变量的结果只在有限目标集中取值，如真与假、动物分类集合 {爬行类、鱼类、哺乳类、两栖类} ； 数值...
企业固定资产管理的SAP实战：FICO模块配置与折旧范围设置详解
本文深入解析了SAP FICO模块中固定资产会计配置的核心实践，重点阐述了折旧范围的设计哲学与配置逻辑。通过详解折旧表、折旧范围、资产分类及折旧码等关键配置步骤，指导企业如何搭建满足多会计准则（如CAS、IFRS）与税务要求的资产管理体系，实现资产购置、折旧计提与报废清理的自动化与精准化。
《机器学习实战》（新手入门笔记）-第1章 机器学习基础知识
特征或者属性：通常是训练样本集的列，它们是独立测量得到的结果，多个特征联系在一起共同组成一个训练样本。数值型目标变量从无限的数值集合中取值，例如：0.100，42.001，1000.743；标称型目标变量的结果只在有限目标集中取值，例如：真与假，动物分类集合；监督学习：数据有类别信息，知道预测的目标变量分类信息。含义：给定输入样本集，机器就可以从中推演出指定目标变量的可能结果。无监督学习：数据无类别信息，无目标值。目标变量：机器学习算法的预测结果。人工分析得到的数据，清除垃圾数据。
JMeter 中实现 100 个用户在 3 秒内并发登录
通过以上配置，你可以在 JMeter 中实现 100 个用户在 3 秒内并发登录
多周期路径约束（set_multicycle_path ）
1.由慢到快的多周期约束 如下图所示，发射时钟周期是接受时钟周期的4倍。默认情况下，按照1T原则来进行静态时序分析和布局布线的。即建立时间是在发射沿后的第一个捕获沿检查，而保持时间是同一时刻下源时钟和捕获时钟的触发边沿下检查的(建立时间检查边沿的前一个触发沿)。 但是这样导致的问题就是该路径过于苛刻，为了满足这条路径的要求，不得不放弃其他路径。或者根本没办法保证这个默认的约束。总之最终造成...
机器学习相关基础～
最近在看一本机器学习的书，在跟这里面在学，记个博客就当做做笔记吧～ 现在主要讨论一下 监督学习， 在监督学习里面，我们只需要给定输入样本集，机器就可以从中推演出目标变量的可能结果。所以监督学习相对来说比较简单，机器只需要从输入的数据中预测合适的模型，并且从中计算出目标变量的结果。 然后，关于监督学习的目标变量： 标称型和数值型。 两者一个很明显的差别在于
华为OD机试真题 新系统【优化充电桩调度算法】
华为OD机试 新系统真题【优化充电桩调度算法】，提供C语言、Java、C++、Python、Go、JavaScript源码实现，并提供完整思路讲解，以及在线OJ模拟做题。华为OD机试真题【优化充电桩调度算法】
机器学习实战书-第一章笔记
前几章主要讲的是监督学习。 监督学习一般使用两种类型的目标变量： 标称型和数值型。标称型目标变量的结果只在有限目标集中取值，如真与假、动物分类集合{ 爬行类、鱼类、哺乳类、两栖类、植物、真 菌 };数值型目标变量则可以从无限的数值集合中取值，如 0.100、42.001、 1000.743等 。数值型目标变量主要用于回归分析。 前七章主要研究分类算法：第二章----->最简单的...
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
机器学习_2_机器学习基础—算法分类、模型调优
机器学习算法分类、模型调优
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
机器学习实战—ch03 .决策树（ID3算法）
一、基础知识准备：1.标称型 & 数值型 标称型：标称型目标变量的结果只有在有限的目标集中取值，如True、False（标称型目标变量主要用于分类） 数值型：数值型目标变量则可以从无限的数值集合中取值，如0.100、42.001等（数值型目标变量主要用于回归分析） 2.信息熵 & 信息增益 信息熵：度量数据集合无序程度的量 信息增益：信息熵（划分数据集前） - 信息熵(划分数
机器学习中的一些专业词汇的定义（2019/07/14上午学习总结）
特征（属性）: 例如体重，身高，年龄等，用来描述一个对象的属性的值。 分类与回归： 分类问题：预测的结果是离散的 用于将事物打上一个标签，通常结果为离散值。例如判断一幅图片上的动物是一只猫还是一只狗，分类通常是建立在回归之上，分类的最后一层通常要使用softmax函数进行判断其所属类别。分类并没有逼近的概念，最终正确结果只有一个，错误的就是错误的，不会有相近的概念。最常见的分类方法是逻辑回归，或者...
《机器学习实战中文版》 决策树
决策树 1. 概述 构造树结构并按熵最小实现分类 优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特 征数据。 缺点：可能会产生过度匹配问题。 适用数据类型：数值型和标称型 2. 实现 计算出香农熵 l(xi)=−log2p(xi) l\left(x_{i}\right)=-\log _{2} p\left(x_{i}\right) l(xi)=−log2p(xi) 得出距离最近的n个距离值 在最近n个距离值中找出最多的类别 该类别即待分类数据的类别 3. 总结
2 机器学习基础
此外还需要为机器学习算法准备特定的数据格式，如某些算法要求特征值使用特定的格式，一些算法要求目标变量和特征值是字符串类型，而另一些算法则可能要求是整数类型。如果使用无监督学习算法，由于不存在目标变量值，故而也不需要训练算法，所有与算法相关的内容都集中在第5步。从上表中所列的算法中选择实际可用的算法，必须考虑下面两个问题：一、使用机器学习算法的目的，想要算法完成何种任务，比如是。只能在一定程度上缩小算法的选择范围，一般并不存在最好的算法或者可以给出最好结果的算法，同时还要。如果这是唯一的需求，则使用。
利用Adaboost元算法提高分类性能
元算法（集成方法）：将不同的分类器组合起来，而这种组合结果则被称为集合方法。使用集成方法时会有很多种形式：可以是不同算法的集成，也可以是同一算法在不同设置下的集成，还可以是数据不同部分分配飞不停地分类器之后的集成。接下来，将介绍基于同一种分类器多个不同实例的两种计算方法。最后我们将讨论如何利用机器学习问题的通用框架来应用Adaboost算法。 Adaboost 优点：泛化错误率低，易编码，可以...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
429
扫一扫
