特征选择-机器学习第22页

ChatGPT高效提问—prompt常见用法（续篇五）

例如，想生成科技类文章，可以将“人工智能”“机器学习”等关键词作为种子词，这些词可以帮助ChatGPT更好地理解文章主题。使用种子词可以引导ChatGPT生成更准确的回复

Bruce_Liuxiaowei·2024-02-09 20:00

Python自动驾驶无人机与飞行控制

Python作为一种高级编程语言，具有代码简洁易读的特点，同时也是机器学习领域的

心梓知识·2024-02-09 20:25

无人机图像识别技术研究及应用，无人机AI算法技术理论，无人机飞行控制识别算法详解

这种技术涉及到多个学科领域，包括图像处理、计算机视觉、机器学习等。技术定义和基本原理无人机图像识别技术是指通过对无人机拍摄的图像进

创小董·2024-02-09 20:24

【吴恩达机器学习】第八周—聚类降维Kmeans算法

31.jpg1.聚类(Clustering)1.1介绍之前的课程介绍的都是监督学习、而聚类属于非监督学习，在一个典型的监督学习中，我们有一个有标签的训练集，我们的目标是找到能够区分正样本和负样本的决策边界，在这里的监督学习中，我们有一系列标签，我们需要据此拟合一个假设函数。与此不同的是，在非监督学习中，我们的数据没有附带任何标签，我们拿到的数据就是这样的：1.png在这里我们有一系列点，却没有标签

Sunflow007·2024-02-09 20:26

可解释性AI（XAI）：揭开神秘的人工智能面纱

在人工智能领域，我们经常听到的是机器学习、深度学习，但这些黑盒子似的系统常常让人一头雾水。可解释性AI就是力图让这些

洞深视界·2024-02-09 19:42

PyTorch中的随机森林详解

随机森林（RandomForest）是一种强大的机器学习算法，用于解决分类和回归问题。它是一个基于集成学习的方法，通过组合多个决策树的预测结果来提高模型的性能和鲁棒性。

洞深视界·2024-02-09 19:11

吴恩达机器学习笔记（2）

一.逻辑回归1.什么是逻辑回归？逻辑回归是一种预测变量为离散值0或1情况下的分类问题，在逻辑回归中，假设函数。2.模型描述在假设函数中，，为实数，为Sigmoid函数，也叫Logistic函数。模型解释：，即就是对一个输入，的概率估计。损失函数的理解：所谓最大似然估计，就是我们想知道哪套参数组合对应的曲线最可能拟合我们观测到的数据，也就是该套参数拟合出观测数据的概率最大，而损失函数的要求是预测结果

python小白22·2024-02-09 18:11

大数据思考：面对海量数据时，选择哪种模式才是更适合自己的？

我所说的不仅仅是多年来我们都喜欢的科幻小说中“天网正在接管地球”式的人工智能，而是人工智能和机器学习已经逐渐成为我们日常生活中的实际应用.大数据是人工智能与机器学习的生命线和支柱。

Akamai中国·2024-02-09 18:47

【闲谈】初识深度学习

一、浅谈深度学习深度学习是机器学习的一个子领域，它使用多层神经网络来模拟人脑处理和分析数据的能力。与传统的机器学习算法相比，深度学习能够自动提取数据的高级特征，无需人工设计特征提取器

爱写代码的July·2024-02-09 17:23

统计学习方法笔记之决策树

可以看出，决策树算法一般包含特征选择，决策树的生成与决策树的剪枝过程。特征选择信息增益熵和条件熵在了解

Aengus_Sun·2024-02-09 17:51

基于机器学习PAI实现精细化营销

关于机器学习PAI实现精细化营销的详细内容：机器学习PAI实现精细化营销（本课程通过一个简单案例了解、掌握企业营销中常见的、也是必需的精准营销数据处理过程，了解机器学习PAI的具体

xmvip01·2024-02-09 16:29

机器学习之T与F分布

T分布T分布：数学期望为mu=0，方差：σ2=nn−2(n>2)\sigma^2=\frac{n}{n-2}\quad(n>2)σ2=n−2n(n>2)。相同自由度情况下，|t|越大，概率P越小；设X～N（0，1），Y～χ2（n），并且X和Y独立，则称随机变量t=XYnt=\frac{X}{\sqrt{\frac{Y}{n}}}t=nYX服从自由度为n的t分布，记为t～t（n），t（n）分布的概率

WEL测试·2024-02-09 16:25

AI与Python - 深度学习

神经网络是机器学习的一种模型。在20世纪80年代中期和90年代初期，在神经网络中进行了许多重要的建筑改进。在本章中，您将了解有关深度学习的更多信息，这是一种人工智能的方法。

weixin_42238387·2024-02-09 15:01

【机器学习】Kmeans如何选择k值

确定K值是K-means聚类分析的一个重要步骤。不同的K值可能会产生不同的聚类结果，因此选择合适的K值非常重要。以下是一些常见的方法来选择K值：手肘法：该方法基于绘制聚类内误差平方和（SSE）与K值之间的关系图。随着K值的增加，SSE会逐渐降低，但降低幅度逐渐减小。手肘法的目标就是找到SSE下降的速度开始变慢的“拐点”，这个点就是最佳的K值。轮廓系数法：该方法基于每个数据点与它所属的聚类中心的距离

TwcatL_tree·2024-02-09 15:29

政安晨：快速学会～机器学习的Pandas数据技能（三）（重命名与合并）

使用机器学习处理数据的第一步就得先理解它，咱们现在就帮助它们一起理解起来。

政安晨·2024-02-09 14:38

政安晨：快速学会～机器学习的Pandas数据技能（五）（分组和排序）

提升您的洞察力水平，数据集越复杂，这一点就越重要。概述映射允许我们逐个值地转换DataFrame或Series中的数据，针对整个列进行操作。然而，通常我们希望对数据进行分组，然后对所在组进行特定操作。正如你将学到的，我们可以通过groupby()操作来实现这一点。我们还将涵盖一些额外的主题，例如更复杂的索引DataFrame的方式，以及如何对数据进行排序。群组分析咱们接着前几篇的文章继续处理数据，

政安晨·2024-02-09 14:07

自然语言学习nlp 六

p=118DeltaTuning，尤其是在自然语言处理（NLP）和机器学习领域中，通常指的是对预训练模型进行微调的一种策略。

wangqiaowq·2024-02-09 12:46

基于新版PyCharm、Anaconda3、django3框架开发内容发布系统

原先我们团队使用的环境是Anaconda3-2019.07、pycharm-professional-2018.3.5、python3.7，并做了一些爬虫项目，后来由于人工智能机器学习的需要，于是升级版本

mys328·2024-02-09 11:39

Spark是什么？与MapReduce的对比

目前Spark集成了SQL查询，图处理，机器学习，流处理等，在计算引擎中生态比较健全，所以其适用范围比较广。

Tim在路上·2024-02-09 10:27

机器学习 | 深入集成学习的精髓及实战技巧挑战

目录xgboost算法简介泰坦尼克号乘客生存预测(实操)lightGBM算法简介《绝地求生》玩家排名预测(实操)xgboost算法简介XGBoost全名叫极端梯度提升树，XGBoost是集成学习方法的王牌，在Kaggle数据挖掘比赛中，大部分获胜者用了XGBoost。XGBoost在绝大多数的回归和分类问题上表现的十分顶尖，接下来将较详细的介绍XGBoost的算法原理。最优模型构建方法：构建最优模

亦世凡华、·2024-02-09 10:16

机器学习系列——（十七）聚类

引言在当今数据驱动的时代，机器学习已经成为了解锁数据潜能的关键技术之一。其中，聚类作为机器学习领域的一个重要分支，广泛应用于数据挖掘、模式识别、图像分析等多个领域。

飞影铠甲·2024-02-09 09:08

机器学习（1）——Python数据处理与绘图

目录1numpy数组使用1.1numpy生成数组1.2numpy数组属性1.3数组的索引和切片1.4numpy数组运算1.5随机数1.6数组副本和视图1.7数组重塑1.8数组连接与拆分1.8.1数组连接1.8.2数组拆分2scipy包的使用2.1scipy包中的模块2.2常数模块的使用2.3特殊函数模块的使用2.4信号处理模块2.5空间结构模块2.6优化器2.6稀疏矩阵2.7图结构3pandas包

WHJ226·2024-02-09 09:30

【机器学习】决策树

文章目录一.决策树算法简介二.决策树构建步骤三.特征说明3.1信息增益（InformationGain,IG）3.2基尼不纯度（GiniImpurity）四.剪枝策略五.决策树的评估六.代码实践例1：决策树分类例2：决策树回归补充：可视化例3：剪枝策略一.决策树算法简介决策树（DecisionTree）用于分类和回归任务。它通过构建树状模型来进行决策。决策树算法的基本思想是基于数据特征进行递归分裂

如果皮卡会coding·2024-02-09 09:18

【深度学习：SegGPT】在上下文中分割所有内容 [解释]

结论每年，CVPR都会汇集来自计算机视觉和机器学习领域的一些最聪明的工程师、研究人员和学者。上个月感觉越来越接近计

jcfszxc·2024-02-09 09:10

【机器学习】数据清洗之识别缺失点

个人主页：甜美的江欢迎点赞✍评论⭐收藏收录专栏：机器学习希望本文对您有所裨益，如有不足之处，欢迎在评论区提出指正，让我们共同学习、交流进步！

甜美的江·2024-02-09 08:34

机器学习系列——（十八）K-means聚类

引言在众多机器学习技术中，K-means聚类以其简洁高效著称，成为了数据分析师和算法工程师手中的利器。无论是在市场细分、社交网络分析，还是图像处理等领域，K-means都扮演着至关重要的角色。

飞影铠甲·2024-02-09 08:04

解锁机器学习多类分类之门：Softmax函数的全面指南

在机器学习中，特别是在处理多类分类问题时，Softmax函数扮演着至关重要的角色。它可以将未归一化的数值转换成一个概率分布，使得每个类别都有一个对应的概率值，且所有类别的概率之和为1。

程序员Chino的日记·2024-02-09 08:33

政安晨：演绎在KerasCV中使用Stable Diffusion进行高性能图像生成

考虑计算机性能的因素，这次咱们在Colab上进行，Colab您可以理解为在线版的JupyterNotebook，还不熟悉Jupyter的的小伙伴可以去看一下我以前的文章：政安晨的机器学习笔记——示例讲解机器学习工具

政安晨·2024-02-09 08:13

Nature Machine Intelligence 使用机器学习驱动的可拉伸智能纺织手套捕捉复杂的手部动作和物体交互

研究背景对灵巧手运动的精确实时跟踪在人机交互、元宇宙、机器人和远程医疗等领域有着广泛的应用。当前的可穿戴设备中的大多数仅用于检测精度有限的特定手势，并且没有解决与设备的可靠性、准确性和可清洗相关的挑战。对传感器直接放置在用户的手上有严格的要求，并且不能解决传感器的电气和机械性能的变化，并且适合用户。创新点加拿大不列颠哥伦比亚大学PeymanServati和ArvinTashakori共同研发了一种

xwz小王子·2024-02-09 08:35

8.4分非肿瘤生信，免疫浸润+机器学习+动物模型验证。可谓是非肿瘤生信结合实验验证的范文，值得收藏！

影响因子：8.44研究背景：冠状动脉疾病(CAD)仍是全球主要死亡原因之一。动脉粥样硬化病变通常导致进行性冠脉狭窄、心肌缺血、坏死，最终累积急性心血管综合征(ACS)的风险。外周生物标记物是监测冠状动脉疾病(CAD)进展的越来越重要的非侵入性方法。近年来的证据表明，免疫紊乱在CAD病理过程的启动和发展中起着决定性作用。研究结果：一、外周血中差异mRNA表达的鉴别1、本研究中一共有199例CAD患者

生信小课堂·2024-02-09 06:48

数据挖掘应用领域

Liam_ml·2024-02-09 06:50

机器学习--K-近邻算法常见的几种距离算法详解

文章目录距离度量1欧式距离(EuclideanDistance)2曼哈顿距离(ManhattanDistance)3切比雪夫距离(ChebyshevDistance)4闵可夫斯基距离(MinkowskiDistance)5标准化欧氏距离(StandardizedEuclideanDistance)6余弦距离(CosineDistance)7汉明距离(HammingDistance)【了解】8杰卡德

景天科技苑·2024-02-09 06:52

2018年度总结之人工智能学习

观看了部分人工智能的培训视频，主要是机器学习领域的十个常用算法相关的零基础入门培训视频，很有收获。

城市中迷途小书童·2024-02-09 06:35

机器学习-逻辑回归

LogisticRegreession逻辑回归：解决分类问题逻辑回归既可以看做是回归算法，也可以看做是分类算法通常作为分类算法用，只可以解决二分类问题Sigmoid函数importnumpyasnpimportmatplotlib.pyplotaspltdefsigmoid(t):return1./(1.+np.exp(-t))x=np.linspace(-10,10,500)plt.plot(x

小旺不正经·2024-02-09 06:19

注意力的生意

微鲤看看，今日头条之类阅读，也是给现金奖励，这个用到的是机器学习。都是抢先用户的注意力，这方面我能不能有机会通过区块链技术，有所展开呢？阅读app要解决文章创作问题，或者是文章来源管理，要使用采集。

成长开发者·2024-02-09 06:19

2019-01-20

谷歌等推出基于机器学习的新型数据库SageDB从10秒到2秒！

baitu·2024-02-09 05:12

机器学习也可解释了？

机器学习在处理复杂问题时可以提供高效的解决方案，但由于其内部的黑盒特性，使其难以解释其决策过程。

亦旧sea·2024-02-09 05:44

探索XGBoost：参数调优与模型解释

导言XGBoost是一种高效的机器学习算法，广泛应用于数据科学和机器学习任务中。本教程将介绍XGBoost的中级用法，重点关注参数调优和模型解释。

Echo_Wish·2024-02-09 04:52

称霸kaggle的XGBoost究竟是啥？

一、前言：kaggle神器XGBoost相信入了机器学习这扇门的小伙伴们一定听过XGBoost这个名字，这个看起来朴实无华的boosting算法近年来可算是炙手可热，别的不说，但是大家所熟知的kaggle

猴小白·2024-02-09 04:37

使用PyTorch实现二元分类

导读在机器学习领域，二元分类是一项基本任务，是许多实际应用的基石。无论是垃圾邮件检测、情绪分析、医疗诊断还是欺诈检测，二元分类在基于数据的决策中都发挥着关键作用。

小Z的科研日常·2024-02-09 04:12

图像搜索和分类

图像分类图像分类算法类似，提取关键特征，以机器学习方法进行分类

顽皮的石头7788121·2024-02-09 03:01

浏览器F12调试

系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章Python机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录系列文章目录

知行合一。。。·2024-02-09 01:11

特征工程：特征提取、特征预处理、特征选择

一、特征提取1.字典特征提取sklearn.feature_extraction.DictVectorizer(sparse=True,…)dict=DictVectorizer(sparse=False)data=dict.fit_transform([{'city':'北京','temperature':100},{'city':'上海','temperature':60},{'city':'

xiaobai_IT_learn·2024-02-09 00:02

特征工程：衡量特征的重要型

知乎特征选择：https://zhuanlan.zhihu.com/p/32749489结合sklearn的几种特征选择方法：https://www.cnblogs.com/hhh5460/p/5186226

千寻～·2024-02-09 00:32

特征工程:特征提取和降维-上

目录一、前言二、正文Ⅰ.主成分分析Ⅱ.核主成分分析三、结语一、前言前面介绍的特征选择方法获得的特征，是从原始数据中抽取出来的，并没有对数据进行变换。

林浩杨·2024-02-09 00:01

特征工程:特征选择

目录一、前言二、正文Ⅰ.基于统计方法的特征选择Ⅱ.基于递归消除特征发Ⅲ.基于机器学习的方法三、结语一、前言特征选择是使用某些特征统计的方法，从数据中选出有用的特征，把数据中无用的特征抛弃掉，该方法不会产生新的特征

林浩杨·2024-02-09 00:00

一文读懂量化交易中的算法交易使用！

为通过挂单被动成交来追求更好的交易均价，随着人工智能，机器学习等技术的引入，逐渐演变为部分结合智能信号的主动算法，完全依赖智能信号的智能算法。算法交易怎么开通使用？

jiucaixiuyang·2024-02-08 23:40

数据湖的整体思路

当数据湖成为中心，那么就可以围湖而建“数据服务环”，环上的服务包括了数仓、机器学习、大数据处理、日志分析，甚至RDS和NOSQL服务等等。

zhang菜鸟·2024-02-08 22:19

用通俗易懂的方式解释强化学习

强化学习是一种机器学习方法，可以想象成教电脑通过“试错”的方式学习如何完成某项任务。我们可以用一个非常简单的例子来理解：训练一条狗做特定的动作，比如说“坐下”。

ALGORITHM LOL·2024-02-08 22:25

推荐频道

特征选择-机器学习