ma_no_lo_个人页

2024年05月

• 05.27 22:40:46
  发表了文章 2024-05-27 22:40:46

  JavaScript基础（一）

  javascript是一种运行在客户端（浏览器）的编程语言，可以用来创建动态更新的内容，控制多媒体，制作图像动画等交互效果。
• 05.27 22:39:00
  发表了文章 2024-05-27 22:39:00

  Python爬虫：BeautifulSoup

  这篇内容介绍了Python中BeautifulSoup库的安装和使用。首先，通过在命令行输入`pip install bs4`进行安装，或使用清华源加速。接着讲解BeautifulSoup的基本概念，它是一个用于数据解析的工具，便于处理HTML和XML文档。与正则表达式不同，BeautifulSoup提供更方便的方式来查找和操作标签及其属性。 文章详细阐述了BeautifulSoup的两个主要方法：`find`和`find_all`。`find`方法用于查找单个指定标签，可结合属性字典进行精确选择；`find_all`则返回所有匹配标签的列表。通过这些方法，可以方便地遍历和提取网页元素。
• 05.27 22:37:29
  发表了文章 2024-05-27 22:37:29

  CSS进阶

  CSS进阶内容
• 05.27 22:35:50
  发表了文章 2024-05-27 22:35:50

  新手向：HTML进阶

  HTML一些进阶内容
• 05.27 22:33:37
  发表了文章 2024-05-27 22:33:37

  新手向：HTML基础

  HTML（HyperText Markup Language）是一种标记语言，用于创建和设计网页内容的结构和样式。它是网页开发的基础，允许开发者通过一系列标签（tags）和属性（attributes）来构建网页的骨架，并赋予网页内容意义和结构。
• 05.27 22:30:58
  发表了文章 2024-05-27 22:30:58

  Python爬虫入门

  网络爬虫是自动抓取网页数据的程序，通过URL获取网页源代码并用正则表达式提取所需信息。反爬机制是网站为防止爬取数据设置的障碍，而反反爬是对这些机制的对策。`robots.txt`文件规定了网站可爬取的数据。基础爬虫示例使用Python的`urllib.request`模块。HTTP协议涉及请求和响应，包括状态码、头部和主体。`Requests`模块是Python中常用的HTTP库，能方便地进行GET和POST请求。POST请求常用于隐式提交表单数据，适用于需要发送复杂数据的情况。
• 05.27 22:29:27
  发表了文章 2024-05-27 22:29:27

  正则表达式

  正则表达式（Regular Expression）是一种强大的文本处理工具，用于匹配、查找、匹配或替换文本中的模式或特定字符组合。它由一系列特殊字符和普通字符组成，遵循预定义的规则来描述字符串中的模式。在处理网页数据时，正则表达式可以帮助从杂乱的数据中提取出需要的信息。
• 05.27 22:27:22
  发表了文章 2024-05-27 22:27:22

  机器学习：升维（Polynomial Regression）

  该文介绍了升维的概念，指出在低维度中难以对混合数据进行有效分类，而升维是通过算法将数据投射到高维空间以改善模型性能。文章以多项式回归为例，说明了如何通过升维将非线性关系转换为线性关系，并提供了Python代码示例展示了如何使用`PolynomialFeatures`进行升维。代码结果显示，随着维度增加，模型从欠拟合逐渐过渡到过拟合。
• 05.27 22:26:09
  发表了文章 2024-05-27 22:26:09

  新手向 Python：VsCode环境下Manim配置

  该文介绍了如何准备和配置开发环境以使用Manim，主要包括两个步骤：一是准备工作，需要下载并安装VsCode和Anaconda，其中Anaconda需添加到系统PATH环境变量，并通过清华镜像源配置；二是配置环境，VsCode中安装中文插件和Python扩展，激活并配置虚拟环境。最后，安装ffmpeg和manim，通过VsCode运行测试代码验证配置成功。
• 05.27 22:24:04
  发表了文章 2024-05-27 22:24:04

  Ridge，Lasso，Elasticnet回归

  这篇文章探讨了多元线性回归与正则化的结合，包括Ridge、Lasso和Elasticnet回归。Ridge回归通过添加L2惩罚项提高模型鲁棒性，但可能牺牲一些准确性。Lasso回归引入L1范数，对异常值更敏感，能进行特征选择。Elasticnet结合L1和L2范数，允许在正则化中平衡两者。通过调整α和l1_ratio参数，可以控制整体正则化强度和正则化类型的比例。
• 05.27 22:19:48
  发表了文章 2024-05-27 22:19:48

  机器学习：逻辑回归

  逻辑回归是一种广泛使用的分类算法，它属于线性分类器。 在逻辑回归中，目标是找到最佳的权重参数θ，使得预测结果尽可能接近实际的类别标签。 广义线性回归是逻辑回归的理论基础，它考虑了不同类型的因变量分布，包括伯努利分布（对应二分类问题）。指数族分布是这类模型的一个共同特征，而逻辑回归就是其中的特定情况。在梯度下降过程中，我们沿着损失函数的梯度方向更新权重，以找到损失最小的解。通过这种方式，逻辑回归可以学习到数据集的最佳分类超平面。 在代码实现中，我们可以使用Python的scikit-learn库来实现逻辑回归，并观察损失函数在权重空间中的形状。
• 05.27 22:14:46
  发表了文章 2024-05-27 22:14:46

  正则化（Regularization）

  正则化是防止机器学习过拟合的策略，通过在损失函数中添加惩罚项（如L1或L2范数）来降低模型复杂度，提高泛化能力。L1正则化产生稀疏权重，倾向于使部分权重变为0，而L2正则化使所有权重变小，具有平滑性。正则化强度由λ控制，λ越大，泛化能力越强，但可能导致欠拟合。
• 05.27 13:38:17
  发表了文章 2024-05-27 13:38:17

  多元线性回归梯度下降法

  梯度下降法是一种通用的优化算法，尤其适用于机器学习中找到最优解。与解析解法不同，它不局限于特定情况，能在数据规模较大时依然有效。该方法通过迭代逐步接近最优解，每次迭代利用损失函数的梯度信息调整参数。学习率是控制参数更新幅度的关键因素，太大会导致发散，太小则收敛慢。全量梯度下降每次使用所有样本更新，收敛稳定但速度慢；随机梯度下降每次仅用一个样本，速度快但可能产生较大波动；小批量梯度下降取两者之间，以一定的样本批量进行更新，兼顾速度和稳定性。
• 05.27 13:35:02
  发表了文章 2024-05-27 13:35:02

  机器学习：归一化

  这段内容主要讨论了归一化的目的和两种类型的归一化方法。归一化是为了确保在梯度下降过程中，不同维度的参数以相似的幅度调整，避免因数据尺度差异导致的优化问题。文中提到了最大值最小值归一化和标准归一化，后者更不易受到离群值的影响，并且可以使数据符合正态分布。通过Python代码示例展示了如何使用`StandardScaler`进行标准归一化。
• 05.27 13:03:00
  发表了文章 2024-05-27 13:03:00

  多元线性回归解析解

  这篇内容介绍了线性回归的数学推导，包括基本概念、中心极限定理、最大似然估计、对数似然函数和解析解求法。线性回归的目标是找到最佳权重向量，使得预测值与实际值之间的误差最小。中心极限定理和最大似然估计用于处理误差服从正态分布的情况，通过对数似然函数求解最优权重。最后，通过梯度和Hessian矩阵判断解的最优性，并给出Python代码实现和可视化结果。