ma_no_lo
ma_no_lo_个人页
ma_no_lo
文章
15
问答
0
视频
0
个人介绍
机器学习伤我
擅长的技术
- Python
- 计算机视觉
- 机器学习/深度学习
- 数据挖掘
- 算法
- 数据可视化
- Linux
- 小程序
-
发表了文章 2024-05-27
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。
-
发表了文章 2024-05-27
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。
-
发表了文章 2024-05-27
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。
-
发表了文章 2024-05-27
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。
-
发表了文章 2024-05-27
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。
-
发表了文章 2024-05-27
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。
暂无更多信息
-
发表了文章
2024-05-27
JavaScript基础（一）
-
发表了文章
2024-05-27
Python爬虫：BeautifulSoup
-
发表了文章
2024-05-27
新手向：HTML进阶
-
发表了文章
2024-05-27
新手向：HTML基础
-
发表了文章
2024-05-27
Python爬虫入门
-
发表了文章
2024-05-27
CSS进阶
-
发表了文章
2024-05-27
正则表达式
-
发表了文章
2024-05-27
机器学习：升维（Polynomial Regression）
-
发表了文章
2024-05-27
新手向 Python：VsCode环境下Manim配置
-
发表了文章
2024-05-27
Ridge，Lasso，Elasticnet回归
-
发表了文章
2024-05-27
正则化（Regularization）
-
发表了文章
2024-05-27
机器学习：逻辑回归
-
发表了文章
2024-05-27
多元线性回归梯度下降法
-
发表了文章
2024-05-27
机器学习：归一化
-
发表了文章
2024-05-27
多元线性回归解析解
滑动查看更多
暂无更多信息
暂无更多信息