登录社区云，与社区用户共同成长
邀请您加入社区
2023年 一键运行〖李宏毅课程-机器学习〗五个课程大作业！帮助零基础入门的同学无痛学习机器学习！
如有不足，请大家进行批评指证。之后我也会更新机器学习的其它方法。...+b。
在前面讲述的回归模型中，处理的因变量都是数值型区间变量，建立的模型描述是因变量的期望与自变量之间的线性关系。比如常见的线性回归模型：而在采用回归模型分析实际问题中，所研究的变量往往不全是区间变量而是顺序变量或属性变量，比如二项分布问题。通过分析年龄、性别、体质指数、平均血压、疾病指数等指标，判断一个人是否换糖尿病，Y=0表示未患病，Y=1表示患病，这里的响应变量是一个两点（0-1）分布变量，它就不
本篇博客记录了李宏毅逻辑回归视频的学习笔记，系统地讲解了DM求解分类问题的步骤，以及DM与GM的区别，充分解答了一些求解分类时遇到的问题，并进一步引申出了深度学习的概念
我们知道回归任务一般是处理线性问题的，预测结果是连续的，分类任务是结果是离散的。对于分类问题，在传统的机器学习算法中有很多解决方法，这里讲一下众多思想，其中之一——逻辑回归。通过将线性回归的输出映射到(0,1)区间，得到一个概率值，通过设定阈值的方式达到分类的效果，在此之中，使用Sigmoid函数将连续值转换为概率值，也即使用Sigmoid映射线性结果到（0，1）之间。
本文系统介绍了逻辑回归的原理与应用。首先阐述了逻辑回归的数学基础，接着详细讲解了逻辑回归模型的工作原理、损失函数构建及优化过程。文章还提供了Python实现案例，通过癌症数据集演示了基础的建模流程。针对分类问题评估，重点介绍了混淆矩阵、精确率、召回率、F1-score等指标，以及ROC曲线和AUC值的计算与解读方法。全文内容涵盖从理论到实践的完整知识体系，适合机器学习初学者系统学习逻辑回归算法。
逻辑回归的代价函数，不只是优化目标，它是机器理解分类“对错”的逻辑边界。
第七章 Logistic回归（一种分类算法）分类 之前的课程主要解决回归分析问题，这一次的课程主要为分类问题，分类问题也可看做将回归问题的连续性离散化。先来谈谈二分类问题。课程中先给出了几个例子： 邮件是垃圾邮件还是非垃圾邮件；网上交易是的欺骗性（Yor N）；肿瘤是恶性的还是良性的。 在所有的这类问题中，尝试预测的变量y都可以用0或1来表示，，0表示负类，1表示正类。 对
（给机器学习算法与Python学习加星标，提升AI技能）Datawhale干货作者：李祖贤 深圳大学，Datawhale高校群成员机器学习分为两类基本问题----回归与分类。在之前的...
机器学习（六）：Logistic回归（优化篇）在上一节的机器学习（六）：Logistic回归（基础篇）写的代码所需要的时间复杂度太高。下面这篇文章将对算法进行一些改进，从而减少计算量，使其可以用在大数据集上。改进的随机梯度上升算法梯度上升算法在每次更新回归系数(最优参数)时，都需要遍历整个数据集。可以看一下我们之前写的梯度上升算法：def gradAscent(dataSet, label...
中山大学卫生统计学机考复习整理（学生整理）
所以我们只关注对数函数 横轴0-1的部分，因为我们模型0要输出两种情况，0-1，所以要分情况去定义成本函数，1是一种情况，0是一种情况，在用代码实现的时候，也要对数据集的输出结果进行区分然后再带入模型进行训练，要用梯度下降，对模型进行训练，代价函数最好是凸函数，这样用梯度下降优化的时候，可以找到全局最小值，在线性回归中，成本函数是，均方误差，计算预测值和真实值的差值的平方，然后取平均值，来衡量模型
大模型底层不是“概率生成器”，而是三段式机械执行系统：归档收纳库（静态知识切片）、范式计算库（SFT/RLHF注入的推理规则与道德护栏）、计算输出器（分类检索→范式调用→约束解耦分段闭环输出）。模型生成首字前必须先做分类检索，按任务类型匹配四层范式（常识检索/计算执行/推理闭环/发散合成），昂贵算力仅分配给推理与发散层。此架构将千亿参数全量激活改为索引式精准调度，可大幅度降本增效并适配昇腾芯片。
以「鸿蒙一气十二阶」为底层，复刻人脑意识分层逻辑，打破单一大模型黑盒桎梏，实现算力最优、风险可控、场景无限适配，以下为全维度可落地组合方案，无空话、直接可用。- 从架构：多个「两脑一脸/三脑一脸」分节点（垂直领域专属：医疗、法律、科研、教育等）- 适用场景：企业办公、政务问答、全民悟道答题系统、教育AI、客服系统。- 适用场景：量子计算推演、航天工程、军工涉密、国家智库、大型数据中心。- 新增：执
本文详细解析了吴恩达《神经网络基础》课程中的逻辑回归与向量化技术，通过Python代码实现从数学公式到实际应用的完整流程。内容涵盖sigmoid函数、交叉熵损失、梯度下降优化等核心概念，并重点讲解向量化技术对性能的提升作用，帮助读者掌握深度学习基础。
可解释机器学习（XAI）是金融风控落地的核心能力，其本质在于将模型决策转化为业务可理解、监管可审计、客户可接受的因果陈述。逻辑回归因其系数可解释性与数学可追溯性，成为信贷场景下兼顾合规性与稳定性的首选基线模型；SHAP则提供单样本级特征贡献度量化，确保每项判断有据可依。结合结构化提示工程，可将SHAP结果精准映射为自然语言解释，显著提升客户接受率与风控审批通过率。本文聚焦真实中小贷机构落地经验，覆
— 在 Claude Code 的最新版本中，Commands 已经被 Skills 体系吸收了。你现在创建的每个 Skill，都可以通过。
每到周一，都要回忆上周干了什么——翻 git log、拼 Jira 链接、整理成人话，半小时就没了。更大的问题是，这些记录如果不及时整理，年底写年终总结时根本想不起来做过什么。想解决这个问题，但又不想每次都手动跟 AI 说"帮我看看这些 commit 写周报"。于是实现了一个 Agent Skill：。在 work-journal 目录下输入：自动扫描上周所有 git 仓库的提交，生成中文周报并
（就是那个做了 Nous-Hermes 系列模型的团队）开源的 AI Agent 框架，2 月底正式对外发布，目前 GitHub Star 已经突破 46k，是近期增长最快的开源 Agent 项目之一。Agent 在运行过程中会自动生成 Skill，不需要人工反复打磨——或者说，人工干预的程度可以更低。所有操作需要显式授权，文件驱动身份系统（SOUL.md、AGENTS.md），人定义规则，Age
MCP（Model Context Protocol）是一种协议，用于AI模型与外部服务交互。
本文通过AI宏观因子模型，结合黄金价格走势、能源市场变化、美联储政策预期、美元指数以及美债收益率等关键变量，分析黄金震荡回升背后的驱动逻辑，并探讨影响未来市场方向选择的核心定价因子。
注意点：ECharts(需要CSV)，需要LLM 整理数据格式，deepseek-chat 模型对 ECharts 所需的数据处理比较有好，不要直接选用推理模型，费token效果还不好。在自己开发大模型的时候，推理比较准确(Langgraph、LangChain、MCP、SpringAI、Embedding...)比如：我只让大模型给我回复什么内容，赋值到什么样的变量里，自己控制节点A->B->C
ChatGPT 负责标题、页面结构、FAQ、产品卖点、行业文案、SEO 草稿，DALL·E 3 负责概念视觉、头图、示意图、风格探索。对企业官网来说，这类“清楚、能找、能联系”的结构，比复杂炫技更有商业价值，BBWEYY 适合先做出这种实用型官网。它对工厂、外贸、商贸、设备、服务型企业都很友好，因为这些网站的核心通常不是复杂交互，而是把产品、案例、资质、服务和联系方式清楚展示出来，并尽快开始接询盘
逻辑回归
——逻辑回归
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
DAMO开发者矩阵
人工智能6S服务平台
HarmonyOS开发者社区
脑启社区
AI编程社区
龙虾开发者社区
MCP技术社区
AtomGit开源社区
AtomGit AI 社区
