- @2301_80484013
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
","<head>","</head>","<body>"," ","</body>","
删除：如果每列或者每行数据缺失值达到一定比例，建议放弃整行或整列插补：通过缺失值每行或每列的平均值，中位数来填充sklearn缺失值API:sklearn.preprocessing.Imputer数据中缺失值格式：np.nan# 1.初始化Imputer,指定”缺失值“，指定填补策略。指定行或列，axis=0代表按列操作# 注：缺失值也可以是别的指定的要替换的值# 2.调用fit_transfo
K值取很小：容易受异常点影响K值取很大，容易受K值数量（类别）波动fit(X, y)—— 训练（存储数据）作用：把训练集的特征值X和目标值y“喂”进模型。KNN 的特殊性：它不像逻辑回归、神经网络那样需要学习参数。fit本质上只是 把训练数据存起来，后续预测时用。所以fit在 KNN 里非常快。相当于告诉模型：训练集中这些样本（X_train）对应的类别是这些（y_train）。predict(X
最常用的公开数据集分类和回归都是监督学习，因为二者的数据集都有标签，有直接的反馈分类依据按训练数据中是否有标签（以及反馈信号的类型）分：按 学习方式/数据输入方式来分按怎么泛化来分回归就是找条线先导入数据集一元线性回归y=kx+b最优化问题，民主投票，距离的衡量代码实现用测试集试试效果此处不需要归一化，没啥区别因为多元线性回归学习的是每个特征的权重（系数），模型会自动调整这些权重来适应不同特征的数
什么是深度学习？深度学习是一种通过多层神经网络来模拟人脑工作方式的技术。通过这种多层网络，深度学习模型能够自动提取数据中的特征，并基于这些特征进行预测、分类、生成等任务深度神经网络的本质：通过多层的神经元层级结构，以来进行学习。与传统的浅层神经网络不同，深度神经网络拥有更多的隐藏层（深层结构），使得它能够捕捉和表示更复杂的数据关系和特征。其强大之处在于可以通过隐藏层神经元的非线性空间变换使得非线性
定义矩阵维度、精度、赋值Pandas 数据基本操作：读取 CSV 文件并转换为 Pandas Dataframe 格式：取出对应索引的数据分片：补充缺失数据：将离散类别进行 One-hot 编码成数字，同时将缺失值当成一种类别关于线性代数相关知识，强烈推荐3Blue1Brown的超棒教程 👇范数（Norm） 就是用来度量一个向量的“长度”或“大小” 的数学工具。Q&AQ：怎么改变 Tensor
定义：是 PyTorch 所有神经网络层、模型的基类（base class）。所有的网络层（Linear、Conv2d、RNN等）以及你自己写的自定义网络，都必须继承它。特点：举例：Block（块，结构单元）定义：Block 并不是 PyTorch 中的一个正式类名，而是我们在设计网络时人为定义的中间层次结构。它是由若干组成的一个子结构。用途：举例（ResNet 残差块）：Sequential（顺
以传统电子商务系统为例，可能会涉及到用户模块、商品模块、订单模块、购物车模块、权限模块、内容模块等等，这些模块一般都是在一个项目中开发，部署的时候也是打包成一个War包或者Jar包，然后部署到一台Tomcat服务器上，非常的简单便捷，包括大家前段时间所学的SpringBoot+Vue项目，在部署和运行时，我们也是打包成一个包运行。这时候，我们就思考可不可以将重复的代码抽取出来，做成统一的业务层作为
这是一张图片，ocr 内容为：这是一张图片，ocr 内容为：这是一张图片，ocr 内容为：这是一张图片，ocr 内容为：这是一张图片，ocr 内容为：这是一张图片，ocr 内容为：这是一张图片，ocr 内容为：这是一张图片，ocr 内容为：这是一张图片，ocr 内容为：这是一张图片，ocr 内容为：写了这么多代码，发现面向对象的方式可以很方便地实现集成功能，把所需要的函数、属性定义在类里，通过创造
图像分类任务中，我们假设图像中只有一个主要物体对象，我们只关注如何识别其类别。 然而，很多时候图像里有多个我们感兴趣的目标，我们不仅想知道它们的类别，还想得到它们在图像中的具体位置。 在计算机视觉里，我们将这类任务称为目标检测（object detection）或目标识别（object recognition）。目标检测在多个领域中被广泛使用。 例如，在无人驾驶里，我们需要通过识别拍摄到的视频图像