注意力机制（Attention Mechanism）源于对人类视觉的研究。 在认知科学中，由于信息处理的瓶颈，人类会选择性地关注所有信息的一部分，同时忽略其他可见的信息。 上述机制通常被称为注意力机制。 人类视网膜不同的部位具有不同程度的信息处理能力，即敏锐度（Acuity），只有视网膜中央凹部位具有最强的敏锐度。(以上为官方解释：个人的理解是注意力机制就是通过一通操作，将数据中关键的特征标识出来

浅谈线性回归Gamma公式展示 Γ(n)=(n−1)!∀n∈N\Gamma(n) = (n-1)!\quad\foralln\in\mathbb NΓ(n)=(n−1)!∀n∈N 是通过 Euler integralΓ(z)=∫0∞tz−1e−tdt .\Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,.Γ(z)=∫0∞​tz−1e−tdt.y = f(x1,x

高斯过程(Gaussian Process)在机器学习领域里，高斯过程是一种假设训练数据来自无限空间、并且各特征都符合高斯分布的有监督建模方式。高斯过程是一种概率模型，无论是回归或者分类预测都以高斯分布标准差的方式给出预测置信区间估计。什么是置信区间？置信区间是指由样本统计量所构造的总体参数的估计区间。在统计学中，一个概率样本的置信区间（Confidence interval）是对这个样本的某个总

阈值处理阈值处理全局阈值处理二值化阈值处理反二值阈值处理截断阈值处理超阈值零处理低阈值零处理Otsu算法阈值处理三角算法阈值处理自适应阈值处理阈值处理\qquad阈值化处理：以某种规则依次将像素处理成0或1输出，即像素分割，可以被视作最简单的图像分割方法。给定一个灰度图，经过阈值化处理将把它转化成二值图输出。阈值化处理提取背景中的重要信息，将图像更进一步的从灰度图背景中抽离出来。利用阈值进行分割的

边缘与轮廓边缘检测拉普拉斯(Laplacian)边缘检测Sobel边缘检测Canny边缘检测图像轮廓查找轮廓绘制轮廓轮廓特征霍夫变换霍夫圆变换边缘检测拉普拉斯(Laplacian)边缘检测Sobel边缘检测Canny边缘检测图像轮廓查找轮廓绘制轮廓轮廓特征霍夫变换霍夫圆变换...

散点图散点图散点图的分类散点图的优势绘制散点图散点图散点图是指在回归分析中，数据点在直角坐标系平面上的分布图，散点图表示因变量随自变量而变化的大致趋势。在数据分析可视化时，一般会先绘制散点图，初步了解自变量和应变量之间的关系，通过散点图查看变量之间是否存在数量关联趋势等。散点图的分类散点图矩阵当欲同时考察多个变量间的相关关系时，若一一绘制它们间的简单散点图，十分麻烦。此时可利用散点图矩阵来同时绘制

机器学习实战：支持向量机回归预测财政收入数据集说明数据集特征说明特征分析特征可视化导入数据可视化特征相关性检测绘制相关矩阵打印Pearson相关系数多变量研究Lasso特征选择模型进行特征提取alpha（正则项系数）的参数选择进行特征选取使用核函数进行预测数据预处理，拆分数据集，分成训练集和测试集进行预测绘制财政实际收入与预测收入的对比图进行简单预测模型评价MSE（均方误差）RMSE（均方根误差）