线性回归 正则项（惩罚项）原理、正则项的分类与Python代码的实现
除了前面提到的L1与L2在算法上的区别之外，还有一个重要的区别在于L1正则项的解不是唯一的，而L2正则项的解是唯一的。这是由于L1正则项的正则化图形是一个菱形，其边界在坐标轴上，而L2正则项的正则化图形是一个圆形，其边界是一个平滑的曲线。在线性回归中，正则项是一种用于控制模型复杂度的技术，它通过将系
CS224W5.1——消息传递和节点分类
从之前的文中，学习了如何使用图表示学习进行节点分类。在这节中，将讨论另一种方法，消息传递。将引入半监督学习，利用网络中存在的相关性来预测节点标签。其中一个关键概念是集体分类，包括分配初始标签的局部分类器、捕获相关性的关系分类器和传播相关性的集体推理3个步骤。举例而言，半监督学习的节点分类任务：
解决‘function‘ object has no attribute ‘data‘
function对象没有data属性。
机器学习中的分类问题：如何选择和理解性能衡量标准
对于这些问题，我们需要一种方式来评估模型的性能，以便选择最合适的模型、调整参数，并最终在实际应用中做出可靠的决策。不同的问题可能需要不同的度量标准。绘制这两种曲线的过程相似，通常需要使用模型的预测概率来确定不同的阈值，并计算相应的性能指标。ROC曲线是另一种用于评估分类模型性能的工具，它关注的是模型
第61步 深度学习图像识别：多分类建模（TensorFlow）
第61步 深度学习图像识别：多分类建模（TensorFlow）
智能垃圾分类垃圾桶（K210+stm32mp157）
k210垃圾分类+语音控制+stm32mp157图像采集 UDP传输
CLIP：一种基于视觉和语言相互关联的图像分类模型
近年来，计算机视觉领域的发展非常迅速，其中图像分类是一项非常重要的任务。然而，传统的图像分类模型在面对大规模图像分类任务时存在很多局限性，例如需要大量标注数据、难以泛化到新的图像类别等问题。为了解决这些问题，近年来出现了一种新的图像分类模型——CLIP（Contrastive Language-Im
[系统安全] 五十一.恶意家族分类 (2)基于API序列和深度学习的恶意家族分类实例详解
系统安全将更好地帮助初学者了解病毒逆向分析和系统安全。前文详细介绍如何学习提取的API序列特征，并构建机器学习算法实现恶意家族分类，这也是安全领域典型的任务或工作。这篇文章将讲解如何构建深度学习模型实现恶意软件家族分类，常见模型包括CNN、BiLSTM、BiGRU，结合注意力机制的CNN+BiLST
【机器学习】分类算法 - 朴素贝叶斯 MultinomialNB
朴素贝叶斯法（Naive Bayes model 简称 NBM ）是基于「贝叶斯定理」与「特征条件独立假设」的分类方法。
8种时间序列分类方法总结
在涵盖各种类型的时间序列 (TS) 分类方法之前，我们先统一时间序列的概念，TS 可以分为单变量或多变量 TS。单变量 TS 是一组有序的（通常）实数值。多变量 TS 是一组单变量 TS。每个时间戳都是一个向量或实数值数组。单或多元TS的数据集通常包含一个单或多元TS的有序集。此外，数据集通常包含由
【Intel 黑客松大赛】基于YOLO的杂草-农作物检测分类系统
本次的赛题是基于计算机视觉的视觉挑战赛题，赛题如下：杂草是农业经营中不受欢迎的入侵者，它们通过窃取营养、水、土地和其他关键资源来破坏种植，这些入侵者会导致产量下降和资源部署效率低下。一种已知的方法是使用杀虫剂来清除杂草，但杀虫剂会给人类带来健康风险。参赛者需运用英特尔® oneAPI AI分析工具包
【ENVI】监督分类
ENVI监督分类
机器学习进行数据分类模型的预测（含代码及数据集）
机器学习，决策树，随机森林，投票法，二分类，数据挖掘，个体学习器，集成学习，python
RFM客户分类模型
在Python中，可以使用Pandas、NumPy等数据分析库进行数据处理和RFM计算，使用可视化库（如Matplotlib、Seaborn）进行数据展示和分析，也可以使用机器学习库（如Scikit-learn）进行聚类分析等。在上述代码中，我们首先读取了一个交易数据文件，并计算了每个客户的RFM得
用银行营销数据学习数据挖掘：探索预测客户购买行为的模型
使用Python对银行营销数据进行分类建模，用以预测客户购买行为。分类建模过程包括对数据预处理、对不平衡数据的处理、使用三种分类模型建模、利用交叉验证寻找各模型最优参数、对模型效果评估、选择最优模型进行应用。
【数据分类】GRNN数据分类 广义回归神经网络数据分类【Matlab代码#30】
GRNN数据分类 广义回归神经网络数据分类
使用 T5 模型来做文本分类任务的一些总结
使用 T5 (Text-to-Text Transfer Transformer) 来做文本分类任务的一些总结
（Matlab实现）CNN卷积神经网络图片分类
使用Matlab自带的深度学习工具箱构建卷积神经网络（CNN）进行图片分类，以识别并分类手写数字为例。首先将大量的图片数据导入；然后给不同种类的图片打上对应的分类的标签，划分为训练集和测试集；构建CNN网络其中包括3层2维卷积和3个池化层，全连接层及分类层；调整好输入输出格式对CNN进行训练及测试；
PyTorch搭建图卷积神经网络（GCN）完成对论文分类及预测实战（附源码和数据集）
PyTorch搭建图卷积神经网络（GCN）完成对论文分类及预测实战（附源码和数据集）
