机器学习分类算法之XGBoost（集成学习算法）
目录走进XGBoost什么是XGBoost？XGBoost树的定义XGBoost核心算法正则项：树的复杂程度XGBoost与GBDT有什么不同XGBoost需要注意的点XGBoost重要参数详解调参步骤及思想XGBoost代码案例相关性分析n_estimators（学习曲线）max_depth（学习
基于yoloV7-pose添加任意关键点 ＋ 多类别分类网络修改
基于yoloV7-pose 修改任意关键点+多分类模型
【机器学习】Logistic 分类回归算法 （二元分类 & 多元分类）
一、线性回归能用于分类吗？二、二元分类2.1假设函数2.1.1例子一2.1.2例子二2.2拟合logistic回归参数\thetaθ三、logistic代价函数3.1 y = 1的图像3.2 y = 0的图像四、 代价函数与梯度下降4.1 线性回归与logistic回归的梯度下降规则相同吗？五、高级
基于YOLOV5 的多分类 + 关键点检测
基于yoloV5 多分类+关键点检测
【深度学习】图像分类数据集Fashion-MNIST
【深度学习】图像分类数据集Fashion-MNIST
通过逻辑回归和感知器算法对乳腺癌数据集breastCancer和鸢尾花数据集iris进行线性分类
通过逻辑回归和感知器算法对乳腺癌数据集breastCancer和鸢尾花数据集iris进行线性分类
电气领域相关数据集（目标检测，分类图像数据及负荷预测），输电线路图像数据
电气相关图像数据集集及负荷数据集如下（包含缺陷检测与分类）：1.输电线路巡检鸟巢检测图像数据集（含标签）下载地址：输电线路鸟巢检测图像数据集下载地址2.输电线路相关电力金具检测图像数据集下载地址：输电线路相关电力金具检测图像数据集3.某用户两年电表电压电流数据下载地址：某用户两年电表电压电流数据4.
基于yoloV7-pose添加任意关键点 ＋ 多类别分类网络修改
基于yoloV7-pose 修改任意关键点+多分类模型
第39讲：MySQL常规的索引分类
我们给表中某列所创建的索引都是二级索引，我们为user_name一列创建了索引，这个索引就是二级索引，二级索引的结构也是B+Tree的数据结构，非叶子节点和聚集索引的结构一样，只包含索引的信息，在叶子节点中则包含所有的索引信息，以及索引所关联数据的主键字段，这种结构的都是二级索引的结构。3）拿到主键
【自然语言处理（NLP）】基于GRU实现情感分类
【自然语言处理（NLP）】基于GRU实现情感分类，基于百度飞桨开发，参考于《机器学习实践》所作。
机器学习——图像分类
1 图像分类的概念1.1 什么是图像分类？图像分类，根据图像信息中所反映出来的不同特征，把不同类别的目标区分开来的图像处理方法1.2 图像分类的难度●任何拍摄情 况的改变都将提升分类的难度1.3 CNN如何进行图像分类●数据驱动型方法通用流程1.收集图像以及对应的标签，形成数据集2.使用机器学习训练
使用Pytorch框架自己制作做数据集进行图像分类（一）
网上有很多直接利用已有数据集（如MNIST， CIFAR-10等），直接进行机器学习，图像分类的教程。但如何自己制作数据集，为图像制作相应标签等的教程较少。故写本文，分享一下自己利用Pytorch框架制作数据集的方法技巧。开发环境：Pycharm + Python 3.7.9torch 1.10.2
yolov5 训练结果解析
yolov5 训练结果解析在每次训练之后，都会在runs-train文件夹下出现一下文件，如下图：一：weights包含best.pt（做detect时用这个）和last.pt（最后一次训练模型）二：confusion1：混淆矩阵：①：混淆矩阵是对分类问题的预测结果的总结。使用计数值汇总正确和不正确
图像分类方法总结
1. 图像分类问题描述图像分类问题是计算机视觉领域的基础问题，它的目的是根据图像的语义信息将不同类别图像区分开来，实现最小的分类误差。具体任务要求是从给定的分类集合中给图像分配一个标签的任务。总体来说，对于单标签的图像分类问题，它可以分为跨物种语义级别的图像分类，子类细粒度图像分类，以及实例级图像分
机器学习中的七种分类算法
Spike-and-slab priors(SSP)：尖峰和平板先验
【Spark NLP】第 7 章：分类和回归
对文档执行的最常见的机器学习任务是分类和回归。从确定临床记录的保险计费代码（分类）到预测社交媒体帖子的受欢迎程度（回归），大多数文档级机器学习任务都属于这些类别之一，而分类是两者中更为常见的一种。在开始机器学习任务时，尝试手动标记一些文档是非常有用的，即使数据集中已经有标签。这将帮助您了解可以在您的
分类判别式模型——逻辑斯特回归曲线
本文介绍了分类的判别式模型，从以往机器学习的三大步骤引入；在寻找最优解中，比较了与线性回归梯度下降法的不同；在损失函数层面，比较了交叉熵和square error的差异；在分类模型上，比较是本专栏上文的分类生成模型。最后在多分类问题上进行了扩展，在无法解决的同或问题中引入了特征映射和神经网络的概念。
机器学习：详解半朴素贝叶斯分类AODE原理(附Python实现)
朴素贝叶斯中的属性独立性假设在实际上很难成立，因此引入半朴素贝叶斯分类器，其核心思想是：适当考虑部分属性的相互依赖。本文介绍典型的半朴素贝叶斯分类AODE原理及Python实现
NNDL 实验五 前馈神经网络（1）二分类任务
前馈神经网络基础
2022年全国大学生数学建模 c题思路分享 分析高钾玻璃、铅钡玻璃的分类规律 比较不同类别之间的化学成分关联关系的差异性
本人去年拿了湖南省省一，今年因为各种原因就没有参加这个比赛了。但是看到了2022年数学建模题目，我也想分享一下我的见解，希望给大家提供一些思路上的帮助，但是我也还没具体去分析，各位看官看完，有所收获就是对我最大的鼓励，不敢苟同的也就当图一乐看看吧。废话不多说直接开始分析题目。
