PCA主成分分析算法专题【Python机器学习系列（十五）】
PCA主成分分析算法专题【Python机器学习系列（十五）】文章目录1. PCA简介1.2 python 实现 鸢尾花数据集PCA降维1.3 sklearn库实现 鸢尾花数据集PCA降维案例
使用 Temporal Fusion Transformer 进行时间序列预测
目前来看表格类的数据的处理还是树型的结构占据了主导地位。但是在时间序列预测中，深度学习神经网络是有可能超越传统技术的。
2022数学建模国赛C题详细思路：基于随机森林和灰色关联度分析
问题1使用微分方程模型，建立风化过程中化学成分含量的微分方程模型，（可以参考放射性元素微分方程模型类似建模）。问题2需要对于每个类别选择合适的化学成分对其进行亚类划分，使用随机森林算法划分亚类。问题3根据问题2建立的随机森林模型，预测划分所属类型。问题4分需要析其化学成分之间的关联关系，可以使用灰色
2022数学建模国赛C题 古代玻璃制品的成分分析与鉴别思路
我发现好多队都在犹豫怎么做，找各种思路做题注意不要来回切换思路，有个思路先实践一下，写到论文里，先有个baseline，再慢慢改进，要不犹豫到最后，一整天了啥也没做出来。下面是我的一点思路，供大家参考。本专栏还有很多其他优秀文章，可供大家参考。
美化Matplotlib的3个小技巧
在本文中，我们将介绍3个可以用于定制Matplotlib图表的技巧
2022年全国大学生数学建模竞赛E题目-小批量物料生产安排详解+思路+Python代码时序预测模型(二)
这篇文章主要是弥补了上篇文章遗留下来的数据趋势和销售单价的问题，并且将时序预测模型给完全做出来，可以说是任务量满满啊，那么现在我们就开始着手一步一步建模。
2022全国大学生数学建模国赛C题代码完整教程
C 题 古代玻璃制品的成分分析与鉴别 已经完成所有代码可以对比文物样本表面有无风化的化学成分的一些统计学规律，这块主要其实也是差异性分析和相关性分析，不过在做这两个分析之前，我们可以做一些数据合或者分类汇总，观察推断出来两种玻璃文物类型的有无风化以及成分的差异或者相关情况，进而推断出来统计规律，形成
2022数学建模国赛高教社杯C题思路
对于问题一，题目要求我们根据这表1中的表面风化与其玻璃类型、纹饰和颜色的关系进行分析，如下图1所示。对于后半问的问题就会涉及到表单2，需要我们分析表面有无风化化学成分含量的统计规律，根据给出的表单2中的数据预测其风化前的化学成分含量。C题作为国赛中最简单的一道题目，今年依旧持续发力，C题为成分分析类
【2022高教社杯数学建模】C题：古代玻璃制品的成分分析与鉴别方案及代码实现（已经更新完毕）
【2022高教社杯数学建模】C题：古代玻璃制品的成分分析与鉴别方案及代码实现（1）对表1中，统计风化程度与玻璃类型、纹饰、颜色的关系，作出柱状图可视化或者饼状图（2）利用文物采样点结合表1和表2，对不同玻璃类型，再划分有无风化，对化学成分统计，即四种情况求均值求出风化前后的差值（3）线性回归，求风化
使用阈值调优改进分类模型性能
在本文中将演示如何通过阈值调优来提高模型的性能。
最基本的25道深度学习面试问题和答案
如果你最近正在参加深度学习相关的面试工作，那么这些问题会对你有所帮助。
【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
Python 3.14 将比 C++ 更快🤭
使用外推法证明Python 3.14 将比 C++ 更快🤭
哈工大2022机器学习实验一：曲线拟合
本博客采用python的numpy库，用四种方式实现用多项式拟合曲线。
机器学习：过拟合、欠拟合、正则化之间的纸短情长～
正则化是何如解决过拟合的，机器学习的主要挑战是我们的算法能够在为观测的数据上误差较小，而不是在只在训练集上表现良好，我们这种能力我们称之为泛化。
CNN天气识别
本文将采用CNN实现多云、下雨、晴、日出四种天气状态的识别。本文为了增加模型的泛化能力，新增了Dropout层并且将最大池化层调整成了平均池化层。
SVM 支持向量机算法（Support Vector Machine ）【Python机器学习系列（十四）】
SVM 支持向量机算法（Support Vector Machine ）【Python机器学习系列（十四）】1.SVM简介2. SVM 逻辑推导2.1 Part1 化简限制条件2.2 Part2 SVM拉格朗日乘子法求解2.3 Part3 求解超平面3.核函数4. 软间隔支持向量机5. 支持向量回归
7个有用的Jupyter扩展
今天将介绍7个不常见但是却很好用且能够提高效率的Jupyter扩展
NumPy和Pandas中的广播
在本文中介绍Numpy的广播机制和Pandas中的一些广播的函数，并使用泰坦尼克的数据集演示了pandas上常用的转换/广播操作。
带掩码的自编码器MAE在各领域中的应用总结
NLP，图像，视频，多模态，设置时间序列和图机器学习中都出现了MAE的身影
