使用CatBoost和SHAP进行多分类完整代码示例
CatBoost是顶尖的机器学习模型之一，SHAP旨在解释机器学习模型的输出，本文将展示如何一起使用它们来解释具有多分类数据集的结果。
七、训练模型，CPU经常100%，但是GPU使用率才5%左右
具体原因分析参见。
解决：RuntimeError: CUDA error: device-side assert triggered
[TOC]解决办法：RuntimeError: CUDA error: device-side assert triggered。
多层感知机（MLP）
多层感知器（MLP，Multilayer Perceptron）是一种前馈模型，其将输入的多个数据集映射到单一的输出的数据集上。，因此也叫深度感知机是单个神经元模型，是较大神经网络的前身。神经网络的强大之处在于它们能够学习训练数据中的表示，以及如何将其与想要预测的输出变量联系起来。从数学上讲，它们能
随机森林算法深入浅出
机器学习是一种基于数据的算法，通过对大量数据进行学习，发现数据的规律和模式，并将这些规律应用到新的数据上，从而做出预测和决策。与传统的计算机程序不同，机器学习算法不需要人工编写所有的规则和逻辑，而是能够自主地从数据中学习并做出预测。训练数据通常包括输入数据和对应的输出数据，例如图像识别中的图片和图片
15个Stack Overflow上回答的最多的Python技巧
Python是一种高级编程语言。由于其可读性和效率，它已成为全球开发人员的热门选择。但是与任何语言一样，有一些方法可以利用Python的特性来生成更干净、更高效和更Python化的代码。
全监督，自监督，半监督，弱监督，无监督的关系和区别
全监督，自监督，半监督，弱监督，无监督的关系和区别
Apollo规划决策算法仿真调试(5):动态障碍物绕行
前言：最近很多粉丝问在apollo规划算法planning模块中，如何才能对运动的障碍物进行绕行。动态障碍物的绕行在量产项目中是一个很大的话题，需要很复杂的逻辑与场景去解决。这里先不讨论量产解法，提供一种在apollo的仿真环境中动态障碍物绕行的解决思路。先上动态障碍物绕行视频：Apollo规划决策
【告别传统】人工智能时代下，学习网安的成本有多低？
🚀告别传统攻击，AI赋能未来。人工智能时代下，当黑客的成本逐渐降低，人人都可能是脚本小子。我们要紧跟安全攻击、防御趋势，达摩克利斯剑也可成为安全研究员的武器。同时要明确的是：我们必须遵守法律法规，不做任何有损国家社会利益之事。📹如果觉得文章不错，可以支持博主💐~我是秋说，我们下次见😉。
深入理解深度学习——正则化（Regularization）：作为约束的范数惩罚
Hinton尤其推荐由Srebro and Shraibman (2005) 引入的策略：约束神经网络层的权重矩阵每列的范数，而不是限制整个权重矩阵的Frobenius范数。最后，因为重投影的显式约束还对优化过程增加了一定的稳定性，所以这是另一个好处。当使用较高的学习率时，很可能进入正反馈，即大的权
继35岁危机之外：如何在AI智能时代不失业？
🚀智能AI引领现代，深度学习赋能未来。AI智能技术在当代展现出了巨大的潜力和前景。AI是人造的，也必将服务于人AI扮演着重要的角色，但不意味着我们可以放弃人类基本的存在意义—为社会造福。以后的路，我们走一步看一步。📹如果觉得文章不错，可以支持博主💐~我是秋说，我们下次见😉。
权重分析——熵权法
权重分析是通过熵权法对问卷调查的指标的重要性进行权重输出，根据信息熵的定义，对于某项指标，可以用熵值来判断某个指标的离散程度，其信息熵值越小，指标的离散程度越大，该指标对综合评价的影响（即权重）就越大，如果某项指标的值全部相等，则该指标在综合评价中不起作用。信息量越小，不确定性越大，熵也越大。根据信
每个开发人员都应该知道的VS Code入门技巧
这里有一些每个开发人员都应该知道的关于Visual Studio Code (VS Code)的技巧
R2决定系数（Coefficient of Determination）
R2决定系数的取值范围为[0,1]，当R2为1时，表示模型完美预测了数据；当R2为0时，表示模型无法解释数据方差。在实际应用中，R2决定系数通常用于比较不同模型的表现，取值越接近1，表示模型解释的数据方差越多，表现越好。假设有n个样本，真实值分别为y₁, y₂, ……, yₙ，预测值分别为ŷ₁, ŷ
深入理解机器学习——数据预处理：归一化 （Normalization）与标准化 （Standardization）
归一化 （Normalization）和标准化 （Standardization）都是特征缩放的方法。特征缩放是机器学习预处理数据中最重要的步骤之一，可以加快梯度下降，也可以消除不同量纲之间的差异并提升模型精度。而标准化（Standardization）是在不改变原始的数据分布的情况下，将数据的分布
pandas中的.update()方法
在Pandas中，`update()`方法用于将一个DataFrame或Series对象中的值更新为另一个DataFrame或Series对象中的对应值。这个方法可以用来在原地更新数据，而不需要创建一个新的对象。
燕山大学机器学习复习提要
燕山大学机器学习复习提要2022版，自己总结仅供参考
并行计算框架Polars、Dask的数据处理性能对比
在Pandas 2.0发布以后，我们发布过一些评测的文章，这次我们看看，除了Pandas以外，常用的两个都是为了大数据处理的并行数据框架的对比测试。
损失函数——KL散度（Kullback-Leibler Divergence，KL Divergence）
KL散度衡量的是在一个概率分布 �P 中获取信息所需的额外位数相对于使用一个更好的分布 �Q 所需的额外位数的期望值。要在训练中使用 KL散度作为损失函数，可以将其作为模型的一部分加入到损失函数的计算中。在机器学习中，KL散度常常用于衡量两个概率分布之间的差异程度，例如在生成模型中使用 KL散度作为
