机器学习标签_开源鸿蒙跨平台开发者社区

机器学习

django基于机器学习的农产品价格数据分析与预测的可视化系统

本文介绍了一个基于Django框架和机器学习技术的农产品价格数据分析与预测可视化系统。该系统采用Python开发，整合多源数据，通过数据采集、清洗、分析和预测等模块，为农户、经销商和政府提供决策支持。系统运用Scikit-learn、TensorFlow等机器学习算法构建预测模型，结合ECharts等可视化工具直观展示价格趋势，具有数据处理高效、预测精准、界面友好等特点，能有效应对农产品价格波动的

 QQ79120063
2025-12-24 17:22:44

 625

 6

#django #机器学习 #数据分析
机器学习入门（1）-----基础概念扫盲

删除：如果每列或者每行数据缺失值达到一定比例，建议放弃整行或整列插补：通过缺失值每行或每列的平均值，中位数来填充sklearn缺失值API:sklearn.preprocessing.Imputer数据中缺失值格式：np.nan# 1.初始化Imputer,指定”缺失值“，指定填补策略。指定行或列，axis=0代表按列操作# 注：缺失值也可以是别的指定的要替换的值# 2.调用fit_transfo

2301_80484013
2025-09-28 15:41:20

 1181

 23

#机器学习 #人工智能
你的聚类模型靠谱吗？5大外部指标彻底揭秘

本文介绍了几种常见的聚类性能外部评估指标，包括Jaccard 系数FM 指数Rand 指数DB 指数和Dunn 指数。有真实标签时：优先使用（平衡随机性）无真实标签时：使用DB或Dunn小规模数据：可计算所有指标综合判断通过灵活组合这些指标，可以全面评估聚类模型的表现！原创作者: wang_yb转载于: https://www.cnblogs.com/wang_yb/p/188838941.【sc

果汀儿
2025-06-29 17:06:44

 52

#聚类 #算法 #人工智能 +2
机器学习从入门到精通 day_02

特征工程:就是对特征进行相关的处理，一般使用pandas来进行数据清洗和数据处理、使用sklearn来进行特征工程。特征工程是将任意数据(如文本或图像)转换为可用于机器学习的数字特征,比如:字典特征提取(特征离散化)、文本特征提取、图像特征提取。特征工程步骤为：特征提取，如果不是像dataframe那样的数据，要进行特征提取，比如字典特征提取，文本特征提取无量纲化(预处理)归一化标准化降维底方差

 契合qht53_shine
2025-04-08 20:12:44

 1047

 22

#机器学习 #人工智能
基于KPCA和SVM的人脸识别研究（Matlab代码实现）

基于Kernel Principal Component Analysis (KPCA) 和 Support Vector Machines (SVM) 的人脸识别研究，是模式识别和计算机视觉领域中的一个重要课题。这种方法结合了非线性降维与强大的分类能力，提高了人脸识别系统的准确性和鲁棒性。

程序猿鑫
2025-08-11 09:21:32

 254

 4

#支持向量机 #matlab #机器学习
随机森林的实现代码py

self.n_features = n_features# 随机森林中使用，限制每次分裂时考虑的特征数量。return 0# 默认返回0作为标签，或者可以根据需要修改。# 处理n_features参数，如果是字符串则转换为整数。print(f"单棵决策树准确率: {accuracy_dt:.4f}")# 如果没有设置n_features，则使用所有特征。# 自助采样（bootstrap）# 如果无

 MYH516
2025-06-21 13:03:55

 574

 8

#随机森林 #机器学习 #python
线性回归是机器学习中最基础的算法之一，用于建立输入变量（特征）与输出变量

这段代码完整实现了线性回归的核心逻辑，包含训练和预测功能，适合初学者理解算法本质。实际应用时可结合Scikit-learn等库进行优化。线性回归是机器学习中最基础的算法之一，用于建立输入变量（特征）与输出变量（目标）之间的线性关系。以下是其核心原理及Python实现。（Mean Squared Error, MSE），常用于回归问题的模型训练中，用于衡量模型预测值与真实值之间的差异。

百***3404
2026-01-11 01:17:24

 844

 19

#python #机器学习 #开发语言
大语言模型综述与展望

1、自监督学习（Self-Supervised Learning）是“让数据自己标注自己”；自监督学习并不是没有监督，而是监督来自数据内部结构，不是人工标签。“监督信号”指的是：模型自己设计的预测任务（即“预任务”或“proxy task”）中被隐藏、被预测的那部分数据。2、半监督学习（Semi-Supervised Learning）是“少量人标注 + 大量无标注数据协作学习”。数据分两类—

2301_78175966
2025-10-11 10:11:16

 1143

 9

#人工智能 #机器学习 #深度学习
2025最新AI-Python机器学习与深度学习实践技术应用

（3）熟练运用PyTorch实现各类深度学习模型，包括迁移学习、循环神经网络（RNN）、长短时记忆网络（LSTM）、时间卷积网络（TCN）、自编码器、生成对抗网络（GAN）、YOLO目标检测等前沿技术。变量选择与模型优化；5、卷积神经网络调参技巧（卷积核尺寸、卷积核个数、移动步长、补零操作、池化核尺寸等参数与特征图的维度，以及模型参数量之间的关系是怎样的？1、统计数据的描述与可视化（数据的描述性统

 天青色等烟雨..
2025-11-18 16:11:37

 489

 4

#人工智能 #python #机器学习
使用机器学习和深度学习对城市声音进行分类（Matlab代码实现）

2.6 算例6：使用小波分析和深度学习对城市声音进行分类部分代码：Fs = 44100;endendendendwhile trueendreturnendendend🎉3参考文献文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

然哥依旧
2025-01-29 09:47:55

 861

 17

#机器学习 #深度学习 #分类
DAY-16-数组的常见操作和形状-2025.8.28

1. 数组的简单创建通过np.array()将列表或嵌套列表转换为数组zeros（全 0）、ones（全 1）、arange（序列）、linspace（均分序列）、eye（单位矩阵）等# 从列表创建arr1 = np.array([1, 2, 3, 4]) # 一维数组arr2 = np.array([[1, 2], [3, 4]]) # 二维数组（2x2）# 特殊数组zeros_arr = np

m0_48133999
2025-08-28 18:00:06

 935

 30

#python #算法 #机器学习 +2
监督学习（Supervised Learning）与无监督学习（Unsupervised Learning）

监督学习与无监督学习是机器学习的两大核心范式

 豆芽819
2025-04-23 15:45:17

 1260

 10

#学习 #人工智能 #深度学习 +1
CMT316 Applications of Machine Learning: Natural Language Processing and Computer Vision 2024-25Pyth

ProformaCMT316ofMachineLearningNaturalLanguageCoursework1AssessmentNumber1of 2AssessmentWeighting50%AssessmentLimits1(but theanswersarebrief).Part2report of uptoPythonscript.TypeNameCoversheet。

zhangqiangt
2025-03-03 13:32:02

 842

 10

#机器学习 #计算机视觉 #python +1
机器学习中的支持向量机（SVM）

支持向量机（SVM）是一种监督学习算法，主要用于分类任务。其核心思想是通过寻找最优超平面来最大化不同类别间的间隔距离，其中靠近超平面的关键数据点称为支持向量。SVM通过核技巧处理非线性可分数据，常用核函数包括线性核、多项式核和径向基函数（RBF）核。Python实现中可使用scikit-learn库，需注意参数调优（如正则化参数C和核参数）对模型性能的影响。SVM优势在于高维数据处理能力强、内存效

 小鸡吃米
2026-01-05 08:09:03

 1244

 14

#支持向量机 #机器学习 #算法
稀疏表示与字典学习：让数据“瘦身”的魔法

稀疏表示和字典学习是机器学习中非常有用的工具，它们可以帮助我们简化数据，提取关键特征，提高模型的性能。不过，我们也要注意稀疏表示的两面性，它的优点是计算高效、抗噪、可解释；由此带来的局限在于可能丢失弱特征、且不适合密集关联数据。因此，实际使用时，需要通过通过交叉验证来选择合适稀疏度。原创作者: wang_yb转载于: https://www.cnblogs.com/wang_yb/p/189140

TAGrace
2025-07-01 10:44:16

 39

#学习 #人工智能 #算法 +2
python零基础16：机器学习

机器学习基础涵盖有监督学习（回归/分类）和无监督学习（聚类/降维），数据分为瘦高型（统计学重点）和矮胖型（机器学习重点）。关键概念包括泛化能力、欠拟合和过拟合。Python工具包scikit-learn提供统一接口（fit/predict/score），支持K近邻、逻辑回归、支持向量机等算法，并通过交叉验证评估模型性能。无监督学习包括数据缩放（StandardScaler/MinMaxScaler

apjanee
2026-01-15 10:43:03

 587

 10

#python #机器学习 #开发语言
电磁场仿真-主题034-电磁超材料设计

电磁超材料作为一门新兴的交叉学科，已经深刻改变了人们对电磁材料的认识和应用方式。理论基础：等效媒质理论（Maxwell-Garnett、Bruggeman、S参数反演）、负折射率材料、电磁带隙结构、频率选择表面、超表面仿真方法等效参数提取（S参数反演法）负折射率材料响应仿真FSS传输特性仿真超表面相位调控仿真隐身斗篷简化仿真工程应用：完美吸波器、超材料天线、超表面透镜等前沿发展：有源可调超材料、非

 kkchenjj
2026-03-23 21:26:01

 112

#java #linux #开发语言 +4
机器学习01——初识机器学习

机器学习入门指南与scikit-learn实践本文系统介绍了机器学习的基本概念和应用方法。首先概述了机器学习定义和发展历史，将其分为监督学习、半监督学习、无监督学习和强化学习四大类，并列举了各类典型算法。随后详细阐述了机器学习的五大开发步骤：数据收集、数据准备、模型训练、评估和性能优化。文章重点介绍了Python机器学习工具scikit-learn的安装与使用方法，包括内置数据集（如鸢尾花数据集

 洛华363
2025-07-30 08:00:00

 1567

 26

#机器学习 #人工智能
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs viaReinforcement Learning 论文重点部分翻译和要点解读

推理任务：(1) DeepSeek-R1在AIME 2024上实现了79.8%的Pass@1得分，略高于OpenAI-o1-1217。在MATH-500上，它取得了令人印象深刻的97.3%得分，与OpenAI-o1-1217持平，并显著超越其他模型。(2) 在与编码相关的任务中，DeepSeek-R1展示了专家级别的能力，在Codeforces竞赛中获得了2,029的Elo评分，超过了96.3%的

 m0_37755875
2025-02-03 12:03:00

 1283

 14

#人工智能 #深度学习 #机器学习
特征匹配【7】：【MambaGlue】Fast and Robust Local Feature Matching With Mamba

效率与鲁棒性的权衡：现有基于Transformer的局部特征匹配方法计算复杂度高（随关键点数量平方增长），难以满足实时性需求。Mamba（选择性状态空间模型）与RNN这种状态空间模型要比Transformer结构更容易感知顺序关系（位置信息），Transformer则是通过位置编码来感知顺序关系，Mamba与Transformer的混合结构可以同时捕捉全局和局部上下文，提升特征表达能力。这种算法通

 找。不。到。路。了。呢。
2025-07-30 10:14:29

 1219

 28

#深度学习 #人工智能 #图像处理 +1
局部响应归一化（Local Response Normalization, LRN）详解

局部响应归一化（LRN）是一种在深度神经网络中使用的归一化技术，最早在 AlexNet 中被提出并广泛应用。它的主要思想是通过对局部神经元的活动进行竞争性抑制，增强模型的泛化能力。

东经116度
2025-10-23 08:30:00

 1065

 25

#深度学习 #机器学习
RNN是什么？有什么用？

从自然语言处理的机器翻译、文本生成，到语音识别、时间序列预测，再到行为分析、视频理解，RNN凭借独有的记忆机制与时序建模能力，打破了传统神经网络无法处理变长序列、无法捕捉历史信息的局限，成为深度学习中不可或缺的重要分支。本文将从RNN的起源与生物机理、核心数学原理、基础结构、经典变体（LSTM、GRU）、训练优化、实战应用、前沿发展七大维度，进行万字级系统拆解，覆盖从入门原理到工业落地的全栈知识，

泰恒
2026-03-24 07:01:09

 774

 12

#人工智能 #机器学习 #深度学习
机器学习模型案例

本文展示了使用Python进行房价数据分析与预测的全过程。首先通过pandas读取CSV格式的房价数据集并显示前10条记录，然后使用matplotlib绘制了房价与房屋面积、人均收入和平均房龄的三组散点图进行可视化分析。接着进行数据预处理，将特征变量和目标变量转换为numpy数组格式。最后基于sklearn建立多元线性回归模型，使用面积、人均收入和房龄三个因子进行训练，并对新样本[150,6000

HY_shan7727
2025-10-30 09:44:44

 621

 10

#机器学习 #人工智能
Flask与scikit-learn：构建动态Web应用与机器学习基础

本文将结合Flask框架和scikit-learn库的内容，探讨如何构建一个动态的Web应用，以及如何使用scikit-learn进行基础的机器学习。首先，我们将学习如何在Flask中创建和使用模板，处理用户输入以及维护会话状态。随后，我们将转入机器学习主题，介绍机器学习的基本概念，类型以及如何使用scikit-learn库实现和评估机器学习模型。

seiji morisako
2025-03-31 16:39:38

 463

 5

#scikit-learn #机器学习
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning论文阅读

DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning论文阅读，自留使用，欢迎交流

 吃饱了还能继续吃
2025-10-20 20:04:16

 659

 13

#论文阅读 #算法 #机器学习 +2
DeepSeek-R1解读：纯强化学习，模型推理能力提升的新范式？

Datawhale干货作者：Jimmy.DU，Datawhale成员1. Impressive PointsLLM模型推理能力提升在LLM模型post-training中，仅使用强化学习（reinforcement learning，RL）提升模型推理能力，不再依赖有监督微调训练（supervised fine-tuning，SFT）。证明了LLM模型具有自行探索长思维链（chain-of-...

Datawhale
2025-01-27 18:23:29

 986

#人工智能 #深度学习 #机器学习 +2
Python基础（十三）机器学习sklearn库详解与应用_e anad lib site-packages sklearn linear_model _lo

【5】数据集的标准化（本数据集特征比较接近，实际处理过程中未标准化）【6】构建训练集和测试集（本课暂不考虑验证集）

2501_90211109
2025-01-13 07:55:34

 605

 11

#python #机器学习 #sklearn
机器学习：后篇

本文介绍了多种机器学习算法的原理与应用，主要包括KNN、朴素贝叶斯、决策树、随机森林、线性回归、逻辑回归和K-means聚类。KNN通过计算样本距离进行分类，但计算量大且易受维度灾难影响；朴素贝叶斯基于贝叶斯理论，通过独立性假设简化计算；决策树通过信息增益或基尼指数构建分类模型，但易过拟合；随机森林通过多决策树投票提升分类效果；线性回归采用最小二乘法或梯度下降优化参数；逻辑回归结合线性回归与Sig

茫然无助
2025-09-04 20:03:01

 1195

 33

#机器学习 #人工智能
INT305 Machine Learning 机器学习 Pt.1 导论与 KNN算法

本文介绍了机器学习相关课程及基本概念。课程涵盖监督学习（KNN、决策树、SVM等）、无监督学习（K-means、混合 portfolios）和强化学习三大类。机器学习被定义为通过经验提高任务表现的计算程序，适用于图像识别等传统编程难以解决的问题。与统计学相比，机器学习更注重预测性能和可扩展性；与AI的关系上，机器学习是基于数据学习的系统，不同于符号推理等非学习型AI。文章还梳理了机器学习与人类学习

 sensen_kiss
2025-10-03 05:21:42

 1007

 17

#机器学习 #算法 #人工智能
吴恩达 Machine Learning（Class 2）

Week 1 1.1 Neural networks Model 几个概念：输入、隐藏、输出层，激活值，特征向量 x；神经网络在图像识别中的作用：从细节组合到特征，再从特征组合成完整的图像； Layers 方括号内的值 i 表示这是与第 i 层有关的数据，上一层的输出就是下一层的输入； Tensor 注意：两层括号代表的才是二维张量； 1.2 Forward Propagation 前

 拾零吖
2025-08-18 19:18:50

 1123

 26

#人工智能 #机器学习
深度学习算法大观园：从自编码器到强化学习，优缺点与实战场景全解析❤

今天演示了深度学习各分支算法的优缺点和适用场景！喜欢的朋友可以。

CKissjy
2025-06-07 22:05:18

 936

 26

#机器学习 #开发语言 #sklearn +2
机器学习-第一周

机器学习，研究(how)通过计算的手段，利用经验来改善系统自身的性能，从数据中产生模型(model)，即是研究“学习算法”(learning algorithm)。人的“经验”对应计算机中的“数据”，使计算机来学习这些经验数据，生成一个算法模型，在面对新的情况中，计算机便能作出有效的判断，这就是机器学习。“模型”泛指从数据中学得的结果（仅该书）作者yv.l1.pnn)：经典教材的作者Mitchel

麻中蓬219
2025-07-05 19:01:40

 842

 30

#机器学习