模型评估与选择 评估方法 留出法 就是目前用的划分数据集的办法，注意是互斥的数据集 交叉验证 分为k个子集，用k-1作为训练集，剩下的作为测试集 性能度量 回归最常用的是均方误差 定义混淆矩阵： 正例 反例 TP（预测为真，实际为真） FN（预测为假，实际为真） FP（预测为真，实际为假） TN（预测为假，实际为假） 查准率（Precision）=…

机器学习_4:模型实用技巧 只套用模型会造成以下问题： 不能保证数据特征都是好的 学习得到的参数不一定是最优的 默认配置下的模型不是最佳的 因此，本节给出三种提升模型性能的方法 特征提升 特征抽取 将类似于声纹，图像，符号化等文本量化为特征向量。可以用DictVectorizer对特征进行抽取与向量化 # 自定义字典 measurements=[{…

机器学习_3:无监督学习经典模型 可以算作是一种特征工程的办法了。他最重要的是发现数据本身的特点。功能如下： 发现数据的群落（聚类），寻找离群的样本 降维处理（PCA），保留低维且相关性高的特征 数据聚类 k均值算法 导包+导数据集 import numpy as np import matplotlib.pyplot as plt import …

机器学习_2:监督学习经典模型 模型是小，因为通过百度掉包都可以实现，但是重要的是流程 分类学习 线性分类器 数据集url地址（乳腺癌良恶性预测）：https://archive. ics. uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/ 假设特征与分类结果存在线性关系，…

想恶补一下基础，为5月份的实习做准备，写一篇浅浅记录一下吧 引言 分类 有监督学习：有特征与标记（决定监督学习的种类），使用特征向量描述数据样本， 无监督学习：没有特征与标记，无法预测 从原始数据转为特征向量的过程中，存在多种数据数据类型（类别形，数值型，缺失值） 性能 预测性质：预测正确类别的百分比，俗称准确性（Accuracy） 回归：预测值与…

滑动窗口差分特征 (Difference in Rolling Window)：在滑动窗口内计算差分特征，用于捕捉时间序列的趋势变化。 卡方分箱 (Chi-Square Binning)：将连续特征分成不同区间，以保留数据分布的重要信息。 时间序列聚类特征 (Time Series Clustering)：将相似的时间序列数据聚类，以提取聚类标签作…

频率编码 (Frequency Encoding)：用类别出现的频率替代原始值，有助于模型学习类别的稀有程度。 目标编码 (Target Encoding)：用目标变量的统计信息（如平均值、标准差）替换类别特征，从而传递目标变量的信息。 时间特征 (Time Features)：从时间戳中提取年、月、日、小时等信息，帮助模型捕捉时间相关的模式。 季…

摘要（中） 物理信息神经网络(PINN)是一种神经网络(NNs)，它编码模型方程，如偏微分方程(PDE)，作为神经网络本身的一个组成部分。pinn目前被用于求解偏微分方程、分数方程、积分微分方程和随机偏微分方程。这种新颖的方法已经成为一种多任务学习框架，其中神经网络必须拟合观测数据，同时减少PDE残差。这篇文章提供了一个关于pinn的文献的全面回顾…

前言 越写越上头，话不多说，再续前缘！ 方法 空间特征 (Spatial Features)：对于地理数据，可以提取经纬度、距离、区域等空间特征，用于地理信息系统分析。 音频特征 (Audio Features)：从音频数据中提取梅尔频谱、音高、节奏等特征，适用于语音识别和音乐分析。 图像颜色特征 (Color Features)：提取图像的颜色直…

起因 很想打比赛，然后发现大部分的机器学习比赛中特征工程才是最重要的，因此就小小的总结一下把，也省得天天打游戏==（也不知道能坚持多久🤣🤣🤣） 方法 归一化 (Normalization)：通过将特征缩放到一定范围，如0到1或-1到1，以便模型更好地处理不同尺度的特征。避免数据过于离散 标准化 (Standardization)：通过减去均值并除以…