- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
机器学习入门 11-4 scikit-learn中的SVM
在实例化LinearSVC类的时候传入上一个小节介绍的超参数C，当： 超参数C越大容错空间越小，模型越接近Hard Margin SVM； 超参数C越小容错空间越大，模型越接近Soft Margin SVM 对比超参数C为1e9和0.01时候的决策边界，会发现当超参数C为0.01时候的决策边界中有一个蓝色类别的样本点被错误分类，这同样符合前面对超参数C的描述，超参数C越小代表模型的容错空间越大，此时的模型越接近 对于SVM模型来说同样可以获取训练后求得的决策边界相应的系数coef_和截距intercept_。 ? 接下来试试超参数C为0.01时候的svc2，由于超参数C的值设置的非常小，因此模型有很大的容错空间。 ? ? 此时的margin距离的区域中存在很多样本点，这就是因为超参数C设置的非常小，模型容错空间比较大。 ?
2.1K20发布于 2020-07-08 - 来自专栏华章科技
马太效应和幂律分布是怎么回事？终于有人讲明白了
导读：描述“富者愈富，穷者愈穷”的马太效应，以及经济学中的帕累托法则，其背后的数学模型是什么？在统计学中，它们可以被抽象成幂律分布。 作者：帕诺斯·卢里达斯（Panos Louridas） ? 在图11-4中，我们绘制了表11-1中的数据。注意，分布只是为整数值定义的。我们增加了一条差值线来显示总体趋势。另外注意，理论概率和经验概率并不是完全重叠。 这是我们将一个数学模型应用到现实世界时必须要面对的情况。 ? ▲图11-4 布朗语料库中最常见的20个单词的Zipf分布 当我们发现一个快速下降的趋势时，如图11-4中的趋势，就有必要检查一下，如果我们将熟悉的x和y坐标轴替换为对数坐标轴会发生什么。 在对数坐标轴中，我们将所有值转换为它们的对数后绘制出来，图11-5给出了与图11-4等价的对数坐标图：对每个y我们使用log y，对每个x，我们使用log x。 ?
2.1K11发布于 2020-08-07 - 来自专栏CSDNToQQCode
软考中级(软件设计师)——数据流图(DFD图下午第一题15分)(必拿题)
信用 卡客户可以通过CCMS查询并核实其交易信息(包括信用卡交易记录及交易额)●图11-3和图11-4分别给出了该系统的顶层数据流图和0层数据流图的初稿。 11-3 11-4 [问题1] (3分) 根据[说明]， 将图11- 3中的E1 ~ E3填充完整。 (注 :数据流的起点和终点均采用图中的符号和描述) [问题3] (5分) 图11-4中有两条数据流是错误的，请指出这两条数据流的名称,并改正。 (注:数据流的起点和终点均采用图中的符号和描述) [问题4] (4分) 根据[说明]， 将图11-4中P1 ~ P4的处理名称填充完整。 题目解析： 1.信用卡申请。
4.8K21编辑于 2022-11-30 - 来自专栏愿天堂没有BUG（公众号同名）
如果你精通java虚拟机：新生代垃圾回收YoungGC之后，薪资不止20K
对象复制负责将队列中的所有存活对象复制到Survivor Region或者晋升到Old Region，如代码清单11-4所示： 代码清单11-4 对象复制 template <class T> void
78620编辑于 2022-10-31 - 来自专栏华章科技
所到之处，寸草不生！深扒黑产工具和羊毛党操作流程
5）打码平台：这里的打码平台指利用猫池或工具自动发送和接收短信验证码并可以自动填写验证码，而一些难以识别的验证码，可以通过图形识别甚至由后台人工识别后填写，也叫“云”打码平台，如图11-4所示。 ? ▲图11-4 打码平台 6）手机模拟器、刷机软件：手机模拟器的产生本身是为了方便开发人员在没有手机的情况下，使用模拟器对程序进行开发和调试，但黑产也注意到模拟器可以模拟手机进行操作，有时候可以省下手机成本
4.3K21发布于 2020-07-29 - 来自专栏医学和生信笔记
R语言正交设计方差分析（代码+数据）
本篇以雌螺产卵最优条件研究为例（4因素2水平，8次实验替代原本的16次），演示了如何用aov()在正交设计数据上拟合包含主效应和指定交互项的方差分析模型。 使用孙振球《医学统计学》第4版例11-4的数据。 研究雌螺产卵的最优条件，在20cm²的泥盒里饲养同龄雌螺10只，试验条件有4个因素，每个因素2个水平。
39810编辑于 2026-04-09 - 来自专栏程序猿DD
宜家如何利用低代码平台提升员工效率，提高数据价值
Kitchen App 这是Power Apps模型驱动的应用，利用了Dynamics 365现场服务功能。 应用示例如图11-4及图11-5所示。 图11-4 用于管理客户会议的Co-Worker App 3.B2B App 这是一个由Power Apps模型驱动的应用，它利用了Dynamics 365销售功能，管理B2B销售渠道，可以为宜家的B2B 模型驱动应用孵化于Dynamics 365，具有高度组件化、定制化的特点，可以根据用户业务需要定义每个模块的功能。 整个数据获取所涉及的问题就都找到了实现的方向，业务人员就可以将精力放在如何合理地构建数据模型并实现相应的业务逻辑上。
2K20发布于 2021-09-03 - 来自专栏愿天堂没有BUG（公众号同名）
平台管理后台与商家菜单资源管理：商家权限及其菜单资源管理设计
在完成设计后，模块菜单管理的显示效果如图11-4所示。 在图11-4中，URL是进入订单管理主页的一个链接地址，菜单所关联的上级菜单为“订单系统”。
2.4K40编辑于 2022-10-28 - 来自专栏学习
【软件测试】敏捷模型（Scrum模型）和V模型、W模型
敏捷模型 前面的那些模型以前非常流行，但现在开发人员在使用的时候会遇到各种问题。主要困难包括在项目开发期间处理来自客户的变更请求，以及合并这些变更所需要的高成本和时间。 在实际工作中，一款产品的功能是不断在变化的 所以为了克服这些缺点，就提出了敏捷软件开发模型。在敏捷模型中，需求被分解成许多可以增量开发的小部分。敏捷模型采用迭代开发。每个增量部分都是在迭代中开发的。 敏捷模型主要旨在帮助项目快速适应变更请求。 V 模型 V 模型中，明确的标注了测试过程中存在的不同类型的测试 右边的测试，都需要参考左边对应高度的要求 缺点： 仅仅把测试作为在编码之后的一个阶段，未在需求阶段就介入测试。 缺点和瀑布模型一样 W 模型（双 V 模型） V 模型中未将测试前置的问题在 W 模型中得以解决 开发 V 模型并不是单单指编码阶段，而是为产品开发流程而实施的各个阶段 测试的对象不仅是程序，需求、
3.4K10编辑于 2024-11-15 - 来自专栏数据分析与挖掘
pycaret之训练模型（创建模型、比较模型、微调模型）
1、比较模型 这是我们建议在任何受监管实验的工作流程中的第一步。此功能使用默认的超参数训练模型库中的所有模型，并使用交叉验证评估性能指标。它返回经过训练的模型对象。 2、创建模型 在任何模块中创建模型就像编写create_model一样简单。它仅采用一个参数，即型号ID作为字符串。 尽管有一个单独的函数可以对训练后的模型进行集成，但是在通过create_model函数中的ensemble参数和方法参数创建时，有一种快速的方法可以对模型进行集成。 3、微调模型 在任何模块中调整机器学习模型的超参数就像编写tune_model一样简单。它使用带有完全可定制的预定义网格的随机网格搜索来调整作为估计量传递的模型的超参数。 对于有监督的学习，此函数将返回一个表，该表包含k倍的通用评估指标的交叉验证分数以及训练有素的模型对象。对于无监督学习，此函数仅返回经过训练的模型对象。
2.9K10发布于 2020-10-27 - 来自专栏Backup@zzk
生成模型&判别模型
#生成模型 #判别模型机器学习中的判别式模型和生成式模型目录：基本概念用例子说明概念判别式模型和生成式模型的区别二者所包含的算法在机器学习中，对于有监督学习可以将其分为两类模型：判别式模型和生成式模型。 1.2 生成式模型这么做一般会对每一个类建立一个模型，有多少个类别，就建立多少个模型。 生成式模型： 是根据山羊的特征首先学习出一个山羊的模型，然后根据绵羊的特征学习出一个绵羊的模型，然后从这只羊中提取特征，放到山羊模型中看概率是多少，再放到绵羊模型中看概率是多少，哪个大就是哪个。 但是，生成式模型的概率分布可以有其他应用，就是说生成式模型更一般更普适。不过判别式模型更直接，更简单。两种方法目前交叉较多。由生成式模型可以得到判别式模型，但由判别式模型得不到生成式模型。3. 判别式模型和生成式模型的区别3.1 判别式模型和生成式模型的对比图图片上图左边为判别式模型而右边为生成式模型，可以很清晰地看到差别，判别式模型是在寻找一个决策边界，通过该边界来将样本划分到对应类别。
1.3K00编辑于 2023-08-17 - 来自专栏HUC思梦的java专栏
瀑布模型&螺旋模型
软件开发模型： 1.瀑布模型 1）软件概念阶段 用户需求 2）需求分析 软件需求 3）架构设计 架构文档 4）详细设计 模型设计 5）编码阶段 代码文档 6）测试阶段 瀑布模型的特点是在每个阶段的工作都清晰详尽 瀑布模型还有一个缺点是项目编码处在后半程，因此客户需要等待很长时间才能体验到产品，故此需要在早期就为用户提供一个体验的样本，这个样本就是产品原型。 瀑布模型非常适合使用在需求清晰且不易改变的情况。 除此之外，遇到一个需求非常清晰的客户是使用瀑布模型的一个重要前提。 2.螺旋模型 ? 螺旋模型兼顾了快速成型的迭代特征以及瀑布模型的系统化与严格监控。 螺旋模型最大的特点在于引入了其他模型不具备的风险分析，使软件在无法排除重大风险时有机会停止，以减小损失。 螺旋模型的特点是每阶段只完成特定部分的功能，循环渐进式的开发。 螺旋模型非常适合使用在客户需求经常发生变化或者客户需求不明确的情况。
1.8K20发布于 2020-09-03 - 来自专栏数据万花筒
模型分类之生成模型与鉴别模型
一、生成模型与判别模型概述 生成模型是通过联合概率分布来求条件概率分布，而判别模型是通过数据直接求出条件概率分布，换句话说也就是，生成模型学习了所有数据的特点，判别模型则只是找出分界。 ? 二、生成模型与鉴别模型详细介绍 ? ? 三、生成模型与判别模型的优缺点 概率图分为有向图（bayesian network）与无向图（markov random filed）。 在概率图上可以建立生成模型或判别模型。有向图多为生成模型，无向图多为判别模型。 生成模型（Generative Model），又叫产生式模型。 所以生成模型和判别模型的主要区别在于：添加了先验概率 即：生成模型：p(class, context)=p(class|context)*p(context) 判别模型：p(class|context) ； （5）判别模型的性能比生成模型要简单，比较容易学习。
2.3K20发布于 2020-12-30 光照模型：Phone模型
Phong模型1) 向量定义（对应图中几何关系）P：表面上一点（当前像素/片元的位置）N：该点的单位法线（图中虚线方向），N = normalize(N)L：光照方向（从点 P 指向光源 LightPos 2) Phong 三项：环境光 + 漫反射 + 镜面反射Phong 模型把最终颜色/亮度写成： I = I_ambient + I_diffuse + I_specular(1) 环境光 Ambient color = (ambient + diffuse + specular) * uObjectColor; FragColor = vec4(color, 1.0);}Blinn-Phong模型在 phong模型的基础上，改变高光的计算，不使用反射向量，取而代之的是半程向量H：H = normalize(L + V)几何意义：H 是 L 和 V 的角平分方向。 镜面反射（替换为 Half Vector）：undefined I_specular = Ks * Il * (max(dot(N, H), 0) ^ shininess)其他项计算和phong模型的计算一致
24600编辑于 2026-02-10光照模型：Gouraud模型
它不是一个新的光照模型（不改变 Phong/Blinn-Phong 的公式），这两种光照模型的不同就是在不同的阶段计算光照。 （高光消失）、高光漂移、大片三角形上光照显得不真实主要是性能成本；若法线质量差会暴露法线问题但不属于插值缺陷 适用场景 移动端/低端硬件、物体很多、以漫反射为主、网格较密的模型 高质量渲染、强高光材质（金属/塑料/车漆等）、网格较粗也要细节的情况 与光照模型关系 可搭配 Lambert/Phong/Blinn-Phong；只是“在哪算”
26500编辑于 2026-02-10- 来自专栏用户8928967的专栏
第11章 手机响应式开发（下）
https://man.ilovefishc.com/pageHTML5/meta.html 11-4 常见的实现响应式表格的方法有哪几种？
1.2K20发布于 2021-09-22 - 来自专栏陶陶计算机
PyTorch 实战（模型训练、模型加载、模型测试）
本次将一个使用Pytorch的一个实战项目，记录流程：自定义数据集->数据加载->搭建神经网络->迁移学习->保存模型->加载模型->测试模型 自定义数据集 参考我的上一篇博客：自定义数据集处理 数据加载 此时拟合目标就变为F(x)，F(x)就是残差： [在这里插入图片描述] * 训练模型 def evalute(model, loader): model.eval() correct pytorch保存模型的方式有两种： 第一种：将整个网络都都保存下来 第二种：仅保存和加载模型参数（推荐使用这样的方法） # 保存和加载整个模型 torch.save(model_object , 'model.pkl') model = torch.load('model.pkl') # 仅保存和加载模型参数(推荐使用) torch.save(model_object.state_dict( model.pkl则是第一种方法保存的 [在这里插入图片描述] 测试模型 这里是训练时的情况 [在这里插入图片描述] 看这个数据准确率还是不错的，但是还是需要实际的测试这个模型，看它到底学到东西了没有
3.6K20编辑于 2022-05-12 - 来自专栏数据分析与挖掘
pycaret之集成模型（集成模型、混合模型、堆叠模型）
1、集成模型 组装训练好的模型就像编写ensemble_model一样简单。它仅采用一个强制性参数，即经过训练的模型对象。 此函数可用于混合可以使用blend_models中的estimator_list参数传递的特定训练模型，或者如果未传递列表，它将使用模型库中的所有模型。 3、堆叠模型 堆叠模型是使用元学习的整合方法。堆叠背后的想法是建立一个元模型，该模型使用多个基本估计量的预测来生成最终预测。在PyCaret中堆叠模型就像编写stack_models一样简单。 此函数使用estimator_list参数获取训练模型的列表。所有这些模型构成了堆栈的基础层，它们的预测用作元模型的输入，可以使用meta_model参数传递该元模型。 restack参数控制将原始数据公开给元模型的能力。默认情况下，它设置为True。当更改为False时，元模型将仅使用基本模型的预测来生成最终预测。
3.7K10发布于 2020-10-27 - 来自专栏hbbliyong
web程序打包详解
图11-3, 单击"添加文件",然后选中刚刚您编辑好的rtf文件,确定即可,如图11-4所示: ? 图11-4; 12,现在我们来看看文本框的作用,首先给大家科普一下这个文本框的作用.大家在安装软件或者配置网站的时候,往往都会做一些数据库配置的东西,因为不同的电脑,他的sql服务器名就不一样,有些有了实例名
1.7K70发布于 2018-03-05 - 来自专栏奔跑的人生
一键发布ASP.NET Web安装程序
图11-3, 单击"添加文件",然后选中刚刚您编辑好的rtf文件,确定即可,如图11-4所示: ? 图11-4; 12,现在我们来看看文本框的作用,首先给大家科普一下这个文本框的作用.大家在安装软件或者配置网站的时候,往往都会做一些数据库配置的东西,因为不同的电脑,他的sql服务器名就不一样,有些有了实例名
1.8K10发布于 2019-09-10
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号