def knn_iris(): # 获取数据 iris = load_iris() # 划分数据集 x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=22) # 特征工程:标准化 transfer = StandardScaler() x_train = transfer.fit_transform
点击查看代码 import math import numpy as np import torch from torch import nn from d2l import torch as d2l # 生成数据集 max_degree = 20 # 多项式的最大阶数 n_train, n_test = 100, 100 # 训练和测试数据集大小 true_w = np.zeros(max_degree) # 分配大量的空间 tr
yolov5训练识别人、反光衣、安全带、安全绳、安全帽 1、标注数据 2、整理数据 3、训练：修改：myvoc.yaml train: VOC_2022061401/train.txt val: VOC_2022061401/val.txt # number of classes nc: 5 # class names names: ["Reflective clothing","Safety belt","Safet
1、使用了五折 kf = KFold(n_splits=folds, shuffle=True, random_state=seed) 2、lgbm的结果最好，训练速度相比于xgb和cat也比较快 train_matrix = clf.Dataset(trn_x, label=trn_y) valid_matrix = clf.Dataset(val_x, label=val_y) params = {
点击查看代码 import torch import torchvision from torch import nn from d2l import torch as d2l from torch.utils import data from torchvision.transforms import transforms batch_size = 256 train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size) # tran
点击查看代码 import pylab import torch from IPython import display from d2l import torch as d2l # softmax回归的从零开始实现 batch_size = 256 train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size) # 初始化模型参数 # 将展平每个图像，把它们看作长度为78
想来想去还是记录一下吧，主要是怕以后时间长忘了 好记性不如烂笔头 代码来自eriklindernoren的开源GAN实现：https://github.com/eriklindernoren/Keras-GAN 主要是添加了一些注解，大家可以参考原工程来看 因为dcgan本质上与gan没什么区别（在实现时就是把全连接层换成卷积层了而已），所以
yolov5训练表示识别模型日志记录 1、标注数据 2、整理数据 3、训练：修改：myvoc.yaml train: VOC_2022060901/train.txt val: VOC_2022060901/val.txt # number of classes nc: 1 # class names names: ["M_beacom"] 4、开始训练 python train_20220609.py --batch
目录一、 机器学习项目的一般步骤：二、线性回归三、降维（P188）四、聚类（P210） 一、 机器学习项目的一般步骤： 1.明确任务，收集数据 我们首先要明确可以获得什么样的数据，机器学习的目标是什么，该任务是否可以归为标准的机器学习任务，如是否为分类、回归。如果我们可以控制数据收集，则应确保获
经过“数据清理”和“特征变换”后的数据集，已经满足了数据科学项目中算法对数值的基本要求。但是， 不呢止步于此，数据集的特征数量、质量会影响计算效率和最终模型的预测、分类效果。所以要对特征进行选择，即根据具体的项目选择适合的特征。 3.1 特征选择简述 是不是维度越大的数据
目录实验二 线性回归实验三 Logistic回归————LR_iris.py *实验四 支持向量机SVM————SVM.py *实验五 生成式分类器————PCALDA.py*实验六 决策树实验八 神经网络————letnet.py *实验九 降维————DR_Mnist.py * 实验二 线性回归 一、实验目的 掌握数据预处理
Overview K近邻值算法 KNN (K — Nearest Neighbors) 是一种机器学习中的分类算法；K-NN是一种非参数的惰性学习算法。非参数意味着没有对基础数据分布的假设，即模型结构是从数据集确定的。 它被称为惰性算法的原因是，因为它不需要任何训练数据点来生成模型。所有训练数据都用于测试阶
我们讨论过表示数据属性的两种类型的特征：连续特征与分类特征，前者用于描述数量，后者是固定列表中的元素。 第三种类型的特征：文本 文本数据通常被表示为由字符组成的字符串。 1、用字符串表示的数据类型 文本通常只是数据集中的字符串，但并非所有的字符串特征都应该被当作文本来处理
问题描述： 分析地面采集的光谱和LiDAR结构信息，估计由于病虫害引起的失叶率 由光谱信息建立模型 由结构信息建立模型 由光谱信息和结构信息相结合建立模型 分别画预测和验证集散点图，计算R2和RMSE 代码实现： train = read.csv("F:/Simplified_Canopy_defoliation_analysis_training
1 新建容器 进入正题 mmdetection docker环境上次已经介绍一次了 ，现在我们新建一个容器 sudo nvidia-docker run -shm-size=8g -name mm_det -it -v /train_data:/mmdetection/data nvidia-docker：新建容器能调用GPU -name : 容器名称 可自行修改 -v ：映射宿主目录到容器目录,
AGC011F- Train Service Planning 题解 可以看作有n个卡槽，每个里面有两个滑块，分别是间隔为\(k\)的两种斜线。 你需要滑动这些滑块，在满足要求的前提下，代价尽可能小。 对于\(B=2\)的卡槽，两个滑块之间没有限制。 对于\(B=1\)的卡槽，需要保证斜线不交，显然\(2A>k\)则无解。 由于两个滑块
实验结果： 源代码： import numpy as np import matplotlib.pyplot as plt def load_data(filename): # 载入数据 xys = [] with open(filename, 'r') as f: for line in f: xys.append(map(float, line.strip().split())) xs, ys
线性回归的参数优化： 先完成最小二乘法的优化 (参考书中第二章 2.3中的公式) 再完成梯度下降法的优化 (参考书中第二章 2.3中的公式) 不同的基函数实现： 多项式基函数 高斯基函数 函数： 载入数据：load_data(filename) 基函数： identity_basis(x) multinomial_basis(x, feature_nu
1、多分类指标 前面已经深入讨论了二分类任务的评估，下面来看一下对多分类问题的评估指标。 多分类问题的所有指标基本上都来自二分类指标，但要对所有类别进行平均。 除了精度，常用的工具有混淆矩阵和分类报告 sklearn.metrics.confusion_metrix sklearn.metrics.classification_repo
import tensorflow.compat.v1 as tf # from tensorflow.examples.tutorials.mnist import input_data import os import pandas as pd import numpy as np from tensorflow.python.keras.utils import to_categorical os.environ['TF_CPP_MIN_LOG_LEVEL'] = '
这里总体的看一个MNIST的例子用来看看flax是如何工作的 导包 import jax import jax.numpy as jnp # JAX NumPy from flax import linen as nn # The Linen API from flax.training import train_state # Useful dataclass to keep train state impor
做实验时，要导入数据时，一定要分清文件的层级关系; 如上图，train与Data是同级别的，要在train.py中读入数据时用./表示同级别的路径，若用../表示增加一个级别，那就是和myproject一样的地位，因为 Data在myproject之下，显然找不到
1 首先，加载是有条件的，就是两个模型想要加载的参数的名字相同，才能加载进来。 2 加载的方法有两种，load_state_dict(strict)和update 代码里的方法是对backbone单独做一个Module类，这样不容易出错。 代码中展示了如何把train_net中的backbone参数加载到test_net中的两种办法 impor
1.关于Keras 1）简介 Keras是由纯python编写的基于theano/tensorflow的深度学习框架。 Keras是一个高层神经网络API，支持快速实验，能够把你的idea迅速转换为结果，如果有如下需求，可以优先选择Keras： a）简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性） b）支持CNN和RNN，或二者的
import torchvision# 通过ToTensor()将数据集转为tensor数据类型，并通过compose连接from torch.utils.tensorboard import SummaryWriterdataset_transform = torchvision.transforms.Compose([ torchvision.transforms.ToTensor()])# 加载数据集，其中CIFAR10是pytorch提供的一种
