- 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 11-8 RBF核函数中的gamma
通过决策边界可以看出，当gamma = 100时，模型对数据集过拟合，所以稍微减小一些gamma的值，指定gamma = 10。将重新调用函数返回的模型命名为svc_gamma10。 将重新调用函数返回的模型命名为svc_gamma05。 gamma = 0.5时候的决策边界中红色区域的范围变的更大了。 c 小结 使用SVM算法解决分类问题，如果核函数选用高斯核（或RBF核），gamma参数值相当于在调整模型的复杂度。 当gamma非常大的时候，模型复杂度越高，模型过拟合（overfitting），模型对训练的数据集过于敏感，可以预见此时模型的返回能力肯定非常弱； 当gamma非常小的时候，模型复杂度越低，模型欠拟合 （underfitting），模型不能够非常好的反映数据集； 不过在实际应用中需要针对已有的数据集以及要解决的问题，找出最合适的gamma超参数。
6.1K51发布于 2020-10-26 企业工商信息-企业工商信息查询-企业工商法人信息-企业工商联系电话-企业工商信息API接口介绍
浙江省杭州市余杭区仓前街道龙泉路3号507室" // 值 }, { "Note": "2019年报", "Value": "浙江省杭州市余杭区余杭街道余杭街道禹航商城11 -8、11-9号二层-2" }, { "Note": "2018年报", "Value": "浙江省杭州市余杭区余杭街道禹航商城11-8、
39610编辑于 2026-06-26- 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。 整个解决方案的系统架构如图11-8所示。 图11-8 基于Power Apps所开发的应用的系统架构 任何一个解决方案的实施都需要考虑如下问题，此解决方案也不例外。 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。 如图11-8中所描述的，在本案例中，初期我们看到，整个应用需求的实现需要从官网、第三方系统、Dynamics 365中获取数据，并汇总到Microsoft Dataverse中进行数据建模。 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）
自从学了深入解析java虚拟机：FullGC和字符串去重后，我无敌了
的copy_to_survivor()过程中如果发现开启了自动去重选项，G1会调用 G1StringDedup::enqueue_from_evacuation()自动发现可以去重的字符串，如代码清单11 -8所示： 代码清单11-8 选择重复字符串 bool G1StringDedup::is_candidate_from_evacuation(...) { // 如果对象在Eden Region，并且类型是
1K20编辑于 2022-10-31 - 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） ? 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11-8中给出了Benford定律的一个图示。看起来和齐普夫分布没有太大不同，因此我们可能想知道如果用对数坐标轴绘制的话图会变成什么样子。 ▲图11-8 Benford定律 ? ▲图11-9 对数坐标轴下的Benford定律 Benford定律的广度令人震惊。
2.1K11发布于 2020-08-07 - 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
可以用一张图表示各种角色相互之间的关系，如图11-8所示。 ? ▲图11-8 黑产工具和角色 关于作者：林鹏（lion_00），CCIE (SECURITY)，猎豹移动安全总监，曾任当当网安全经理、网信金融安全专家、万达电商信息安全部总经理等职位。
4.3K21发布于 2020-07-29 - 来自专栏AI机器学习与深度学习算法
机器学习入门 11-9 SVM思想解决回归问题
一定要注意我们不能仅仅看一次train_test_split得到的score值，很有可能此时模型已经对样本点过拟合，得到的score值并不准确，此时可以使用交叉验证的方式来得到更加准确的score值。 【机器学习】机器学习入门 11-6 到底什么是核函数 【机器学习】机器学习入门 11-7 RBF核函数 【机器学习】机器学习入门 11-8 RBF核函数中的gamma 【Pytorch】PyTorch
1.4K31发布于 2020-10-26 - 来自专栏软件开发
C语言 第六章 多重循环
printf("\n"); } } /* 1 1 4 0 9 11-2*i 2 3 3 1 7 11-4 3 5 2 2 5 11-6 4 7 1 3 3 11
1.4K50发布于 2018-01-03 - 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、
3.3K10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Java架构师必看
星星模型&&雪花模型
在多维分析的商业智能解决方案中，根据事实表和维度表的关系，可将常见的模型分为星型模型和雪花型模型。在设计逻辑型数据的模型的时候，就应考虑数据是按照星型模型还是雪花型模型进行组织。 星型模型 当所有维表都直接连接到“ 事实表”上时，整个图解就像星星一样，故将该模型称为星型模型。 ? 雪花模型 当有一个或多个维表没有直接连接到事实表上，而是通过其他维表连接到事实表上时，其图解就像多个雪花连接在一起，故称雪花模型。雪花模型是对星型模型的扩展。 雪花模型和星星模型的区别： 星型模型因为数据的冗余所以很多统计查询不需要做外部的连接，因此一般情况下效率比雪花型模型要高。星型结构不用考虑很多正规化的因素，设计与实现都比较简单。 在雪花模型中，数据模型的业务层级是由一个不同维度表主键-外键的关系来代表的。而在星形模型中，所有必要的维度表在事实表中都只拥有外键。 3）性能 第三个区别在于性能的不同。
1.2K31发布于 2021-08-10 - 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。
2.2K20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
22000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”
23700编辑于 2026-02-10- 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SeanCheney的专栏
《Scikit-Learn与TensorFlow机器学习实用指南》 第11章 训练深度神经网络（下）
优化 Adam，代表自适应矩估计，结合了动量优化和 RMSProp 的思想：就像动量优化一样，它追踪过去梯度的指数衰减平均值，就像 RMSProp 一样，它跟踪过去平方梯度的指数衰减平均值 （见方程式 11 公式11-8 Adam算法 T 代表迭代次数（从 1 开始）。 如果你只看步骤 1, 2 和 5，你会注意到 Adam 与动量优化和 RMSProp 的相似性。 训练稀疏模型 所有刚刚提出的优化算法都会产生密集的模型，这意味着大多数参数都是非零的。 如果你在运行时需要一个非常快速的模型，或者如果你需要它占用较少的内存，你可能更喜欢用一个稀疏模型来代替。 如果您的计算预算有限，那么您可能必须在正确收敛之前中断训练，产生次优解决方案（参见图 11-8）。 ? 图11-8 不同学习速率的学习曲线 通过使用各种学习率和比较学习曲线，在几个迭代内对您的网络进行多次训练，您也许能够找到相当好的学习率。 理想的学习率将会快速学习并收敛到良好的解决方案。
1.5K20发布于 2020-10-27 - 来自专栏datartisan
三大数据模型：星型模型、雪花模型、星座模型
在数据仓库的建设过程中，根据事实表与维表的关系，经常将数据模型分为星型模型、雪花模型及星座模型，那么，这几种数据模型有什么区别呢？在前期规划设计时，又应该选择星型模型，雪花模型还是星座模型呢？ 星型模型是最简单最常用的模型。星型模型本质是一张大表，相比于其他数据模型更合适于大数据处理。其他模型可以通过一定的转换，变为星型模型。 星型模型的缺点是存在一定程度的数据冗余。 雪花模型 当一个或多个维表没有直接连接到事实表上，而是通过其他维表连接到事实表上时，其图解就像多个雪花连接在一起，故称雪花模型。雪花模型是对星型模型的扩展。 其缺点是增加了主键-外键关联的几率，导致查询效率低于星型模型，并且不利于开发。 星座模型 星座模型也是星型模型的扩展。 对比 三种数据模型特点对比如下： 属性 星型模型（星座模型） 雪花模型 事实表 1张或多张 1张或多张 维表 一级维表 多层级维表 数据总量 多 少 数据冗余度 高 低 可读性 高 低 表个数 少 多
20.5K21编辑于 2022-08-22 - 来自专栏计算机视觉
人工智能基础——模型部分：模型介绍、模型训练和模型微调 ！！
前言 本文将从什么是模型？什么是模型训练？什么是模型微调？三个问题，来展开介绍人工智能基础的模型部分。 模型族谱 一、什么是模型 模型是一个函数：将现实问题转化为数学问题（Encoder编码器），通过求解数学问题来得到现实世界的解决方案（Decoder解码器）。 激活函数 二、什么是模型训练 模型训练：模型训练的本质是一个求解最优化问题的过程。 模型构建： 选择或设计模型架构，这可以是简单的线性模型、决策树，或是复杂的神经网络。 初始化模型参数，这些参数将在训练过程中被优化。 微调的定义 大模型微调是利用特定领域的数据集对已预训练的大模型进一步训练的过程。它旨在优化模型在特定任务上的性能，使模型能够更好地适应和完成特定领域的任务。 2.
16.1K23编辑于 2024-03-19 - 来自专栏机器学习与统计学
深度学习模型加速：Pytorch模型转TensorRT模型
经过一段时间的调研与实践，算是对模型加速这方面有了一定的了解，便促成了此文。 1、如何实现模型加速？ 既然要提升效率，实现模型加速，那么具体应该怎么做呢？ 目前常用的深度学习模型加速的方法是：将pytorch/tensorflow等表示的模型转化为TensorRT表示的模型。 pytorch和tensorflow我们了解，那么TensorRT是什么呢？ TensorRT是NVIDIA公司出的能加速模型推理的框架，其实就是让你训练的模型在测试阶段的速度加快，比如你的模型测试一张图片的速度是50ms，那么用tensorRT加速的话，可能只需要10ms。 这条路是使用最广泛的，首先将 Pytorch 模型转换为 ONNX 表示的模型；再将 ONNX 表示的模型转换为 TensorRT 表示的模型。这个方法也是本文重点介绍的方法。 至此，模型转换部分全部结束。 5、模型推断（Inference） 这部分我们要使用转换得到的.trt模型进行Inference，要解决的任务就是：如何加载该模型，输入测试数据并得到对应的输出。
2.3K21编辑于 2024-06-11
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