摘要：
7.22 1.pd处理完后想转tensor 先x=data.to_numpy()转为numpy，再torch.tensor(x,dtype=float32)转为张量 2.标准化、归一化使用训练集的值进行，但是后来要测试的时候，仍然要使用训练集的量，而不能使用测试集的特征量，因为未知 3.使用batc 阅读全文
posted @ 2026-07-22 10:03
Ihsinchao
阅读(4)
评论(0)
推荐(0)
摘要：
ctrl+,设置中搜索editor.inlineSuggest.enabled取消勾选 Editor > Inline Suggest: Enabled 阅读全文
posted @ 2026-07-14 18:54
Ihsinchao
阅读(4)
评论(0)
推荐(0)
摘要：
# 1. 创建虚拟环境 python -m venv .venv # 2. 激活它（激活后前面会有 (.venv) 字样） .venv\Scripts\activate 阅读全文
posted @ 2026-07-14 18:03
Ihsinchao
阅读(8)
评论(0)
推荐(0)
摘要：
逻辑回归模型代码 #逻辑回归 # 预测函数采用sigmoid类型 # 代价函数采用新的极大似然估计函数 # 优化代价函数思路采用梯度下降 import numpy as np import pandas as pd from sklearn.preprocessing import Standard 阅读全文
posted @ 2026-07-06 11:03
Ihsinchao
阅读(7)
评论(0)
推荐(0)
摘要：
借助pandas库使用外部导入的数据进行线性拟合 〇、pandas库使用 1.数据读取 import pandas as pd df=pd.read_csv('your_path') #由于read_csv是针对于全局的操作，所以要使用pd.来调用 2.选择特征与结果进行向量化 pd的value方法 阅读全文
posted @ 2026-07-04 16:48
Ihsinchao
阅读(11)
评论(0)
推荐(0)
摘要：
线性回归的监督学习特征 根据对线性回归模型的掌握，机器学习就是对于向量化后的数据，先定义一个拟合函数形式与参数，然后定义误差函数，再确定误差函数最小化的方法，最后再根据最小化的情况来确定拟合形式的参数值 也就是监督学习的核心逻辑：用更专业的术语来说，这就是经验风险最小化（Empirical Risk 阅读全文
posted @ 2026-07-04 15:48
Ihsinchao
阅读(8)
评论(0)
推荐(0)
摘要：
代码 #线性回归模型 损失函数使用均方计算 优化算法采用梯度下降 import numpy as np m,n=100,3 X=np.random.rand(m,n) w0=np.array([[3.1415926],[3.1415927],[3.1415928]]) noise=0.05*np.r 阅读全文
posted @ 2026-07-04 15:21
Ihsinchao
阅读(8)
评论(0)
推荐(0)
摘要：
〇、numpy库导入 import numpy as np ### 之后使用np作为numpy的别名 一、矩阵的生成 1.array方法 x=np.array( [ [1,2,3],[4,5,6] ] ) #一层括号一层维度，默认都是行向量 每一行的数字使用方括号括起，不同行逗号隔开，整个矩阵再使用 阅读全文
posted @ 2026-07-04 14:01
Ihsinchao
阅读(6)
评论(0)
推荐(0)
摘要：
安装 直接使用pip进行安装 使用 命令行指令 cd C:User\文件夹 jupyter notebook 常见问题 1.无法正常启用 解决：环境变量Path设置新增jn安装位置路劲 2.特定的jupyter notebook缺少对应的库 解决：在import之前添加cell后添加pip命令并运行 阅读全文
posted @ 2026-07-03 17:51
Ihsinchao
阅读(5)
评论(0)
推荐(0)
摘要：
一、前置数学知识（主要是贝叶斯公式） 贝叶斯公式 正向为全概率公式：P(A)=P(A|B1)P(B1)+P(A|B2)P(B2)+P(A|B3)P(B3)+...+P(A|Bn)P(Bn) 逆向为贝叶斯：A已经发生的情况下，求是由Bi引起的概率有多大 P（Bi|A）=P(ABi)/P(A)=P(A| 阅读全文
posted @ 2026-01-19 21:10
Ihsinchao
阅读(30)
评论(0)
推荐(0)
浙公网安备 33010602011771号