摘要：
R-squared 分数（R² Score），也称为决定系数（Coefficient of Determination）或简称R方，是回归分析中用来评估模型拟合优度的一个重要统计指标。 它衡量了因变量（Y）的变异中可以被自变量（X）解释的比例。简单来说，R-squared 分数告诉您回归模型对数据变 阅读全文
posted @ 2025-11-11 10:01
PKICA
阅读(54)
评论(0)
推荐(0)
摘要：
样本特征数据的标准化（Feature Scaling 或 Standardization）是数据预处理的关键步骤之一，尤其在线性回归、逻辑回归、神经网络、支持向量机等依赖距离度量的算法中至关重要。 标准化可以通过多种方法实现，最常用的是 Z-Score 标准化 和归一化（Min-Max Scalin 阅读全文
posted @ 2025-11-10 16:38
PKICA
阅读(73)
评论(0)
推荐(0)
摘要：
1. 线性回归问题 最小二乘法，梯度下降法，神经网络法均能应用于线性回归问题。在实践中，对于标准的线性回归问题，人们通常首选最小二乘法，因为它能直接给出精确解且速度快；对于大数据集，梯度下降法是更好的选择。 阅读全文
posted @ 2025-11-10 16:11
PKICA
阅读(4)
评论(0)
推荐(0)
摘要：
高斯使用的最小二乘法的方法发表于1809年他的著作《天体运动论》中。法国科学家勒让德于1806年独立发明“最小二乘法”，但因不为世人所知而默默无闻。勒让德曾与高斯为谁最早创立最小二乘法原理发生争执。 最小二乘法（Least Squares Method，又称最小平方法）是一种统计学和数学优化技术，旨 阅读全文
posted @ 2025-11-10 15:12
PKICA
阅读(19)
评论(0)
推荐(0)
摘要：
ONNX（Open Neural Network Exchange，开放神经网络交换）模型文件是一种开放格式，用于表示机器学习和深度学习模型。它充当不同 AI 框架之间的通用“桥梁”或中间表示层。 1. 主要用途和特点 互操作性（Interoperability）：ONNX 的核心目标是解决不同深度 阅读全文
posted @ 2025-11-10 10:56
PKICA
阅读(109)
评论(0)
推荐(0)
摘要：
1. 基本概念 输入 input (x1,x2,x3)是外界输入信号，一般是一个训练数据样本的多个属性，比如，我们要预测一套房子的价格，那么在房屋价格数据样本中，x1可能代表了面积，x2可能代表地理位置， x3可能代表朝向。另外一个例子是， 分别代表了(红,绿,蓝)三种颜色，而此神经元用于识别输入的 阅读全文
posted @ 2025-11-07 16:38
PKICA
阅读(11)
评论(0)
推荐(0)
摘要：
梯度下降（Gradient Descent）是优化算法的核心，是机器学习和深度学习中最基础、最重要的算法之一。 它的主要目标是找到一个函数的最小值，通常用于最小化模型的损失函数（Loss Function），从而找到使模型预测最准确的最佳参数（权重和偏置）。 1. 核心原理：下山比喻 想象你被困在浓 阅读全文
posted @ 2025-11-07 15:39
PKICA
阅读(7)
评论(0)
推荐(0)
摘要：
平均绝对误差（Mean Absolute Error，简称 MAE）是回归模型中最常用的评估指标和损失函数之一。它衡量模型预测值与实际观测值之间的平均绝对差异，反映了预测误差的平均大小。 1. 定义与公式 2.主要特点 直观易懂：MAE 的值与原始数据具有相同的量纲，可以直接解释为平均的误差大小。 阅读全文
posted @ 2025-11-07 14:56
PKICA
阅读(80)
评论(0)
推荐(0)
摘要：
1. MSE 是非凸函数，难以优化 对于分类问题（尤其是多分类问题），当使用 Sigmoid 或 Softmax 作为激活函数时，如果同时使用均方误差（MSE）作为损失函数，会导致整体的损失函数曲面是非凸的（Non-convex）。 问题：非凸函数意味着在使用梯度下降进行优化时，很容易陷入局部最优解 阅读全文
posted @ 2025-11-07 14:42
PKICA
阅读(18)
评论(0)
推荐(0)
摘要：
Focal Loss（焦点损失函数）是一种在标准交叉熵损失函数基础上改进的损失函数，由 Facebook AI Research（FAIR）的何恺明团队于 2017 年在论文《Focal Loss for Dense Object Detection》中提出。 它被设计出来主要用于解决类别极度不平衡 阅读全文
posted @ 2025-11-07 10:51
PKICA
阅读(216)
评论(0)
推荐(0)
浙公网安备 33010602011771号