深入了解逻辑回归：机器学习中的经典算法

Java Fans2024-11-07 21:46

✅作者简介：2022年博客新星 第八。热爱国学的Java后端开发者，修心和技术同步精进。

🍎个人主页：Java Fans的博客

🍊个人信条：不迁怒，不贰过。小知识，大智慧。

💞当前专栏：Java案例分享专栏

✨特色专栏：国学周更-心性养成之路

🥭本文内容：微信小程序------用户隐私保护指引填写（详细版）

文章目录

  • 引言
    • [1. 逻辑回归的基本原理](#1. 逻辑回归的基本原理)
      • [1.1 线性组合](#1.1 线性组合)
      • [1.2 Sigmoid函数](#1.2 Sigmoid函数)
      • [1.3 概率预测](#1.3 概率预测)
      • [1.4 决策边界](#1.4 决策边界)
      • [1.5 损失函数](#1.5 损失函数)
      • [1.6 优化过程](#1.6 优化过程)
    • [2. 数学模型](#2. 数学模型)
      • [2.1 线性组合](#2.1 线性组合)
      • [2.2 Sigmoid函数](#2.2 Sigmoid函数)
      • [2.3 概率预测](#2.3 概率预测)
      • [2.4 决策边界](#2.4 决策边界)
      • [2.5 损失函数](#2.5 损失函数)
      • [2.6 优化过程](#2.6 优化过程)
    • [3. 实现步骤](#3. 实现步骤)
      • [3.1 数据准备](#3.1 数据准备)
      • [3.2 特征缩放](#3.2 特征缩放)
      • [3.3 模型训练](#3.3 模型训练)
        • [3.3.1 初始化参数](#3.3.1 初始化参数)
        • [3.3.2 定义损失函数](#3.3.2 定义损失函数)
        • [3.3.3 计算梯度](#3.3.3 计算梯度)
        • [3.3.4 更新参数](#3.3.4 更新参数)
        • [3.3.5 迭代训练](#3.3.5 迭代训练)
      • [3.4 模型评估](#3.4 模型评估)
      • [3.5 预测](#3.5 预测)
    • [4. 应用场景](#4. 应用场景)
  • 总结

引言

在机器学习的广阔领域中，逻辑回归作为一种经典的统计学习方法，凭借其简单性和有效性，始终占据着重要的地位。尽管其名称中包含"回归"二字，逻辑回归实际上是一种用于分类问题的算法，特别适合处理二分类任务。它的基本思想是通过对输入特征的线性组合，预测某一事件发生的概率，从而为决策提供依据。

逻辑回归的魅力在于其直观的数学模型和易于解释的结果。与其他复杂的机器学习算法相比，逻辑回归的模型参数可以直接反映特征对预测结果的影响，这使得它在许多应用场景中成为首选工具。例如，在医疗领域，逻辑回归可以帮助医生判断患者是否患有某种疾病；在金融行业，它可以用于信用评分，评估借款人是否可能违约。

此外，逻辑回归的实现相对简单，适合初学者学习和掌握机器学习的基本概念。通过对逻辑回归的深入理解，学习者不仅能够掌握分类算法的核心思想，还能为后续学习更复杂的模型打下坚实的基础。

在本文中，我们将详细探讨逻辑回归的基本原理、数学模型、实现步骤以及其在实际应用中的表现。通过对这些内容的深入分析，读者将能够全面理解逻辑回归的工作机制，并在实际问题中有效应用这一经典算法。无论你是机器学习的初学者，还是希望巩固基础知识的从业者，逻辑回归都是一个不可或缺的学习内容。

1. 逻辑回归的基本原理

逻辑回归是一种用于分类问题的统计方法，尤其适合处理二分类任务。它的核心思想是通过对输入特征的线性组合来预测某一事件发生的概率。尽管其名称中包含"回归"一词，但逻辑回归实际上是一种分类算法。以下将详细阐述逻辑回归的基本原理，并通过不同的颜色来区分关键知识点。

1.1 线性组合

逻辑回归的基本思想是通过对输入特征的线性组合来预测事件的发生概率。假设我们有一个特征向量 X = [ x 1 , x 2 , ... , x n ] \textcolor{blue}{X} = [x_1, x_2, \ldots, x_n] X=[x1,x2,...,xn]，逻辑回归模型可以表示为：

z = W T X + b \textcolor{red}{z} = \textcolor{orange}{W^T X + b} z=WTX+b

其中：

  • W = [ w 1 , w 2 , ... , w n ] \textcolor{orange}{W = [w_1, w_2, \ldots, w_n]} W=[w1,w2,...,wn] 是权重向量，表示每个特征对预测结果的影响。
  • b \textcolor{green}{b} b 是偏置项，帮助模型更好地拟合数据。

1.2 Sigmoid函数

为了将线性组合的结果 z \textcolor{red}{z} z 转换为概率值，逻辑回归使用了Sigmoid函数（逻辑函数），其公式为：

σ ( z ) = 1 1 + e − z \textcolor{purple}{\sigma(z) = \frac{1}{1 + e^{-z}}} σ(z)=1+e−z1

Sigmoid函数的图像呈S形，能够将任意实数映射到0和1之间。当 z \textcolor{orange}{z} z 趋近于正无穷时， σ ( z ) \textcolor{purple}{\sigma(z)} σ(z) 趋近于1；当 z \textcolor{orange}{z} z 趋近于负无穷时， σ ( z ) \textcolor{purple}{\sigma(z)} σ(z) 趋近于0。这使得我们可以将逻辑回归模型的输出解释为事件发生的概率：

P ( Y = 1 ∣ X ) = σ ( W T X + b ) \textcolor{blue}{P(Y=1|X) = \sigma(W^T X + b)} P(Y=1∣X)=σ(WTX+b)

1.3 概率预测

逻辑回归模型的输出是一个概率值，表示在给定特征 X \textcolor{blue}{X} X 的情况下，事件 Y \textcolor{blue}{Y} Y 发生的概率。我们可以将其表示为：

P ( Y = 1 ∣ X ) = σ ( z ) \textcolor{blue}{P(Y=1|X) = \sigma(z)} P(Y=1∣X)=σ(z)

同时，事件 Y \textcolor{blue}{Y} Y 不发生的概率可以表示为：

P ( Y = 0 ∣ X ) = 1 − P ( Y = 1 ∣ X ) = 1 − σ ( z ) \textcolor{blue}{P(Y=0|X) = 1 - P(Y=1|X) = 1 - \sigma(z)} P(Y=0∣X)=1−P(Y=1∣X)=1−σ(z)

1.4 决策边界

在逻辑回归中，我们通常设定一个阈值（通常为0.5）来进行分类。当预测的概率 P ( Y = 1 ∣ X ) \textcolor{blue}{P(Y=1|X)} P(Y=1∣X) 大于或等于0.5时，我们将样本分类为正类（1）；否则，分类为负类（0）。这个阈值决定了模型的决策边界，影响分类结果。

1.5 损失函数

为了训练逻辑回归模型，我们需要定义一个损失函数来衡量模型预测与实际标签之间的差距。逻辑回归通常使用交叉熵损失（Cross-Entropy Loss），其公式为：

L ( W , b ) = − 1 m ∑ i = 1 m [ y ( i ) log ⁡ ( h ( x ( i ) ) ) + ( 1 − y ( i ) ) log ⁡ ( 1 − h ( x ( i ) ) ) ] \textcolor{brown}{L(W, b) = -\frac{1}{m} \sum_{i=1}^{m} [y^{(i)} \log(h(x^{(i)})) + (1 - y^{(i)}) \log(1 - h(x^{(i)}))]} L(W,b)=−m1i=1∑m[y(i)log(h(x(i)))+(1−y(i))log(1−h(x(i)))]

其中：

  • m \textcolor{orange}{m} m 是样本数量。
  • y ( i ) \textcolor{red}{y^{(i)}} y(i) 是第 i i i 个样本的真实标签（0或1）。
  • h ( x ( i ) ) = σ ( W T x ( i ) + b ) \textcolor{purple}{h(x^{(i)}) = \sigma(W^T x^{(i)} + b)} h(x(i))=σ(WTx(i)+b) 是模型对第 i i i 个样本的预测概率。

交叉熵损失函数的目标是最小化预测概率与真实标签之间的差异，从而提高模型的准确性。

1.6 优化过程

为了找到最佳的模型参数 W \textcolor{orange}{W} W 和 b \textcolor{green}{b} b，我们通常使用优化算法，如梯度下降（Gradient Descent）。梯度下降的基本思想是通过计算损失函数关于参数的梯度，逐步更新参数，以最小化损失函数。参数更新的公式为：

W : = W − α ∂ L ∂ W \textcolor{orange}{W := W - \alpha \frac{\partial L}{\partial W}} W:=W−α∂W∂L

b : = b − α ∂ L ∂ b \textcolor{green}{b := b - \alpha \frac{\partial L}{\partial b}} b:=b−α∂b∂L

其中， α \textcolor{purple}{\alpha} α 是学习率，控制每次更新的步长。

2. 数学模型

逻辑回归的数学模型是其核心部分，涉及到线性组合、Sigmoid函数、概率预测和损失函数等多个方面。以下将详细阐述逻辑回归的数学模型，并通过不同的颜色来区分关键知识点。

2.1 线性组合

逻辑回归的基本思想是通过对输入特征的线性组合来预测事件的发生概率。假设我们有一个特征向量 X = [ x 1 , x 2 , ... , x n ] X = [x_1, x_2, \ldots, x_n] X=[x1,x2,...,xn]，逻辑回归模型可以表示为：

z = W T X + b \textcolor{blue}{z} = \textcolor{red}{W^T X + b} z=WTX+b

其中：

  • W = [ w 1 , w 2 , ... , w n ] \textcolor{red}{W = [w_1, w_2, \ldots, w_n]} W=[w1,w2,...,wn] 是权重向量，表示每个特征对预测结果的影响。
  • b \textcolor{green}{b} b 是偏置项，帮助模型更好地拟合数据。

2.2 Sigmoid函数

为了将线性组合的结果 z z z 转换为概率值，逻辑回归使用了Sigmoid函数（逻辑函数），其公式为：

σ ( z ) = 1 1 + e − z \textcolor{purple}{\sigma(z) = \frac{1}{1 + e^{-z}}} σ(z)=1+e−z1

Sigmoid函数的图像呈S形，能够将任意实数映射到0和1之间。当 z \textcolor{orange}{z} z 趋近于正无穷时， σ ( z ) \textcolor{purple}{\sigma(z)} σ(z) 趋近于1；当 z \textcolor{orange}{z} z 趋近于负无穷时， σ ( z ) \textcolor{purple}{\sigma(z)} σ(z) 趋近于0。这使得我们可以将逻辑回归模型的输出解释为事件发生的概率：

P ( Y = 1 ∣ X ) = σ ( W T X + b ) \textcolor{blue}{P(Y=1|X) = \sigma(W^T X + b)} P(Y=1∣X)=σ(WTX+b)

2.3 概率预测

逻辑回归模型的输出是一个概率值，表示在给定特征 X X X 的情况下，事件 Y Y Y 发生的概率。我们可以将其表示为：

P ( Y = 1 ∣ X ) = σ ( z ) \textcolor{blue}{P(Y=1|X) = \sigma(z)} P(Y=1∣X)=σ(z)

同时，事件 Y Y Y 不发生的概率可以表示为：

P ( Y = 0 ∣ X ) = 1 − P ( Y = 1 ∣ X ) = 1 − σ ( z ) \textcolor{blue}{P(Y=0|X) = 1 - P(Y=1|X) = 1 - \sigma(z)} P(Y=0∣X)=1−P(Y=1∣X)=1−σ(z)

2.4 决策边界

在逻辑回归中，我们通常设定一个阈值（通常为0.5）来进行分类。当预测的概率 P ( Y = 1 ∣ X ) \textcolor{blue}{P(Y=1|X)} P(Y=1∣X) 大于或等于0.5时，我们将样本分类为正类（1）；否则，分类为负类（0）。这个阈值决定了模型的决策边界，影响分类结果。

2.5 损失函数

为了训练逻辑回归模型，我们需要定义一个损失函数来衡量模型预测与实际标签之间的差距。逻辑回归通常使用交叉熵损失（Cross-Entropy Loss），其公式为：

L ( W , b ) = − 1 m ∑ i = 1 m [ y ( i ) log ⁡ ( h ( x ( i ) ) ) + ( 1 − y ( i ) ) log ⁡ ( 1 − h ( x ( i ) ) ) ] \textcolor{brown}{L(W, b) = -\frac{1}{m} \sum_{i=1}^{m} [y^{(i)} \log(h(x^{(i)})) + (1 - y^{(i)}) \log(1 - h(x^{(i)}))]} L(W,b)=−m1i=1∑m[y(i)log(h(x(i)))+(1−y(i))log(1−h(x(i)))]

其中：

  • m \textcolor{orange}{m} m 是样本数量。
  • y ( i ) \textcolor{red}{y^{(i)}} y(i) 是第 i i i 个样本的真实标签（0或1）。
  • h ( x ( i ) ) = σ ( W T x ( i ) + b ) \textcolor{purple}{h(x^{(i)}) = \sigma(W^T x^{(i)} + b)} h(x(i))=σ(WTx(i)+b) 是模型对第 i i i 个样本的预测概率。

交叉熵损失函数的目标是最小化预测概率与真实标签之间的差异，从而提高模型的准确性。

2.6 优化过程

为了找到最佳的模型参数 W \textcolor{red}{W} W 和 b \textcolor{green}{b} b，我们通常使用优化算法，如梯度下降（Gradient Descent）。梯度下降的基本思想是通过计算损失函数关于参数的梯度，逐步更新参数，以最小化损失函数。参数更新的公式为：

W : = W − α ∂ L ∂ W \textcolor{red}{W := W - \alpha \frac{\partial L}{\partial W}} W:=W−α∂W∂L

b : = b − α ∂ L ∂ b \textcolor{green}{b := b - \alpha \frac{\partial L}{\partial b}} b:=b−α∂b∂L

其中， α \textcolor{orange}{\alpha} α 是学习率，控制每次更新的步长。

3. 实现步骤

逻辑回归的实现步骤包括数据准备、特征缩放、模型训练、模型评估和预测等多个环节。以下将详细阐述每个步骤，并通过不同的颜色来区分关键知识点。

3.1 数据准备

在实现逻辑回归之前，首先需要准备好数据集。数据准备的步骤包括：

  • 数据收集：获取相关的数据集，数据可以来自于公开数据集、数据库或其他来源。
  • 数据清洗：处理缺失值、异常值和重复数据，以确保数据的质量。
  • 特征选择：选择与目标变量相关的特征，以提高模型的性能。

数据准备的目标是确保数据集的完整性和有效性，为后续的模型训练打下基础。

3.2 特征缩放

特征缩放是逻辑回归实现中的一个重要步骤，尤其是在特征值范围差异较大的情况下。特征缩放的主要方法包括：

  • 标准化（Standardization）：将特征值转换为均值为0，标准差为1的分布。公式为：

x ′ = x − μ σ \textcolor{blue}{x' = \frac{x - \mu}{\sigma}} x′=σx−μ

其中， μ \mu μ 是特征的均值， σ \sigma σ 是特征的标准差。

  • 归一化（Normalization）：将特征值缩放到[0, 1]的范围。公式为：

x ′ = x − min ⁡ ( x ) max ⁡ ( x ) − min ⁡ ( x ) \textcolor{blue}{x' = \frac{x - \min(x)}{\max(x) - \min(x)}} x′=max(x)−min(x)x−min(x)

特征缩放的目的是提高模型的收敛速度和稳定性。

3.3 模型训练

模型训练是逻辑回归实现的核心步骤，主要包括以下几个方面：

3.3.1 初始化参数

在训练开始之前，首先需要初始化模型参数 W \textcolor{red}{W} W 和偏置项 b \textcolor{green}{b} b。通常可以将它们初始化为0或小的随机值。

3.3.2 定义损失函数

使用交叉熵损失函数来衡量模型预测与实际标签之间的差距。损失函数的公式为：

L ( W , b ) = − 1 m ∑ i = 1 m [ y ( i ) log ⁡ ( h ( x ( i ) ) ) + ( 1 − y ( i ) ) log ⁡ ( 1 − h ( x ( i ) ) ) ] \textcolor{brown}{L(W, b) = -\frac{1}{m} \sum_{i=1}^{m} [y^{(i)} \log(h(x^{(i)})) + (1 - y^{(i)}) \log(1 - h(x^{(i)}))]} L(W,b)=−m1i=1∑m[y(i)log(h(x(i)))+(1−y(i))log(1−h(x(i)))]

3.3.3 计算梯度

通过反向传播算法计算损失函数关于参数的梯度。梯度的计算公式为：

∂ L ∂ W = 1 m ∑ i = 1 m ( h ( x ( i ) ) − y ( i ) ) x ( i ) \textcolor{red}{\frac{\partial L}{\partial W} = \frac{1}{m} \sum_{i=1}^{m} (h(x^{(i)}) - y^{(i)}) x^{(i)}} ∂W∂L=m1i=1∑m(h(x(i))−y(i))x(i)

∂ L ∂ b = 1 m ∑ i = 1 m ( h ( x ( i ) ) − y ( i ) ) \textcolor{green}{\frac{\partial L}{\partial b} = \frac{1}{m} \sum_{i=1}^{m} (h(x^{(i)}) - y^{(i)})} ∂b∂L=m1i=1∑m(h(x(i))−y(i))

3.3.4 更新参数

使用梯度下降算法更新模型参数。参数更新的公式为：

W : = W − α ∂ L ∂ W \textcolor{red}{W := W - \alpha \frac{\partial L}{\partial W}} W:=W−α∂W∂L

b : = b − α ∂ L ∂ b \textcolor{green}{b := b - \alpha \frac{\partial L}{\partial b}} b:=b−α∂b∂L

其中， α \textcolor{orange}{\alpha} α 是学习率，控制每次更新的步长。

3.3.5 迭代训练

重复计算梯度和更新参数的过程，直到损失函数收敛或达到预设的迭代次数。

3.4 模型评估

模型训练完成后，需要对模型进行评估，以判断其性能。常用的评估指标包括：

  • 准确率（Accuracy）：正确分类的样本占总样本的比例。

A c c u r a c y = T P + T N T P + T N + F P + F N \textcolor{blue}{Accuracy = \frac{TP + TN}{TP + TN + FP + FN}} Accuracy=TP+TN+FP+FNTP+TN

  • 精确率（Precision）：预测为正类的样本中，实际为正类的比例。

P r e c i s i o n = T P T P + F P \textcolor{blue}{Precision = \frac{TP}{TP + FP}} Precision=TP+FPTP

  • 召回率（Recall）：实际为正类的样本中，预测为正类的比例。

R e c a l l = T P T P + F N \textcolor{blue}{Recall = \frac{TP}{TP + FN}} Recall=TP+FNTP

  • F1-score：精确率和召回率的调和平均数。

F 1 = 2 ⋅ P r e c i s i o n ⋅ R e c a l l P r e c i s i o n + R e c a l l \textcolor{blue}{F1 = 2 \cdot \frac{Precision \cdot Recall}{Precision + Recall}} F1=2⋅Precision+RecallPrecision⋅Recall

其中， T P TP TP 是真正例， T N TN TN 是真负例， F P FP FP 是假正例， F N FN FN 是假负例。

3.5 预测

在模型训练和评估完成后，可以使用训练好的模型对新数据进行预测。预测过程包括以下步骤：

  1. 特征处理：对新数据进行相同的特征缩放处理。
  2. 计算概率：使用逻辑回归模型计算新数据的预测概率：

P ( Y = 1 ∣ X ) = σ ( W T X + b ) \textcolor{blue}{P(Y=1|X) = \sigma(W^T X + b)} P(Y=1∣X)=σ(WTX+b)

  1. 分类决策：根据设定的阈值（通常为0.5）进行分类。

4. 应用场景

逻辑回归是一种广泛应用于分类问题的算法，尤其适合处理二分类任务。以下将详细阐述逻辑回归的几个主要应用场景，并结合示例代码进行说明。关键知识点将通过不同的颜色进行区分。

4.1 医疗领域

在医疗领域，逻辑回归常用于预测患者是否患有某种疾病。例如，医生可以使用逻辑回归模型来判断患者是否有糖尿病的风险。

示例代码
python 复制代码 
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score, confusion_matrix

# 读取数据集
data = pd.read_csv('diabetes.csv')

# 特征和标签
X = data.drop('Outcome', axis=1)  # 特征
y = data['Outcome']  # 标签

# 数据集划分
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 初始化逻辑回归模型
model = LogisticRegression()

# 训练模型
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 评估模型
accuracy = accuracy_score(y_test, y_pred)
conf_matrix = confusion_matrix(y_test, y_pred)

print(f"准确率: \textcolor{blue}{accuracy:.2f}")
print(f"混淆矩阵:\n\textcolor{green}{conf_matrix}")

在这个示例中，我们使用了一个糖尿病数据集，通过逻辑回归模型预测患者是否患有糖尿病。模型的准确率和混淆矩阵可以帮助我们评估模型的性能。

4.2 金融领域

在金融领域，逻辑回归被广泛应用于信用评分，帮助银行判断借款人是否可能违约。通过分析借款人的历史数据，银行可以使用逻辑回归模型来预测其信用风险。

示例代码
python 复制代码 
# 假设我们有一个信用评分数据集
credit_data = pd.read_csv('credit_data.csv')

# 特征和标签
X_credit = credit_data.drop('Default', axis=1)  # 特征
y_credit = credit_data['Default']  # 标签

# 数据集划分
X_train_credit, X_test_credit, y_train_credit, y_test_credit = train_test_split(X_credit, y_credit, test_size=0.3, random_state=42)

# 初始化逻辑回归模型
model_credit = LogisticRegression()

# 训练模型
model_credit.fit(X_train_credit, y_train_credit)

# 预测
y_pred_credit = model_credit.predict(X_test_credit)

# 评估模型
accuracy_credit = accuracy_score(y_test_credit, y_pred_credit)
conf_matrix_credit = confusion_matrix(y_test_credit, y_pred_credit)

print(f"信用评分模型准确率: \textcolor{blue}{accuracy_credit:.2f}")
print(f"信用评分混淆矩阵:\n\textcolor{green}{conf_matrix_credit}")

在这个示例中，我们使用了一个信用评分数据集，通过逻辑回归模型预测借款人是否会违约。模型的准确率和混淆矩阵同样可以帮助我们评估模型的性能。

4.3 市场营销

在市场营销中，逻辑回归可以用于客户流失预测，帮助企业识别可能流失的客户。通过分析客户的购买行为和反馈，企业可以采取相应的措施来挽回客户。

示例代码
python 复制代码 
# 假设我们有一个客户流失数据集
churn_data = pd.read_csv('churn_data.csv')

# 特征和标签
X_churn = churn_data.drop('Churn', axis=1)  # 特征
y_churn = churn_data['Churn']  # 标签

# 数据集划分
X_train_churn, X_test_churn, y_train_churn, y_test_churn = train_test_split(X_churn, y_churn, test_size=0.25, random_state=42)

# 初始化逻辑回归模型
model_churn = LogisticRegression()

# 训练模型
model_churn.fit(X_train_churn, y_train_churn)

# 预测
y_pred_churn = model_churn.predict(X_test_churn)

# 评估模型
accuracy_churn = accuracy_score(y_test_churn, y_pred_churn)
conf_matrix_churn = confusion_matrix(y_test_churn, y_pred_churn)

print(f"客户流失预测模型准确率: \textcolor{blue}{accuracy_churn:.2f}")
print(f"客户流失预测混淆矩阵:\n\textcolor{green}{conf_matrix_churn}")

在这个示例中，我们使用了一个客户流失数据集，通过逻辑回归模型预测客户是否会流失。模型的准确率和混淆矩阵可以帮助企业评估客户流失的风险。

总结

逻辑回归作为一种经典的分类算法，以其简单性和有效性在机器学习领域中占据了重要地位。通过对输入特征的线性组合，逻辑回归能够预测事件发生的概率，并利用Sigmoid函数将这一概率映射到0和1之间。其核心原理包括线性组合、概率预测、决策边界的设定以及交叉熵损失函数的优化。逻辑回归不仅易于实现和解释，还能为许多实际应用提供可靠的解决方案，如医疗诊断、金融风险评估和市场营销分析等。掌握逻辑回归的基本原理和实现步骤，不仅为初学者打下了坚实的基础，也为深入探索更复杂的机器学习模型提供了必要的知识储备。通过对逻辑回归的学习，读者能够更好地理解分类问题的本质，并在实际项目中灵活应用这一强大的工具。

码文不易，本篇文章就介绍到这里，如果想要学习更多Java系列知识，点击关注博主，博主带你零基础学习Java知识。与此同时，对于日常生活有困扰的朋友，欢迎阅读我的第四栏目：《国学周更---心性养成之路》，学习技术的同时，我们也注重了心性的养成。

相关推荐
古希腊掌管学习的神1 小时前
[机器学习]XGBoost（3）——确定树的结构
人工智能·机器学习
海棠AI实验室3 小时前
AI的进阶之路：从机器学习到深度学习的演变（一）
人工智能·深度学习·机器学习
IT古董4 小时前
【机器学习】机器学习的基本分类-强化学习-策略梯度（Policy Gradient，PG）
人工智能·机器学习·分类
睡觉狂魔er4 小时前
自动驾驶控制与规划——Project 3: LQR车辆横向控制
人工智能·机器学习·自动驾驶
scan7245 小时前
LILAC采样算法
人工智能·算法·机器学习
菌菌的快乐生活5 小时前
理解支持向量机
算法·机器学习·支持向量机
爱喝热水的呀哈喽5 小时前
《机器学习》支持向量机
人工智能·决策树·机器学习
大山同学5 小时前
第三章线性判别函数（二）
线性代数·算法·机器学习
苏言の狗6 小时前
Pytorch中关于Tensor的操作
人工智能·pytorch·python·深度学习·机器学习
bastgia6 小时前
Tokenformer: 下一代Transformer架构
人工智能·机器学习·llm
热门推荐
01〔AI 绘画〕Stable Diffusion 之 解决绘制多人或面部很小的人物时面部崩坏问题 篇02ARM学习（31）编译器对overlay方式的支持03玄机平台应急响应—webshell查杀04DisplayPort AltMode On Type-c协议_Ver2.0(学习笔记)05校验 GPT-4 真实性的三个经典问题：快速区分 GPT-3.5 与 GPT-4，并提供免费测试网站06Docker 夺命连环 15 问076个主流的工业3D管道设计软件08基于大语言模型（LLM）的合成数据生成、策展和评估的综述09(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明10树莓派 5 AI 套件（Hailo-8L）使用教程