机器学习

TODO 分类任务指标计算和展示准确率 F1 Recall参考文章 Emotion Recognition from Speech Using Wav2vec 2.0 Embeddings

07-逻辑回归：分析用于分类问题的逻辑回归模型及其数学原理逻辑回归模型是机器学习和统计学领域中一种重要的分类算法，尤其在处理二分类问题时表现出色。作为一种广义线性模型，逻辑回归通过使用逻辑函数来估计概率，从而将输入特征映射到二值输出。其核心思想是将线性回归模型的输出通过逻辑函数（如Sigmoid函数）进行变换，使其输出范围限制在0到1之间，代表某一类别的概率。

极客BIM工作室

机器学习之规则学习（Rule Learning）在机器学习领域，规则学习（Rule Learning）是一种以 “逻辑规则” 为核心输出的监督学习方法，其目标是从标注数据中挖掘出可解释、结构化的 “如果 - 那么（If-Then）” 规则，用于分类、回归或关联任务。与神经网络等 “黑箱模型” 不同，规则学习的核心优势是强可解释性—— 人类能直接理解规则的逻辑，因此在医疗诊断、金融风控、法律决策等需要 “透明推理” 的场景中应用广泛。

什么是大模型：程序员的"第二个大脑"你有没有过这样的经历？深夜两点，你盯着屏幕上那段报错的Python代码，眼睛都快睁不开了。这个bug已经折腾你三个小时，Stack Overflow翻了个遍，GitHub Issues看了一堆，就是找不到问题所在。就在你准备放弃，打算明天再战的时候，你想起了最近大家都在聊的ChatGPT。

08-决策树：探讨基于树结构的分类和回归方法及其优缺点决策树（Decision Tree）是一种广泛应用于机器学习领域的监督学习方法，主要用于分类和回归任务。其基本概念源于对决策过程的模拟，通过树状结构将数据逐步分割，直至达到决策结果。决策树在机器学习中的地位显著，因其直观性和易于理解的特性，成为入门级算法之一。

不良人龍木木

机器学习-常用库

09-随机森林：介绍集成学习中通过多决策树提升性能的算法随机森林（Random Forest）是一种在机器学习领域中广泛应用的集成学习算法，通过结合多个决策树的预测结果来提升整体模型的性能。集成学习的核心思想在于"集体智慧"，即通过多个模型的协同作用，弥补单一模型的不足，从而获得更稳定、更准确的预测结果。

程序员大雄学编程

「机器学习笔记7」决策树学习：从理论到实践的全面解析（上）机器学习中的决策树算法是一种直观且强大的工具，它模拟人类决策过程，通过树状结构对数据进行分类或回归预测。本文将深入探讨决策树的基础概念、经典算法、过拟合问题及解决方案，以及实际应用中的扩展处理。

动能小子ohhh

AI智能体（Agent）大模型入门【9】--如何在pycharm等其他编译软件调用ocr工具【只写后端代码不演示】目录前言设置代码编写utils.py工具函数重点代码ocr.py后言在本专栏内的文章中，多次提及到了ocr，而ocr作为一个用于辅助大模型的扩展工具，其重要性是很明显的，例如kimi,qwen乃至市面上常见的大语言模型网站，当你传入图片，等一些内容都需要通过ocr提取文字来进行相关信息的搜索和上下文联系，以及用户输入内容的联系。

递归不收敛

吴恩达机器学习课程（PyTorch适配）学习笔记：1.5 决策树与集成学习决策树是一种直观且易于解释的机器学习模型，而集成学习通过组合多个决策树能够显著提升模型性能。本文详细讲解决策树的原理、学习过程、纯度指标，以及随机森林、XGBoost等集成学习方法，并提供PyTorch实现示例。

【机器学习】（一）实用入门指南——如何快速搭建自己的模型作为一名从事AI应用开发者，我深知初学者在接触机器学习时面临的困惑和挑战，当年我也是从零基础一步步摸索过来的，深刻体会到入门阶段最需要的不是高深的理论，而是一条清晰的实践路径。在这个AI技术爆发的时代，机器学习已经不再是科研院所的专属领域，越来越多的开发者希望掌握这项技能来解决实际问题。然而，市面上的教程要么过于理论化让人望而生畏，要么过于碎片化难以形成系统认知。因此，我决定撰写这个系列文章，用最接地气的方式带领大家快速入门机器学习。本文是系列的第一篇，我将从实战角度出发，跳过繁琐的数学推导，直接教大家如

头歌Educator机器学习与数据挖掘-逻辑回归答案分享

AI-调查研究-96-具身智能机器人场景测试全攻略：从极端环境到实时仿真AI炼丹日志-31- 千呼万唤始出来 GPT-5 发布！“快的模型 + 深度思考模型 + 实时路由”，持续打造实用AI工具指南！📐🤖

递归不收敛

吴恩达机器学习课程（PyTorch 适配）学习笔记大纲#### 1.1 基础模型与数学原理线性回归模型成本函数（定义 + 直觉）成本函数可视化（示例）逻辑回归（动机 + 决策边界）逻辑回归成本函数（基础版 + 简化版） #### 1.2 优化算法实践梯度下降（原理 + 直觉 + 代码框架）学习率（选择方法 + 影响分析）线性回归的梯度下降（运行流程）多重线性回归的梯度下降高级优化算法（框架适配） #### 1.3 特征工程与模型优化多特征处理基础特征缩放（原理 + PyTorch 适配）特征工程（构建 + 筛选思路）多项式回归（非

递归不收敛

吴恩达机器学习课程（PyTorch适配）学习笔记：2.4 激活函数与多类别处理在深度学习中，激活函数为网络引入非线性能力，是实现复杂模式建模的核心；而多类别处理则是解决实际分类任务（如图像识别、文本分类）的关键技术。本章将系统讲解激活函数的类型、选择依据，以及多类别分类的实现方案（含Softmax原理与PyTorch适配），并扩展至多输出分类场景。

K-means损失函数-收敛证明K-means 聚类算法的损失函数推导与收敛性证明的核心过程，通过数学推导解释了 K-means “迭代更新聚类中心” 的合理性 K-means 的迭代过程是 “分配样本到最近中心→更新中心为类内质心” 的循环。

生物小卡拉

R脚本--表达矩阵与特征矩阵相关性分析做了转录组或者其他组学，有对应样本的多个特征数据，然后做相关性分析并绘制热图。示例热图见下图【数据是随机生成的，所以结果没几个显著相关的，实际数据过程中会比较多】：

伏小白白白

【论文精度-1】组合优化中的机器学习：方法论之旅(Yoshua Bengio, 2021)Machine learning for combinatorial optimization: A methodological tour d’horizon

春末的南方城市

开放指令编辑创新突破！小米开源 Lego-Edit 登顶 SOTA：用强化学习为 MLLM 编辑开辟全新赛道！在图像编辑领域，基于指令的编辑因能与用户直接交互而受关注。但现实里用户指令多样，现有方法难以泛化到训练领域外。小米提出的 Lego-Edit 借助多模态大型语言模型（MLLM）的泛化能力，通过两个关键设计应对挑战。一是打造模型级工具包，其中包含在有限数据高效训练的多样模型及多个图像处理函数，让 MLLM 能细粒度组合编辑操作；二是采用三阶段渐进式强化学习方法，利用未注释开放域指令反馈训练 MLLM，使其具备处理现实指令的广义推理能力。Lego-Edit 在 GEdit-Bench 和 ImgBench 上

Macre Aegir Thrym

MINIST——SVM目录一、原始数据介绍1.1解析图片的代码1.2解析标签的代码二、数据预处理（数据准备）2.1 像素级分布统计分析