异常值

深入理解RANSAC算法：应对异常值的高效方法在机器学习和数据拟合中，一个常见的问题就是异常值（outliers）的存在。异常值是那些远离大多数数据点的点。如果我们尝试使用传统的最小二乘法（如线性回归）直接对数据进行拟合，异常值会对模型产生极大的干扰，导致拟合结果偏差很大。

R语言统计分析——回归中的异常观测值参考资料：R语言实战【第2版】一个全面的回归分析要覆盖对异常值的分析，包括离群点、高杠杆点和强影响点。这些数据点需要更深入的研究，因为它们在一定程度上与其他观点不同，可能对结果产生较大的负面影响。

突破性技术: 大语言模型LLM量化激活outliers异常值抑制LLM过去有两种突破性技术大大提升了量化精度，分别是group-wise量化和GPTQ/AWQ量化。前者相比于过去的per-tensor和per-channel/per-axis量化提出了更细粒度的对channel拆分为更小单元的量化方式，后者通过巧妙的算法明显提升了4bit量化的精度。

数据科学知识库

数据可视化---离群值展示友情提示：如果你觉得这个博客对你有帮助，请点赞、评论和分享吧！如果你有任何问题或建议，也欢迎在评论区留言哦！！！