所有文章
> 当前分类:AI驱动
灰狼优化算法(GWO)：从理论到深度学习中的实践应用
2025/01/07
灰狼优化算法（GWO）是一种模拟灰狼群体猎食行为的优化算法，它主要通过模拟灰狼群体中的领袖狼（alpha）、跟随狼（beta、delta）和普通狼（omega）的角色来实现寻优 1. 灰狼优化算法过程： 1.1 初始化 ...
利用Pytorch框架构建lstm时间序列预测模型
【AI驱动】
PyTorch和TensorFlow各有优势，选择哪个框架通常取决于具体的应用场景和个人偏好，PyTorch因其简洁性和动态计算图，更适合快速原型开发和学术研究，而TensorFlow凭借其丰富的功能和强大的生产部署能力，更适合工业界的大规...
2025/01/07
Pythorch框架构建Attention-lstm时序模型
【AI驱动】
Attention 是一种机制，在神经网络中处理序列数据时，使模型能够“专注”于输入序列中不同部分的重要性，它通过给每个输入位置分配不同的权重，以便网络可以在处理序列时关注更相关的部分，从而提高模型性能 Attention + LST...
2025/01/07
SHAP全解析：机器学习、深度学习模型解释保姆级教程
【AI驱动】
什么是SHAP解释？ 在机器学习和深度学习领域，模型解释性是一个重要的课题，尽管复杂的模型如深度神经网络和集成模型（如XGBoost、LightGBM）在预测性能上表现优异，但它们通常被视为“黑箱”，难以解释其内部决策过程，SHAP（...
2025/01/07
数据分布与变化：从理论到实践指南
【AI驱动】
什么是数据分布 数据分布指的是在给定数据集中，不同数值或取值出现的频率或概率的分布模式，它描述了数据集中各个数值或取值的分布情况，包括集中趋势（如均值、中位数、众数）、数据的变异程度（如标准差、方差）以及数据点在整个数据范围内的分布情...
2025/01/07
ARIMA与Prophet的完美结合：AutoARIMAProphet时序模型
【AI驱动】
AutoARIMAProphet模型 AutoARIMAProphet 是一种将两种流行的时间序列预测模型 AutoARIMA 和 Prophet 结合起来的混合模型。它结合了 AutoARIMA 模型的自动参数选择功能和 Proph...
2025/01/07
决策树和随机森林的决策过程路径可视化解读
【AI驱动】
什么是决策树 基本结构： 决策树是一种树状模型，其中每个节点表示一个特征，每个分支表示该特征的一个可能值，而每个叶节点表示一个类标签（分类）或一个连续值（回归） 单模型： 决策树是一个单一的模型，它通过递归地对数据进...
2025/01/07
综合多种梯度提升模型：LightGBM、XGBoost、CatBoost与NGBoost的集成预测
【AI驱动】
模型背景 LightGBM和XGBoost是两种高效的梯度提升决策树算法，常用于回归和分类任务，通过逐步优化模型来提升预测精度，并支持并行计算以加速训练过程CatBoost是一种高效的梯度提升算法，特别在处理类别特征时具有显著优势，能...
2025/01/07
统计检验——T检验分析样本间的显著性差异
【AI驱动】
什么是T检验 T检验是一种常用的假设检验方法，通过对比样本数据的均值来判断不同组别之间是否存在显著差异，包括单样本t检验、独立样本t检验和配对样本t检验 检验步骤 建立假设：提出原假设（ ）和备择假...
2025/01/07
统计检验——卡方检验分析分类变量间的显著性差异
【AI驱动】
什么是卡方检验 卡方检验是一种统计检验方法，用于判断观察到的数据与期望数据之间的差异是否具有统计显著性，它主要用于分类数据的分析，常见类型为：卡方独立性检验、卡方适合度检验 卡方独立性检验 实现步骤 提出假设原假设&...
2025/01/07
时间序列预测神器Prophet python实现
【AI驱动】
前言 "Prophet" 指的是由 Facebook 开发的一种用于时间序列分析和预测的工具。它设计用于处理每日观测数据，展示不同时间尺度上的模式。Prophet 特别受欢迎的原因之一是其易用性，以及能够建模季节性、假期和特殊事件。P...
2025/01/06
统计检验——方差检验（ANOVA）分析变量间的显著性差异
【AI驱动】
什么是方差检验（ANOVA） 方差检验是一种统计方法，用于比较三个或更多样本组之间的均值差异，以确定这些组是否来自同一个总体，它通过分析组内和组间的变异来评估不同组之间是否存在显著差异 基本概念 组间变异：衡量各组均值之...
2025/01/06
Python实现数据预处理：常见缺失值处理方法解析
【AI驱动】
缺失值处理方案 处理缺失值是数据预处理中的一个重要步骤，不同的处理方法可以显著影响后续数据分析和机器学习模型的效果，以下是一些常见的缺失值处理方案： 删除法： 删除含有缺失值的样本：适用于缺失值较少且缺失值分布无规律的情...
2025/01/06
实用机器学习技巧：使用ROC曲线进行多模型性能比较
【AI驱动】
什么是ROC曲线 ROC曲线是用于评估二分类模型性能的重要工具，它通过比较不同阈值下模型的真阳性率（TPR）和假阳性率（FPR）来衡量模型的预测能力 ROC曲线原理 真阳性率(TPR)，也称为召回率(Recall)，计算公...
2025/01/06
梯度提升集成：CatBoost与NGBoost模型的K折交叉验证及组合预测
【AI驱动】
背景 在机器学习和数据科学领域，模型的性能和稳定性是至关重要的，为了提高预测的准确性，通常采用集成学习的方法，将多个模型的预测结果进行组合，梯度提升是一种强大的集成学习方法，通过逐步减小模型的预测误差，提升整体模型的性能，在本文中，我...
2025/01/06
特征工程进阶：暴力特征字典的构建与应用 实现模型精度质的飞跃
【AI驱动】
传统的特征工程方法如缺失值填充、归一化、类别特征one-hot编码、降维等，对于提升模型性能尤其是像XGBoost和LightGBM这样强大的树模型，效果可能并不显著，这些模型在处理这些基本特征工程任务时已经非常高效，因此，需要更高级和创新...
2025/01/06
搜索文章
热门话题
