KAN:Kolmogorov–Arnold Networks分类模型实现
2025/01/07
KAN是当前提出的一种全新的神经网络架构，传统的MLP多层感知器中，通常使用的激活函数是非线性的，例如ReLU、sigmoid或tanh，这些激活函数在大多数深度学习框架中都是不可学习的函数，只是应用于每个神经元的输出，MLP的线性层（全连...
全方位探秘OpenAI GPT o1 可以做什么、特性、应用、挑战与影响
【日积月累】
本文将整合多篇关于 GPT-o1 的文章要点，深入探究这一模型的方方面面，从它的诞生背景、核心特性，到GPT o1 可以做什么,多元应用场景，再到使用中的挑战以及对未来的深远影响，为读者呈现一幅详尽的 GPT-o1 全景图
2025/01/07
基于熵权法的TOPSIS模型
【AI驱动】
前言 TOPSIS（Technique for Order Preference by Similarity to Ideal Solution）是一种多准则决策分析方法，用于在多个方案之间进行排序。而熵权法是一种用于确定指标权重的方...
2025/01/07
逻辑回归模型(logistic regression)
【AI驱动】
前言 逻辑回归（Logistic Regression）是一种用于处理分类问题的统计学习方法，尽管名字中包含“回归”一词，但它实际上是一种分类算法，通常用于解决二分类问题（也可扩展到多分类问题）。逻辑回归适用于预测一个二分类目标变量的...
2025/01/07
可解释性机器学习库Shapash——鸢尾花XGBoost分类解释实现
【AI驱动】
Shapash是一个用于解释机器学习模型预测结果的Python库。旨在使每个人都可以解释和理解机器学习。它提供了各种可视化效果，带有清晰明确的标签，所有人都可以轻松理解。借助 Shapash，可以生成一个 Webapp，以简化对模型特征之间...
2025/01/07
基于VMD分解的VMD-LSTM时间序列预测模型实现，大力提升预测精度！
【AI驱动】
VMD是一种信号处理技术，用于将复杂的时间序列信号分解成多个局部频率模式，这些模式可以反映信号中的不同频率成分和振幅变化。VMD的主要思想是通过优化问题，将信号分解成多个本征模态函数（EMD），这些函数具有不同的频率和振幅特征，并且在一定程...
2025/01/07
特征选择：Lasso和Ridge算法结合的弹性网络回归实现
【AI驱动】
背景 弹性网络是一种结合岭回归（L2正则化）和Lasso回归（L1正则化）优点的线性回归模型，它在目标函数中引入了两种正则化的权重参数，使得模型既具有Lasso的特性（可以将某些不重要的特征系数缩为零，实现特征选择），又具有岭回归的特...
2025/01/07
回归预测模型训练集与测试集的进阶可视化
【AI驱动】
背景 真实数据的分布与模型预测结果的差异往往隐藏在更复杂的图表中，为了更全面地呈现训练集与测试集之间的关系，并直观展示预测值的置信区间及边缘分布，本篇文章将带大家深入理解一套综合性的可视化方案，本文集成置信区间与边缘柱状图的新图表形式...
2025/01/07
从入门到实践：如何利用Stacking集成多种机器学习算法提高模型性能
【AI驱动】
背景 在机器学习领域，通常会接触到多种回归或分类模型，但单一模型的性能可能受限于算法本身的特点。如何整合多个模型的优势，进一步提升模型性能？Stacking（堆叠）技术便应运而生，本文通过一个实际案例，深入浅出地讲解如何使用Stack...
2025/01/07
使用LSTM模型预测多特征变量的时间序列
【AI驱动】
数据集为印度气候天气预报数据，该数据集提供2013年1月1日至2017年4月24日在印度德里市的数据，存在 4 个参数分别是meantemp, humidity, wind_speed, meanpressure，其中meantemp为待预...
2025/01/07
基于LSTM模型的多输入多输出单步时间序列预测
【AI驱动】
数据集为某天气预报数据，该数据集时间维度为2013年1月1日至2017年4月24日，存在 3 个特征分别是meantemp, humidity, meanpressure，接下来将以这三个特征为输入、输出，建立一个多输入多输出的LSTM模型...
2025/01/07
时间窗口划分：时序预测模型的多种形式解析
【AI驱动】
当涉及时间序列数据的预测和分析时，时间窗口的划分是一个至关重要的概念，时间窗口可以理解为我们在时间序列数据中选取的一段时间范围来预测下一个时间点或时间段，利用划分的数据进行训练预测模型，在时间序列预测中，我们通常面临着不同类型的预测问题，例...
2025/01/07
时间序列预测：CNN-BiLSTM模型实践
【AI驱动】
BiLSTM是一种深度学习模型，它结合了两个方向的长短期记忆网络（LSTM），即正向和反向。它的优势主要体现在两个方面： 双向信息捕捉：BiLSTM能够同时从过去和未来的数据中学习，因为它有两个方向的LSTM单元，一个用于正向序列，...
2025/01/07
探讨EMD数据泄露问题的时序预测模型：EMD-CNN-LSTM实现与分析
【AI驱动】
EMD-CNN-LSTM是一种结合了经验模态分解（EMD）、卷积神经网络（CNN）和长短期记忆网络（LSTM）的模型，用于处理时序数据分析，能够自适应地提取时频特征并建模序列依赖关系。 1. 前言 在进行EMD-CNN-LSTM...
2025/01/07
梯度提升集成：LightGBM与XGBoost组合预测
【AI驱动】
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，我们的组合模型通过分别训练LightGBM和XGBoost模型，然后对它们的预测结果取平均值...
2025/01/07
SVM多分类分析：SHAP解释各类别下各特征对模型的影响力
【AI驱动】
背景 目前大多数模型解释技术通常侧重于分析整体模型的输出如何受到输入特征的影响，而不是针对每个类别来分析特征的贡献。这主要体现在以下几个方面： 整体模型解释：常见的模型解释方法，如全局特征重要性分析、部分依赖图、特征贡献等，通...
2025/01/07
搜索文章
热门话题
