复现Nature图表——基于PCA降维与模型预测概率的分类效果可视化
2025/01/03
背景 在机器学习模型的分类性能评估中，如何有效地将高维数据的分类效果直观地展示出来是一个问题，Nature Communications 的一项研究展示了一种通过结合预测概率与主成分分析（PCA）的方法来可视化模型的分类效果，这一方法...
SCI图表复现：如何直观展示机器学习模型预测结果的准确性和一致性
【AI驱动】
背景 在机器学习建模过程中，常常需要评估模型预测值与真实值之间的拟合程度，这种图表的主要作用是直观展示机器学习模型预测结果的准确性和一致性，尤其在回归任务中用来评估模型对连续变量的预测效果，以下是图表中的几个关键元素及...
2025/01/03
贝叶斯优化在XGBoost中的应用：从参数调优到性能提升
【AI驱动】
背景 在机器学习项目中，XGBoost被广泛应用于各类回归和分类任务，尤其因其高效的性能和优秀的预测效果而备受推崇，但在面对大量超参数时，手动调参不仅费时费力，效果也往往不尽如人意，接下来将介绍如何利用贝叶斯优化自动化地调整XGBoo...
2025/01/03
基于Optuna的机器学习超参数调优与自定义可视化分析
【AI驱动】
背景 在机器学习调参过程中，Optuna是一个强大的自动化超参数优化工具，它通过智能搜索算法在定义的参数空间中寻找最佳参数组合，从而提升模型性能。Optuna-dashboard虽然提供了一定的可视化功能，让用户能够观察到调参过程的变...
2025/01/03
实用机器学习技巧：带有95%置信区间的ROC曲线绘制
【AI驱动】
背景 在机器学习模型的性能评估中，ROC曲线和AUC（曲线下面积）是常用的工具，它们能清晰展示模型的分类能力，但是一般ROC曲线展示的AUC值不会去展示置信区间，但是带有95%置信区间的ROC曲线在医学研究中非常常见，因为它能...
2025/01/03
整合数据分布+拟合线+置信区间+相关系数的皮尔逊相关可视化
【AI驱动】
背景 在数据分析中，探索特征之间的相关性是非常重要的一步，皮尔逊相关系数、散点图以及线性模型是最常用的三种方法，它们各具优势，通过将这三种方法整合到一个可视化图表中，可以帮助更全面地判断特征之间是否存在线性相关趋势 皮尔逊相关系...
2025/01/03
如何用SHAP解读集成学习Stacking中的基学习器和元学习器以及整体模型贡献
【AI驱动】
背景 Stacking（堆叠集成）是一种集成学习方法，它通过组合多个基础模型（一级学习器）的预测结果，再用一个元模型（二级学习器）来进一步学习这些预测结果，最终得到一个更强的预测模型，使用多个不同的基础模型（如随机森林、XGBoost...
2025/01/03
SHAP进阶解析：机器学习、深度学习模型解释保姆级教程
【AI驱动】
背景 本篇文章将聚焦SHAP的高级功能与应用技巧，在这个项目中，作者将以一个基于XGBoost的二分类模型为例，展示如何通过SHAP深入剖析模型的内部机制，并结合实际问题，使用SHAP值进行更精细的解释和分析，进而推广到回归预测模型、...
2025/01/03
使用Keras函数式API进行深度学习
【AI驱动】
Keras使得创建深度学习模型变得快速而简单。 序贯(sequential)API允许您为大多数问题逐层堆栈创建模型。虽然说对很多的应用来说, 这样的一个手法很简单也解决了很多深度学习网络结构的构建，但是它也有限制 - 它不允许你创建...
2025/01/03
用 Keras 功能 API 进行深度学习
【AI驱动】
Keras Python库可快速轻松地创建深度学习模型。顺序API允许您针对大多数问题逐层创建模型。它的局限性在于它不允许您创建共享图层或具有多个输入或输出的模型。Keras中的功能性API是创建模型的替代方法，它提供了更大的灵活性，包括创...
2025/01/03
Keras，构建和训练深度学习模型的高阶 API
【AI驱动】
Keras 是一个用于构建和训练深度学习模型的高阶 API。它可用于快速设计原型、高级研究和生产，具有以下三个主要优势： 方便用户使用Keras 具有针对常见用例做出优化的简单而一致的界面。它可针对用户错误提供切实可行的清晰反馈 ...
2025/01/03
吴恩达：28张图全解深度学习知识
【AI驱动】
01 深度学习基本概念 监督学习：所有输入数据都有确定的对应输出数据，在各种网络架构中，输入数据和输出数据的节点层都位于网络的两端，训练过程就是不断地调整它们之间的网络连接权重。 左上：列出了各种不同网络架构的监督学习，...
2025/01/03
几何图神经网络GNN：数据结构、模型与应用
【AI驱动】
1 介绍 本文重点在于几何图神经网络（GNNs）的方法和应用。介绍了必要的预备知识、几何GNNs作为通用数据结构在现实世界数据和模型之间的桥梁，以及现有的模型分类和成功应用。提供了全面的概述，包括数据结构、模型设计和应用，...
2025/01/03
特征工程与数据处理全流程（Python）
【AI驱动】
在机器学习和数据科学的世界里，数据的质量是建模成功与否的关键所在。这就是特征工程和数据预处理发挥作用的地方。本文总结的这些关键步骤可以显著提高模型的性能，获得更准确的预测，我们将深入研究处理异常值、缺失值、编码、特征缩放和特征提取的各种技术...
2025/01/03
彻底搞懂分类预测算法！
【AI驱动】
决策树分类算法 一句话概括 决策树通过一系列的规则（if-else）来对数据进行分类，每个节点代表一个特征，每个分支代表一个规则，最终到达叶节点得到分类结果。 算法原理训练过程 选择最优特征：在训练数据集上...
2025/01/03
深入了解神经网络：定义、结构及其在深度学习中的应用
【AI驱动】
神经网络定义 目前，关于神经网络的定义尚不统一，按美国神经网络学家Hecht Nielsen 的观点，神经网络的定义是：“神经网络是由多个非常简单的处理单元彼此按某种方式相互连接而形成的计算机系统，该系统靠其状态对外部输入信息的动态响...
2025/01/03
搜索文章
热门话题
