machine-learning 相关问题

在SklearlenCoder

如何在不同的数据范围内训练Sklearn模型？

I在Scikit-Learn中使用了一个由“ KNN”制成的ML模型，并注意到我拥有数据越多，我的模型就越精确地进行了预测。问题是，我有很多数据范围...

tensorflow perfomanceessue

def build_model(): model = keras.Sequential([ layers.Input(shape=(400,)), layers.Dense(128, activation="relu"), layers.Dense(128, activation="relu"), layers.Dense(3) ]) model.compile(optimizer=keras.optimizers.Adam(learning_rate=0.001), loss="huber") return model class DQNAgent: def __init__(self): self.model = build_model() self.target_model = build_model() self.target_model.set_weights(self.model.get_weights()) self.memory = deque(maxlen=1000) self.epsilon = 1.0 self.epsilon_min = 0.01 self.epsilon_decay = 0.995 self.gamma = 0.95 self.batch_size = 32 def choose_action(self, state): if np.random.rand() < self.epsilon: return random.choice([0, 1, 2]) q_values = self.model.predict(np.array([state]), verbose=0) return np.argmax(q_values[0]) def remember(self, state, action, reward, next_state, done): self.memory.append((state, action, reward, next_state, done)) def train(self): if len(self.memory) < self.batch_size: return batch = random.sample(self.memory, self.batch_size) states, targets = [], [] for state, action, reward, next_state, done in batch: target = reward if not done: target += self.gamma * np.max(self.target_model.predict(np.array([next_state]), verbose=0)) q_values = self.model.predict(np.array([state]), verbose=0) q_values[0][action] = target states.append(state) targets.append(q_values[0]) self.model.fit(np.array(states), np.array(targets), epochs=1, verbose=0) if self.epsilon > self.epsilon_min: self.epsilon *= self.epsilon_decay def update_target_model(self): self.target_model.set_weights(self.model.get_weights())

XGBOOST不足

I训练了以下XGBoost分类器： xgb.xgbClassifier（tree_method ='hist'，grow_policy ='lossguide'，gamma = 1.0，max_depth = 0，max_leaves = 255，min_child_weight = 100，n_estimators = 500，n_estimators = 500， ...

here是一个恒定变量的建模代码的一个示例，但其想法是，从业务角度来看，可能存在一个重要的变量，而不是在功能中

准确的高斯幼稚贝叶斯

I使用高斯人进行了机器学习，具有31个功能，具有1个标签，数据集中的数量为800行，然后我进行了火车测试70-30。精度得分为74％。这些结果是否合适，可以...

如何从PDF中提取表并将其转换为结构化的HTML（<table>，<tr>，<td>），同时保持原始布局和格式？

1] DOC1的原始页面包含4个表 1]输出.html doc1的html页面未正确检测表，有时从表中提取文本为纯文本 2] DOC2的原始页面包含表...

为什么我必须从火炬中解开数据。

我正在进行一个学校项目，其中有二进制分类的逻辑回归，我的结果非常糟糕（准确性约为50％）。我必须从头开始进行此分类，所以我很担心

I拟合一个具有单个预测指标的模型，并绘制了所得的逻辑曲线，并注意到它以我的数据范围为中心（预测变量范围为50-90）。因此，只有逻辑曲线的渐近线在我的数据范围内，因此将所有示例分类为同一类。

Deepseekhuggingface型号加载问题

我正在使用HuggingFace中使用此代码： 此代码直接从deepSeek上的Huggingface网站的页面粘贴，应该是插件代码： 从变形金刚进口管道 一团糟...

新闻文章集合

到目前为止，我所做的是应用基本的NLP技术，包括停止词和茎。我还计算了每篇文章的TF-IDF矢量，因此还可以根据这些TF-IDF-vector计算余弦相似性。但是现在，随着文章的分组，我有些挣扎。我看到了两种主要方法 - 可能是相关的 - 这样做：

如何解决“ RuntimeError：张量A（64）的大小必须匹配非辛格尔顿尺寸1”的张量B（6）？

我正在尝试了解如何使用

#SetA Variable1A = [ 3,4,4,5,4,5,5,6,7,7,5,4,5,6,4,9,3,4] Variable2A = [ 5,4,4,3,4,5,4,5,4,3,4,5,3,4,3,4,4,3] Variable3A = [ 7,8,4,5,6,7,3,3,3,4,4,9,7,6,8,6,7,8] #SetB Variable1B = [ 7,8,11,12,7,9,8,7,8,11,15,9,7,6,9,9,7,11] Variable2B = [ 1,2,3,3,4,2,4,1,0,1,2,1,3,4,3,1,2,3] Variable3B = [ 12,18,14,15,16,17,13,13,13,14,14,19,17,16,18,16,17,18]

随机森林回归中的树木 我正在学习随机森林回归模型。我知道它形成了许多树（模型），然后我们可以通过平均所有树的结果来预测目标变量。我也有一个下降

例如，我有一个数据集，我可以预测人的薪水，而我只有两个输入变量是“经验年”，“绩效得分”，那么我可以使用这样的数据集形成多少个随机树？随机林木是否取决于输入变量的数量？任何好的例子都将受到高度赞赏。

使用单个预测指标“ x1”的OLS线性回归，我无法解释Y-的变化 - 因此，我试图使用回归森林（即随机森林回归）找到其他重要特征。后来发现选定的“ X1”是最重要的功能。 我的数据集有〜14500个条目。我将其分为训练和测试集，比率为9：1。 我有以下问题：

试图找到重要功能时，我应该在整个数据集上运行回归森林，还是在培训数据上运行回归森林？

在机器学习中识别非训练项目的可靠性

机器学习模型已经过训练，以识别动物和植物的名称。如果假设给出了汽车名称，是否可以说给定名称不属于类别

与Cross_validate

我正在尝试弄清楚如何与Cross_validate产生混淆矩阵。我能够用我到目前为止的代码打印出分数。

带有交叉验证的灌注矩阵

IAM使用Scikits接口训练具有交叉验证（StratifiedKfold）的SVM分类器。对于（K的）测试集，我得到一个分类结果。我想与...

如何用Scikit-Learn计算10倍Croos验证的混淆矩阵？我如何找到y_test和y_pred？

和

如何将输入传递到张量流骨干模型而不获得属性：'tuple'对象没有属性'as_list'

tensorflow-models