chenkangle

摘要： 針對(duì) GeneXus 開發(fā)的筆記本選擇建議 根據(jù)你的使用場(chǎng)景（GeneXus + 虛擬機(jī) + 瀏覽器測(cè)試 + 數(shù)據(jù)庫(kù)操作），以下是兩款配置的詳細(xì)對(duì)比和推薦： 1. 核心需求匹配分析 需求關(guān)鍵硬件依賴Ultra5 125H + RTX 4060Ultra7 155H + Arc 核顯GeneXus 運(yùn) 閱讀全文

摘要： 94855db2-1d29-4d5a-81f8-fc9f33a14c0a IIF（&a = 0,1,&a） 意思：&a = 0 是查詢條件，如果&a的值是0，就執(zhí)行&a = 1【把&a的值賦值為1】；反之，如果&a <> 0,則&a保持原值。 可以替換成： if &a = 0 &a = 1 else 閱讀全文

摘要： 一句話概括： decayed_impact 的SHAP值集中在正負(fù)兩側(cè)，顯示事件方向性影響 高影響值對(duì)應(yīng)較大的SHAP絕對(duì)值，驗(yàn)證衰減計(jì)算的合理性 衰減值對(duì)匯率的影響機(jī)制可以通過(guò)以下方式理解，結(jié)合經(jīng)濟(jì)學(xué)原理和機(jī)器學(xué)習(xí)模型的實(shí)際應(yīng)用： 一、影響路徑分析 1. 直接影響機(jī)制 影響路徑 作用原理 數(shù)學(xué)表達(dá) 閱讀全文

摘要： 融入后的完整數(shù)據(jù)集： 以下是生成數(shù)據(jù)集的詳細(xì)說(shuō)明： 數(shù)據(jù)集結(jié)構(gòu)解析 1. 基礎(chǔ)匯率數(shù)據(jù) 字段名 類型 示例值 計(jì)算邏輯 date 日期 2024-01-15 原始數(shù)據(jù)中的DateTime列轉(zhuǎn)換而來(lái)，精確到天 price 數(shù)值 7.8394 原始Purchase Price列，表示當(dāng)日匯率中間價(jià) da 閱讀全文

摘要： 數(shù)據(jù)來(lái)源：中國(guó)銀行官網(wǎng) 數(shù)據(jù)項(xiàng)：貨幣名稱【歐元】、匯率、時(shí)間 數(shù)據(jù)預(yù)處理圍繞四個(gè)方面展開：重復(fù)值、異常值、歸一化、缺失值 由于數(shù)據(jù)來(lái)源于官方網(wǎng)站，本身不存在缺失值及異常值，通過(guò)觀察樣本數(shù)據(jù)可知，數(shù)據(jù)的波動(dòng)范圍在7.800~8.000之間【數(shù)據(jù)保存三位小數(shù)】，波動(dòng)范圍較小，，所以不需要進(jìn)行缺失值、異常 閱讀全文

摘要： 項(xiàng)目名稱——基于機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的貸款批準(zhǔn)預(yù)測(cè) 項(xiàng)目來(lái)源：和鯨社區(qū)https://www.heywhale.com/mw/project/670f61d10ebb9f7a69c5144c 項(xiàng)目數(shù)據(jù)集：有兩個(gè)【上傳不了博客】大概長(zhǎng)這個(gè)樣： 數(shù)據(jù)說(shuō)明： 實(shí)驗(yàn)環(huán)境：tensorflow、shap 實(shí)驗(yàn)結(jié) 閱讀全文

摘要： 昨天聽舍友說(shuō)，他們第一個(gè)實(shí)驗(yàn)都跑完了，瞬間焦慮起來(lái)，原來(lái)落后這么多，完事昨天晚上7點(diǎn)開始看教程，配環(huán)境，看了好幾個(gè)教程，每個(gè)教程都不一樣竟然！然后問(wèn)舍友，舍友說(shuō)：你先知道你要跑什么項(xiàng)目，我說(shuō)：我知道啊，我要做什么項(xiàng)目，想要什么結(jié)果，我都知道，項(xiàng)目和代碼都有，下一步該怎么辦。舍友說(shuō)：每個(gè)項(xiàng)目配的環(huán)境都 閱讀全文

摘要： 由于我做的是產(chǎn)品報(bào)價(jià)，要的是對(duì)產(chǎn)品價(jià)格的一個(gè)預(yù)測(cè)，對(duì)應(yīng)的是回歸任務(wù)，基線模型得從適合處理回歸任務(wù)的算法模型里找，然后就去deepseek去搜了一下，發(fā)現(xiàn)回歸任務(wù)的常見算法和應(yīng)用場(chǎng)景有： 線性回歸【二元線性回歸和多元線性回歸】，比如說(shuō)，二元線性回歸有：預(yù)測(cè)房?jī)r(jià)y基于房屋面積x。多元線性回歸：預(yù)測(cè)房?jī)r(jià)y 閱讀全文

摘要： 是的，深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network, DNN）可以用于回歸任務(wù)，包括預(yù)測(cè)價(jià)格等連續(xù)值的目標(biāo)變量。雖然深度神經(jīng)網(wǎng)絡(luò)在分類任務(wù)中更為常見，但通過(guò)適當(dāng)?shù)恼{(diào)整，它們同樣可以有效地處理回歸問(wèn)題。 深度神經(jīng)網(wǎng)絡(luò)用于回歸任務(wù)的基本步驟： 數(shù)據(jù)準(zhǔn)備： 收集和預(yù)處理數(shù)據(jù)，確保輸入特征和目標(biāo)變量 閱讀全文

摘要： 基線模型（Baseline Model）是機(jī)器學(xué)習(xí)或數(shù)據(jù)分析中的簡(jiǎn)單參考模型，用于評(píng)估更復(fù)雜模型的性能。常見的基線模型包括以下幾種： 1. 隨機(jī)猜測(cè)模型 描述：在分類任務(wù)中隨機(jī)預(yù)測(cè)類別，或在回歸任務(wù)中隨機(jī)預(yù)測(cè)目標(biāo)變量的值。 適用場(chǎng)景：作為最簡(jiǎn)單的基線，用于初步了解數(shù)據(jù)的可預(yù)測(cè)性。 示例： 分類任務(wù)： 閱讀全文