摘要：
由于我做的是產(chǎn)品報價，要的是對產(chǎn)品價格的一個預(yù)測，對應(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)用場景有： 線性回歸【二元線性回歸和多元線性回歸】，比如說，二元線性回歸有：預(yù)測房價y基于房屋面積x。多元線性回歸：預(yù)測房價y 閱讀全文
posted @ 2025-03-13 20:41
【斗破蒼穹】
閱讀(80)
評論(0)
推薦(0)
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)測價格等連續(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，但通過適當(dāng)?shù)恼{(diào)整，它們同樣可以有效地處理回歸問題。 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
posted @ 2025-03-13 20:10
【斗破蒼穹】
閱讀(202)
評論(0)
推薦(0)
摘要：
基線模型（Baseline Model）是機(jī)器學(xué)習(xí)或數(shù)據(jù)分析中的簡單參考模型，用于評估更復(fù)雜模型的性能。常見的基線模型包括以下幾種： 1. 隨機(jī)猜測模型 描述：在分類任務(wù)中隨機(jī)預(yù)測類別，或在回歸任務(wù)中隨機(jī)預(yù)測目標(biāo)變量的值。 適用場景：作為最簡單的基線，用于初步了解數(shù)據(jù)的可預(yù)測性。 示例： 分類任務(wù)： 閱讀全文
posted @ 2025-03-13 19:49
【斗破蒼穹】
閱讀(425)
評論(0)
推薦(0)
摘要：
數(shù)據(jù)的一致性檢驗（Consistency Check）是確保數(shù)據(jù)在不同來源、時間點或條件下保持一致性和準(zhǔn)確性的過程。其目的是發(fā)現(xiàn)并糾正數(shù)據(jù)中的不一致、錯誤或矛盾，以提高數(shù)據(jù)質(zhì)量。 一致性檢驗的主要目標(biāo)： 識別錯誤：發(fā)現(xiàn)數(shù)據(jù)中的不一致或矛盾。 確保準(zhǔn)確性：保證數(shù)據(jù)在不同部分或系統(tǒng)中一致。 提高可靠性： 閱讀全文
posted @ 2025-03-13 19:11
【斗破蒼穹】
閱讀(362)
評論(0)
推薦(0)
摘要：
[ 狀態(tài)值] 新增：1 待生效/待審核/已提交：10 已生效/已審核：100 已驗收：200 駁回：5 [ 現(xiàn)實生活—業(yè)務(wù)邏輯] 現(xiàn)實生活中，這個單子我填的【對應(yīng)新增】,寫完之后，這個單子寫的不對，我可以改改【對應(yīng)修改】，也可以撕了重寫【對應(yīng)刪除】，我確定單子沒問題，我把單子交給審核部門進(jìn)行審核【對 閱讀全文
posted @ 2025-03-13 17:06
【斗破蒼穹】
閱讀(16)
評論(0)
推薦(0)
摘要：
今天跟導(dǎo)師探討了論文下一步的進(jìn)展，有了大概的思路，總結(jié)如下： 找近三年和深度學(xué)習(xí)做結(jié)果預(yù)測有關(guān)的基線模型（大概4個左右），其中，要用我選擇的模型和另外三個模型做準(zhǔn)確率對比。結(jié)果是：同一批數(shù)據(jù)，我選擇的模型運(yùn)算的準(zhǔn)確率結(jié)果（F1，F(xiàn)2）值，要比另外三個模型的F1，F(xiàn)2值更好 注意:原始思路是：用我的模 閱讀全文
posted @ 2025-03-13 13:54
【斗破蒼穹】
閱讀(13)
評論(0)
推薦(0)
浙公網(wǎng)安備 33010602011771號