所有文章
> 当前分类:AI驱动
特征选择：Lasso和Ridge算法结合的弹性网络回归实现
2025/01/07
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...
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
灰狼优化算法(GWO)：从理论到深度学习中的实践应用
【AI驱动】
灰狼优化算法（GWO）是一种模拟灰狼群体猎食行为的优化算法，它主要通过模拟灰狼群体中的领袖狼（alpha）、跟随狼（beta、delta）和普通狼（omega）的角色来实现寻优 1. 灰狼优化算法过程： 1.1 初始化 ...
2025/01/07
利用Pytorch框架构建lstm时间序列预测模型
【AI驱动】
PyTorch和TensorFlow各有优势，选择哪个框架通常取决于具体的应用场景和个人偏好，PyTorch因其简洁性和动态计算图，更适合快速原型开发和学术研究，而TensorFlow凭借其丰富的功能和强大的生产部署能力，更适合工业界的大规...
2025/01/07
Pythorch框架构建Attention-lstm时序模型
【AI驱动】
Attention 是一种机制，在神经网络中处理序列数据时，使模型能够“专注”于输入序列中不同部分的重要性，它通过给每个输入位置分配不同的权重，以便网络可以在处理序列时关注更相关的部分，从而提高模型性能 Attention + LST...
2025/01/07
SHAP全解析：机器学习、深度学习模型解释保姆级教程
【AI驱动】
什么是SHAP解释？ 在机器学习和深度学习领域，模型解释性是一个重要的课题，尽管复杂的模型如深度神经网络和集成模型（如XGBoost、LightGBM）在预测性能上表现优异，但它们通常被视为“黑箱”，难以解释其内部决策过程，SHAP（...
2025/01/07
数据分布与变化：从理论到实践指南
【AI驱动】
什么是数据分布 数据分布指的是在给定数据集中，不同数值或取值出现的频率或概率的分布模式，它描述了数据集中各个数值或取值的分布情况，包括集中趋势（如均值、中位数、众数）、数据的变异程度（如标准差、方差）以及数据点在整个数据范围内的分布情...
2025/01/07
ARIMA与Prophet的完美结合：AutoARIMAProphet时序模型
【AI驱动】
AutoARIMAProphet模型 AutoARIMAProphet 是一种将两种流行的时间序列预测模型 AutoARIMA 和 Prophet 结合起来的混合模型。它结合了 AutoARIMA 模型的自动参数选择功能和 Proph...
2025/01/07
搜索文章
热门话题
