个人技术分享

回归洛伦兹变换

因为我们已经看到，长度这个概念，在不同的条件下，对应了不同的基本物理量：在宏观低速条件下它对应的是周期的重复次数，而在微观高速的条件下对应的是频率的差异总量。代表的频差或者周期比率的意义，所以说，确实可以有光速上限，但并不影响“超光速”的实现。只是在“超光速”的前提下，这种周期和频率互为倒数的对称性不再保持。

AI 边缘计算平台 - 回归开源 BeagleY-AI 简介

BeagleY®-AI 采用德州仪器新推出的 AM67A AI 视觉处理器。这款处理器集成了四个 64 位 Arm® Cortex®-A53 CPU 核心，时钟频率高达 1.4 GHz，两个通用 C7x DSP 和矩阵加速器（MMA），能提供 4 TOPS 的深度学习性能。此外，它还配备了视觉处理加速器、GPU 核心和多个专门用于实现低功耗、低延迟的 GPIO 控制 Arm Cortex-R5 核心。

LightGBM 进行回归建模的流程

这博客是记录我学习的点点滴滴，如果您对 Python、Java、AI、算法有兴趣，可以关注我的动态，一起学习，共同进步。确保你已经安装了所需的库 (pandas, scikit-learn, lightgbm) 并有合适的数据集。将数据分为特征 (X_train, X_test) 和标签 (y_train, y_test)。配置 LightGBM 的训练参数，包括提升类型、目标函数、评估指标、叶子节点数、学习率等。使用 train 方法进行训练，指定评估数据集，并设置提前停止的回调函数以防止过拟合。

LightGBM 进行回归建模的流程

这博客是记录我学习的点点滴滴，如果您对 Python、Java、AI、算法有兴趣，可以关注我的动态，一起学习，共同进步。确保你已经安装了所需的库 (pandas, scikit-learn, lightgbm) 并有合适的数据集。将数据分为特征 (X_train, X_test) 和标签 (y_train, y_test)。配置 LightGBM 的训练参数，包括提升类型、目标函数、评估指标、叶子节点数、学习率等。使用 train 方法进行训练，指定评估数据集，并设置提前停止的回调函数以防止过拟合。

机器学习（五） -- 监督学习（5） -- 线性回归1

tips：标题前有“***”的内容为补充内容，是给好奇心重的宝宝看的，可自行跳过。文章内容被“文章内容”删除线标记的，也可以自行跳过。！！”一般需要特别注意或者容易出错的地方。本系列文章是作者边学习边总结的，内容有不对的地方还请多多指正，同时本系列文章会不断完善，每篇文章不定时会有修改。由于作者时间不算富裕，有些内容的《算法实现》部分暂未完善，以后有时间再来补充。见谅！文中为方便理解，会将接口在用到的时候才导入，实际中应在文件开始统一导入。

基于Python的LSTM网络实现单特征预测回归任务

长短期记忆网络（Long Short-Term Memory, LSTM）是一种特殊的递归神经网络（RNN），适用于处理时间序列数据和其他序列数据的预测问题。通过调整模型的超参数和层数，你可以优化模型以更好地适应你的数据和任务。最后，通过可视化比较预测值和真实值。函数将数据转换为训练和预测所需的格式，主要是通过滑动窗口机制，将时间序列数据转换为输入和目标的组合。然后提取所需的特征，将数据缩放到0到1之间，以确保模型的稳定性。：创建了一个简单的LSTM模型，包括一个LSTM层和一个Dense层。

[机器学习系列]深入探索回归决策树：从参数选择到模型可视化

在这篇博客中，我们将深入探讨回归决策树的构建和应用。首先，我们将讨论如何选择和调整回归决策树的关键参数，以优化模型的性能。接着，我们将准备用于训练和测试的数据，并进行必要的预处理。然后，我们将构建回归决策树模型，包括拟合模型、预测数据、查看特征重要性以及评估模型拟合效果。最后，我们将通过可视化工具展示回归决策树的真实值和预测值，以及决策树的结构。这篇博客旨在帮助读者全面理解回归决策树的工作原理，并通过实践案例提升其在数据科学领域的应用能力。