AtomGit开源社区

AtomGit开源社区

AI 编程助手 🔥 openEuler G-Star AI 学习教程最新活动

去全站搜索看看？

登录社区云

登录社区云，与社区用户共同成长

AtomGit开源社区

邀请您加入社区

欢迎加入社区

欢迎加入社区

集成学习

将合同管理从“人工密集型”升级为“人机协同型

道本科技与DeepSeek的合作，提供了一个明确的解法：不是用AI取代人，而是把合同管理中那些“适合机器做”的事交给机器，让人去做真正需要人的事。两者结合，把合同管理从“人扛着系统跑”，变成了“系统驮着人跑”。道本方案的目标，是把法务从80%的重复性劳动中解放出来，让他们有精力去做那20%真正创造价值的事。每次合同审查中，业务、法务、财务提出的修改意见，系统自动采集、提炼，用于迭代下一轮智能审查。

智慧293
2026-06-12 16:22:45

 361

 8

#时序数据库 #数据库架构 #数据库开发 +4
OpenClaw 局域网调用 Ollama 本地大模型：完整配置与踩坑指南

本文介绍了在本地部署大语言模型的有效方案，通过两台设备部署客户端和服务端实现局域网AI服务。详述硬件配置与软件部署流程，并针对API兼容性、防火墙配置、会话锁定、数据处理量和响应延迟五大核心问题给出解决方案。对比三种模型的适用场景后，提出构建分布式集群的扩展构想。该方案以一次性投入替代持续性云端费用，兼具成本优势与数据安全，为高频AI应用者提供可行的本地化部署路径。

AICDragon
2026-06-09 18:00:00

 970

 14

#python #集成学习
广州大学《IT项目管理》2026年期末试卷及解答

本文是一份项目管理课程的考试试卷分析，包含以下内容：1. 题型分布：单选题、填空题、多选题、简答题、案例分析题和计算题。2. 重点题目解析：包括IPMA机构识别、WBS缩写、项目范围约束模型、需求管理标志等单选题；项目定义、范围管理、质量管理体系等填空题；软件质量特性、进度规划依据等多选题。3. 简答题分析项目利益相关者影响和变更代价曲线关系。4. 案例分析题指出需求获取不规范、变更管理缺失等问题

 YANKEESEAN
2026-06-09 16:40:57

 681

 7

#知识图谱 #集成学习 #分类 +2
2026年医生医学文献解读工具实测：证元芳在真正改变临床工作流

医学文献AI工具盘点：从检索辅助到循证决策支持面对海量医学文献，医生和科研人员面临信息筛选难题。2026年，AI驱动的医学文献工具已深度融入临床和科研场景，呈现差异化发展：证元芳（轻松健康集团）：以循证医学为核心，整合5000万条中英文权威数据，支持证据溯源和分级。在CMB2023医师考试中获满分，并通过信通院全项测评，已服务近7万医学专业人士。 Perplexity学术模式：通过自然语言处理

 b_hedgehog
2026-06-09 15:56:10

 373

 6

#人工智能 #集成学习
四年后的今天，博士毕业啦|贴一些开源代码的链接（故障监测+加强学习预测模型+能源互补性分析）

摘要：作者回顾四年学术历程，分享在机械工程（动态系统与控制方向）的毕业成果，涉及机器学习在风电故障监测的应用。尽管新能源领域就业困难，仍坚持参加行业会议寻求机会。重点介绍了团队开源项目：1）融合FFT与机器学习的电机故障监测系统；2）获会议最佳论文奖的Q-learning太阳能预测模型；3）国家实验室实习期间开发的可再生能源互补性分析工具。未来计划继续完成研究项目、开源代码并兼顾求职，同时因家庭因

 Ctailll
2026-06-09 14:08:57

 338

 6

#集成学习 #机器学习 #人工智能 +1
AI加安全第一课

说到现在的行业情况，ai对于任何行业都具有前所未有的冲击力，那么未来到底人还可以干什么呢？会不会那些传统行业例如工程师，设计师，还有程序员面临着被优化的风险？现在AI对于行业的冲击，与革新是不是正像建国之初国家大力推行文化教育那样，会有最头部的一群人学好然后在政策的加持下普及到我们普通人呢？但是现在的情况不一样啊！我们如果不去驻地哦那个学习提升的话，好多机会不会怜悯我们的。作为一个准小白，我将会持

 2501_94660441
2026-06-03 21:36:47

 54

 1

#集成学习
Boosting 回归模型超参调优指南

XGBoostCatBoost和LightGBM等提升决策树算法是非常强大的回归任务机器学习方法。要获得最佳预测性能，需要进行超参数调优，例如网格搜索来探索数千种参数组合。虽然暴力技术可以完成任务，但它们很快就会变得计算量过大，并且可能导致过拟合模型，使其无法泛化到未见过的数据。另一方面，贝叶斯优化提供了一个更高效的替代方案，通过智能地导航超参数空间来减少计算负担。值得注意的是，仅仅使用贝叶斯技术

 新缸中之脑
2026-06-03 20:53:34

 245

 7

#boosting #回归 #集成学习
机器学习之决策树与集成学习

单一模型（弱学习器）的能力可能有限且不稳定。集成学习通过构建并结合多个学习器来完成学习任务，通常能获得比单一学习器显著优越的泛化性能。Bagging并行训练多个同质且相互独立的弱学习器，通过投票（分类）或平均（回归）聚合结果。核心目标是降低模型方差，对不稳定的基学习器（如决策树）效果提升尤为明显。Boosting串行训练多个同质的弱学习器，每个新学习器都根据前序模型的错误进行调整，赋予错误样本更高

 1_子非鱼
2026-06-03 15:35:25

 649

 8

#机器学习 #决策树 #集成学习
第九章集成学习 Boosting案例：信用卡欺诈分类

信用卡欺诈检测案例摘要本案例使用欧洲持卡人2013年9月的信用卡交易数据，包含284,807笔交易，其中仅492笔为欺诈(占比0.172%)。数据经过PCA处理，包含28个主成分特征(V1-V28)以及时间和金额两个原始特征。案例展示了数据读取、探索性分析(EDA)和模型构建过程，使用Adaboost、Gradient Boosting和XGBoost等算法处理高度不平衡的分类问题。测试集比例为

 哈伦2019
2026-05-26 20:52:05

 545

 13

#集成学习 #boosting #分类
让电流和转速对话：多模态集成学习驱动的电机故障可解释诊断

本文提出一种基于物理特征和集成学习的电机故障诊断方法，解决了传统深度学习模型可解释性差的问题。通过提取电流和转速信号的时频域物理特征，采用Stacking集成策略融合随机森林、SVM和KNN等分类器，在保证诊断准确率的同时实现了决策过程的可视化。实验验证表明，该方法不仅能有效区分电气和机械故障，还能通过特征重要性分析、SHAP值等工具明确解释诊断依据，且具有采样率鲁棒性和时间稳定性。这种兼顾性能和

 哥廷根数学学派2023
2026-05-26 10:00:00

 634

 18

#集成学习 #机器学习 #人工智能 +4
《数据挖掘》学习笔记（十）：集成学习

摘要《数据挖掘》第十章系统介绍了集成学习技术。集成学习通过组合多个基学习器提升模型性能，主要方法包括：1）Bagging（如随机森林），通过自助采样并行训练多个模型并投票；2）Boosting（如AdaBoost、GBDT），序列化训练模型并调整样本权重；3）Stacking，使用次级学习器整合多个基模型的预测结果。本章通过Python代码示例展示了不同集成方法在分类和回归任务中的应用，并对比了

 Feihuooo
2026-05-25 10:05:45

 886

 28

#数据挖掘 #学习 #机器学习 +3
LightGBM训练时的boosting_type核心参数介绍

LightGBM训练时的boosting_type核心参数介绍，以及参数选择与xgboost模型训练的差异对比

 up_learning
2026-05-24 19:09:58

 396

 3

#boosting #算法 #集成学习
DeepSeek 大模型落地应用与场景实战指南

摘要：本文探讨了数字化转型中智能系统的构建与应用，提出了10个具体落地场景的解决方案。从企业知识库问答系统、多语言代码生成到营销文案创作、教育辅导助手等，详细分析了各场景的技术实现路径与优化策略。重点包括数据清洗与索引策略、分层摘要法、风格适配技巧、意图识别优化等实用方法，并强调了私有化部署的成本效益评估。这些实战经验为构建高效智能助手提供了系统化的实施指南。

weixin_57808468
2026-05-22 23:40:26

 479

 10

#人工智能 #语言模型 #集成学习
day28_决策树与集成学习

集成学习是机器学习中的一种思想，通过多个模型的组合形成一个精度更高的模型。参与组合的模型成为弱学习器随机森林是基于Bagging思想实现的一种集成学习算法，采用决策树作为弱学习器。训练过程1.有放回地产生训练样本2.随机挑选n个特征3.训练决策树4.重复1-3步训练多棵树5.平权投票，多数表决输出预测结果CART决策树CART就是不停做二分选择题，层层筛选数据，分得越纯越好。是所有主流树模型（随机

 YUDAMENGNIUBI
2026-05-21 20:23:08

 443

 6

#决策树 #集成学习
集成学习知识点讲解

集成学习通过组合多个弱学习器构建更强模型。训练：依次训练多个弱模型预测：所有弱学习器联合决策优势：比单个模型更准、更稳、更不易过拟合集成学习 = 多个弱模型组合Bagging：并行、有放回、平权投票Boosting：串行、纠错、加权投票基于Bagging + 决策树有放回抽样随机选择部分特征训练多棵 CART 树平权投票输出结果随机森林 = Bagging + 决策树 + 双随机步骤：抽样 → 选

 小小小菜鸡-
2026-05-20 20:11:43

 362

 8

#集成学习 #机器学习 #人工智能
人工智能导论：模型与算法（核心技术）

机器学习是智能体从数据中自动学习知识的一种人工智能方法。其目标是从原始数据中提取特征，学习一个映射函数fff将特征映射到语义空间，寻找数据和任务目标之间的关系。机器学习通常分为三大类：此外，介于监督学习和无监督学习之间还有半监督学习，它依赖于少量标注数据和大量未标注数据。监督学习从标注数据出发，学习一个映射函数 fff。模型的预测结果 f(xi)f(x_i)f(xi) 与真实值 yiy_iyi

星云494
2026-05-19 11:26:52

 391

 10

#人工智能 #算法 #机器学习 +4
10 集成学习——《数据挖掘（主编：吕欣王梦宁）》读书笔记

本文总结了《数据挖掘》教材中集成学习的主要内容，重点分析了集成学习的核心思想、主要类型及典型算法。集成学习通过组合多个基学习器提升模型性能，关键在于保证基学习器的准确性和差异性。文章详细对比了Bagging（如随机森林）和Boosting（如AdaBoost）两类方法：Bagging通过并行训练降低方差，适合易过拟合模型；Boosting通过串行训练降低偏差，关注错误样本修正。此外还介绍了随机森林

 致良知837
2026-05-18 09:22:15

 409

 7

#集成学习 #数据挖掘 #机器学习
高炉智变：12期实战带你玩转工业AI落地~系列文章03：多目标集成学习：极限学习机+差分进化实现精准预测

针对工业高炉工况波动大、单模型预测泛化能力弱、难以兼顾精度与稳定性的痛点，本文提出一种多目标集成学习预测方法，将极限学习机（ELM）与多目标离散差分进化算法（NSDE）结合，构建高精度、高鲁棒性的集成预测框架。该方法以 ELM 为基础子模型，利用其训练快、泛化性强的优势；通过 NSDE 算法同步优化预测精度与模型差异性两个冲突目标，生成 Pareto 最优解集以构建差异化子模型池；再设计动态权

 段一凡-华北理工大学
2026-05-15 10:45:04

 318

 5

#人工智能 #安全 #系统架构 +1
【集成学习先锋】随机森林详解与Python实现：从决策树到森林的进化

理解了决策树的原理及其易过拟合的缺点。掌握了随机森林通过Bagging和特征随机性集成多棵树的核心思想。在鸢尾花数据集上复现了完整的机器学习流程，并特别强调了与SVM实验的对比分析。实践了利用特征重要性和网格搜索进行模型解释与优化。随机森林以其优秀的性能、稳定的输出和良好的可解释性，在Kaggle竞赛和工业界中经久不衰，是每个机器学习者工具箱中必备的利器。本文完整代码已整合在上文各步骤中，你可以直

 影航者影像志
2026-05-14 20:41:36

 383

 11

#集成学习 #随机森林 #python
一种新的本体引导的属性划分集成学习模型，用于应用定量结构磁共振早期预测早产儿的认知缺陷

结构磁共振成像研究表明，大脑解剖异常与早产儿的认知障碍有关。大脑成熟度和几何特征可以与机器学习模型一起用于预测未来的神经发育缺陷。然而，传统的机器学习模型会受到很大的特征与实例比率的影响(即，大量的特征但少量的实例/样本)。集成学习是一种战略性地生成和集成机器学习分类器库的范例，并已成功地用于各种预测建模问题，以提高模型性能。属性(即特征)装袋方法是最常用的特征划分方法，它从整个特征集中随机、重复

 nap-joker
2026-05-14 16:50:05

 393

 9

#集成学习 #机器学习 #人工智能
面试题：集成学习是什么？Boosting、Bagging、AdaBoost、随机森林为什么有效，一文讲透

Boosting 则是串行训练多个弱学习器，后面的模型不断纠正前面的错误，重点是提升拟合能力，典型代表是 AdaBoost、GBDT、XGBoost、LightGBM、CatBoost。面试时，真正拉开差距的，不是你会不会背概念，而是你能不能把 Bagging、Boosting、AdaBoost、随机森林这几件事讲成一条清晰的因果链。如果这些模型彼此有差异，那么它们犯错的地方往往不完全一样，最后合

 闵浮龙
2026-05-12 14:27:00

 352

 10

#人工智能 #机器学习 #集成学习
完整资源下载|MATLAB|Python代码|没发论文的注意啦！重磅更新！GWO-BP-AdaBoost预测！灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究（Matlab代码实现）

参考文献：GWO-BP-AdaBoost预测研究是指将灰狼优化（Grey Wolf Optimizer, GWO）、人工神经网络（Back Propagation Neural Network, BPNN）与AdaBoost集成学习算法结合起来的一种预测模型应用研究。这种综合方法利用了各算法的优点，旨在提高预测精度和泛化能力。

yyds_2201
2026-05-10 20:22:04

 312

 9

#集成学习 #算法 #matlab +1
没发论文的注意啦！重磅更新！GWO-BP-AdaBoost预测！灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究（Matlab代码实现）

参考文献：GWO-BP-AdaBoost预测研究是指将灰狼优化（Grey Wolf Optimizer, GWO）、人工神经网络（Back Propagation Neural Network, BPNN）与AdaBoost集成学习算法结合起来的一种预测模型应用研究。这种综合方法利用了各算法的优点，旨在提高预测精度和泛化能力。

?? G.E.M.
2026-05-10 19:56:59

 318

 8

#集成学习 #算法 #matlab +1
没发论文的注意啦！重磅更新！GWO-BP-AdaBoost预测！灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究（Matlab代码实现）

参考文献：GWO-BP-AdaBoost预测研究是指将灰狼优化（Grey Wolf Optimizer, GWO）、人工神经网络（Back Propagation Neural Network, BPNN）与AdaBoost集成学习算法结合起来的一种预测模型应用研究。这种综合方法利用了各算法的优点，旨在提高预测精度和泛化能力。

梦想科研社_研学
2026-05-10 19:43:54

 325

 10

#集成学习 #算法 #matlab +1
没发论文的注意啦！重磅更新！GWO-BP-AdaBoost预测！灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究（Matlab代码实现）

参考文献：GWO-BP-AdaBoost预测研究是指将灰狼优化（Grey Wolf Optimizer, GWO）、人工神经网络（Back Propagation Neural Network, BPNN）与AdaBoost集成学习算法结合起来的一种预测模型应用研究。这种综合方法利用了各算法的优点，旨在提高预测精度和泛化能力。

冒泡芳
2026-05-10 19:31:18

 314

 7

#集成学习 #算法 #matlab +1
没发论文的注意啦！重磅更新！GWO-BP-AdaBoost预测！灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究（Matlab代码实现）

参考文献：GWO-BP-AdaBoost预测研究是指将灰狼优化（Grey Wolf Optimizer, GWO）、人工神经网络（Back Propagation Neural Network, BPNN）与AdaBoost集成学习算法结合起来的一种预测模型应用研究。这种综合方法利用了各算法的优点，旨在提高预测精度和泛化能力。

老杰爱编程
2026-05-10 06:24:45

 388

 9

#集成学习 #算法 #matlab +1
没发论文的注意啦！重磅更新！GWO-BP-AdaBoost预测！灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究（Matlab代码实现）

参考文献：GWO-BP-AdaBoost预测研究是指将灰狼优化（Grey Wolf Optimizer, GWO）、人工神经网络（Back Propagation Neural Network, BPNN）与AdaBoost集成学习算法结合起来的一种预测模型应用研究。这种综合方法利用了各算法的优点，旨在提高预测精度和泛化能力。

2501_93142541
2026-05-10 06:13:18

 344

 10

#集成学习 #算法 #matlab +1
没发论文的注意啦！重磅更新！GWO-BP-AdaBoost预测！灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究（Matlab代码实现）

参考文献：GWO-BP-AdaBoost预测研究是指将灰狼优化（Grey Wolf Optimizer, GWO）、人工神经网络（Back Propagation Neural Network, BPNN）与AdaBoost集成学习算法结合起来的一种预测模型应用研究。这种综合方法利用了各算法的优点，旨在提高预测精度和泛化能力。

woshilaiwade
2026-05-10 06:01:47

 380

 9

#集成学习 #算法 #matlab +1
没发论文的注意啦！重磅更新！GWO-BP-AdaBoost预测！灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究（Matlab代码实现）

参考文献：GWO-BP-AdaBoost预测研究是指将灰狼优化（Grey Wolf Optimizer, GWO）、人工神经网络（Back Propagation Neural Network, BPNN）与AdaBoost集成学习算法结合起来的一种预测模型应用研究。这种综合方法利用了各算法的优点，旨在提高预测精度和泛化能力。

老潘编程
2026-05-10 05:50:24

 376

 7

#集成学习 #算法 #matlab +1
没发论文的注意啦！重磅更新！GWO-BP-AdaBoost预测！灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究（Matlab代码实现）

参考文献：GWO-BP-AdaBoost预测研究是指将灰狼优化（Grey Wolf Optimizer, GWO）、人工神经网络（Back Propagation Neural Network, BPNN）与AdaBoost集成学习算法结合起来的一种预测模型应用研究。这种综合方法利用了各算法的优点，旨在提高预测精度和泛化能力。

茜姐_博客
2026-05-10 05:38:56

 403

 7

#集成学习 #算法 #matlab +1
没发论文的注意啦！重磅更新！GWO-BP-AdaBoost预测！灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究（Matlab代码实现）

参考文献：GWO-BP-AdaBoost预测研究是指将灰狼优化（Grey Wolf Optimizer, GWO）、人工神经网络（Back Propagation Neural Network, BPNN）与AdaBoost集成学习算法结合起来的一种预测模型应用研究。这种综合方法利用了各算法的优点，旨在提高预测精度和泛化能力。

荧光Matlab
2026-05-10 05:27:32

 353

 10

#集成学习 #算法 #matlab +1
没发论文的注意啦！重磅更新！GWO-BP-AdaBoost预测！灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究（Matlab代码实现）

参考文献：GWO-BP-AdaBoost预测研究是指将灰狼优化（Grey Wolf Optimizer, GWO）、人工神经网络（Back Propagation Neural Network, BPNN）与AdaBoost集成学习算法结合起来的一种预测模型应用研究。这种综合方法利用了各算法的优点，旨在提高预测精度和泛化能力。

2501_92824524
2026-05-10 05:16:04

 389

 10

#集成学习 #算法 #matlab +1
没发论文的注意啦！重磅更新！GWO-BP-AdaBoost预测！灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究（Matlab代码实现）

参考文献：GWO-BP-AdaBoost预测研究是指将灰狼优化（Grey Wolf Optimizer, GWO）、人工神经网络（Back Propagation Neural Network, BPNN）与AdaBoost集成学习算法结合起来的一种预测模型应用研究。这种综合方法利用了各算法的优点，旨在提高预测精度和泛化能力。

2501_92823441
2026-05-10 05:04:37

 365

 9

#集成学习 #算法 #matlab +1
没发论文的注意啦！重磅更新！GWO-BP-AdaBoost预测！灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究（Matlab代码实现）

参考文献：GWO-BP-AdaBoost预测研究是指将灰狼优化（Grey Wolf Optimizer, GWO）、人工神经网络（Back Propagation Neural Network, BPNN）与AdaBoost集成学习算法结合起来的一种预测模型应用研究。这种综合方法利用了各算法的优点，旨在提高预测精度和泛化能力。

F_Matlab
2026-05-10 00:51:32

 391

 9

#集成学习 #算法 #matlab +1
没发论文的注意啦！重磅更新！GWO-BP-AdaBoost预测！灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究（Matlab代码实现）

参考文献：GWO-BP-AdaBoost预测研究是指将灰狼优化（Grey Wolf Optimizer, GWO）、人工神经网络（Back Propagation Neural Network, BPNN）与AdaBoost集成学习算法结合起来的一种预测模型应用研究。这种综合方法利用了各算法的优点，旨在提高预测精度和泛化能力。

荔枝科研社
2026-05-10 00:23:44

 342

 8

#集成学习 #算法 #matlab +1
没发论文的注意啦！重磅更新！GWO-BP-AdaBoost预测！灰狼优化、人工神经网络与AdaBoost集成学习算法预测研究（Matlab代码实现）

参考文献：GWO-BP-AdaBoost预测研究是指将灰狼优化（Grey Wolf Optimizer, GWO）、人工神经网络（Back Propagation Neural Network, BPNN）与AdaBoost集成学习算法结合起来的一种预测模型应用研究。这种综合方法利用了各算法的优点，旨在提高预测精度和泛化能力。

我爱Matlab编程
2026-05-10 00:12:01

 357

 5

#集成学习 #算法 #matlab
机器学习-第六章集成学习

特性Bagging（如随机森林）Boosting（如AdaBoost/GBDT/XGBoost）训练方式并行串行样本采样有放回抽样（子集）全量数据关注点降低方差（防过拟合）降低偏差（提准确率）后续模型任务独立训练修正前序模型的错误典型风险欠拟合可能过拟合可能（如果太关注异常值）算法一句话概括Bagging有放回采样 + 并行训练 + 平权投票Boosting全量数据 + 串行训练 + 加权关注错误

 weixin_54623031
2026-05-07 17:11:33

 868

 29

#机器学习 #集成学习 #人工智能
本地可跑的隐私检测模型：Privacy Filter 低成本实现高质量 PII 过滤；硬核开源！涵盖超 8 万场比赛的 Transfermarkt 结构化足球数据集

该项目的核心特点是内置了学习闭环——能够从任务经验中自动创建技能（Skill），在使用过程中持续改进，主动将知识持久化到记忆系统，并能搜索历史对话，在跨会话中逐步建立对用户的深度理解。Drug Adverse Event Detection 是一个模拟现实世界中患者多药物处方场景的文本数据集，旨在研究由于多种药物联合使用而导致的药物不良反应风险，广泛应用于药物不良反应检测、医学信息抽取、临床文本分

 HyperAI超神经
2026-04-30 13:32:10

 471

 4

#人工智能 #深度学习 #集成学习
基于AI Agent的智能费控审核系统：架构设计与五层能力实现

AI Agent的介入，为这一场景提供了从"规则驱动"到"语义理解"的技术跃迁可能。参考行业实践，L1–L3层的平均交付周期约为4周，L4层ERP集成视复杂度约需6–12周。这一层的核心能力是：基于企业内部的历史数据和业务知识，对报销单据做出"合乎情理"的判断。L1层已可对接国家税务总局查验接口，平均验真响应时间<500ms，是所有五层中技术最成熟、稳定性最高的模块。真正的难点在于"理解"这些文字

 xeat_ing
2026-04-29 17:44:41

 625

 12

#自然语言处理 #人工智能 #集成学习
【Python数据挖掘35讲】第27章：基于多模型对比与集成学习的加州房价预测研究：从线性回归到梯度提升的实证分析

房价预测是房地产经济学和机器学习交叉领域中的经典回归任务，其核心难点在于处理多维非线性特征间的复杂交互效应。本文以加州房价数据集（20,640个样本，8个初始特征）为研究基础，构建了一套完整的房价预测分析框架，涵盖探索性数据分析、特征工程、多模型对比、超参数调优及模型融合五大模块。在方法论层面，分别从线性模型的数学同构性、决策树集成方法的误差分解理论基础以及支持向量机的高维映射机制三个维度，对七种

 小清河505
2026-04-24 23:09:44

 397

 8

#python #数据挖掘 #集成学习
大模型调用 MCP / Function Calling 全流程高频坑总表

大模型调用MCP/Function Calling高频问题摘要本文总结了7大模块常见问题及解决方案：工具定义层（90%问题根源）接口语义混淆：通过差异化命名和明确场景描述解决参数传递问题：规范参数描述格式（来源+约束+示例）描述冗余/缺失：精简描述但保留关键信息类型定义错误：严格校验Schema类型和必填项枚举值缺失：强制定义enum并解释含义默认值问题：非必填参数设置合理默认值

 m0_57298417
2026-04-24 09:09:22

 442

 12

#python #人工智能 #集成学习
Day 11 编程实战：XGBoost金融预测与调参

本文介绍了使用XGBoost进行金融预测的实战过程。主要内容包括：1)导入必要的Python库并设置环境；2)生成金融数据并提取11个技术指标特征；3)使用默认参数的XGBoost模型进行训练，在测试集上获得58.15%的准确率和0.591的AUC值；4)分析特征重要性，识别关键预测指标。实验结果表明XGBoost在金融时间序列预测中具有一定潜力，后续可通过参数调优进一步提升模型性能。

wayz11
2026-04-23 23:56:28

 512

 8

#金融 #机器学习 #算法 +2
Day 10 编程实战：Boosting（AdaBoost & GBDT）金融预测

本文介绍了使用AdaBoost和GBDT算法进行金融预测的实战过程。首先导入必要的Python库，然后生成包含技术指标（如RSI、MACD、均线等）的金融数据。接着详细讲解了AdaBoost算法的原理并手动实现了一个简化版本，包括样本权重初始化、弱学习器训练、误差计算和权重更新等关键步骤。最后使用sklearn的AdaBoostClassifier和GradientBoostingClassifi

wayz11
2026-04-22 23:42:05

 519

 7

#boosting #金融 #集成学习
Day 10：集成学习进阶（Boosting: AdaBoost, GBDT）

定义：Boosting 是一种将多个弱学习器串行组合成强学习器的集成方法，每个新模型都关注前一个模型犯错的样本。核心思想：三个臭皮匠，通过递进式学习变成诸葛亮。与 Bagging 的核心区别特性Bagging (随机森林)训练方式并行训练串行训练样本权重均匀采样动态调整权重模型权重平等投票根据性能加权目标降低方差降低偏差过拟合风险较低较高（需调参）

wayz11
2026-04-22 18:27:25

 601

 9

#集成学习 #boosting #机器学习 +1
AI时代工程师superpowers进化论

AI时代工程师的能力重构 AI技术正在重塑工程师的核心能力体系，从传统技术实现转向“技术+智能”的复合型能力。工程师需掌握七大关键能力：数据驱动的工程思维：从确定性设计转向概率化优化，利用数据决策贯穿开发全流程；全栈智能开发：整合AI辅助工具链，实现需求分析、代码生成到测试的闭环加速；系统与模型融合：结合分布式架构与AI部署，优化推理效率与微服务协同；数据价值挖掘：构建从埋点到反馈的数据飞

 2601_95862899
2026-04-22 20:26:33

 319

 3

#人工智能 #科技 #前端 +3
Harness Engineering：从入门到精通

文章摘要：《驾驭工程（Harness Engineering）》是一种通过规则约束引导AI高效输出的方法论，类比软件开发中的规范流程。本章从Harness思维的起源讲起，并引入AI时代的规格驱动开发（SDD）——将需求文档（Spec）作为核心，使人类需求与AI任务说明书统一。相比传统开发中模糊的需求传递，SDD通过可版本化的规格文档（含测试代码）确保人机协同的精确性，提升开发效率。

专门坑人小分队
2026-04-21 18:25:06

 656

 10

#人工智能 #语言模型 #集成学习 +1
Day 8 编程实战：随机森林与特征重要性

本文介绍了使用随机森林进行金融数据分析的实战过程。首先导入必要的Python库并生成模拟金融数据，包含20个特征（部分有效、部分噪声）和3000个样本。数据按时间顺序划分为训练集和测试集。建立基础随机森林模型，在测试集上准确率为49.44%，AUC为50.77%。同时对比了单棵决策树的表现，展示了随机森林相对于单棵树的优势。文章重点分析了特征重要性，为后续特征选择提供依据，最终目标是构建更精简高效

 wayz11
2026-04-21 15:00:38

 361

 8

#随机森林 #集成学习 #机器学习
茄子小说创作助手深度研究报告：AI赋能下的网络文学生产变革与效率提升

茄子小说创作助手是一款专为网文新人设计的AI辅助工具，通过"辅助而非替代"理念解决创作痛点。该工具提供从灵感激发到发布的全流程支持，包括智能大纲生成、多版本剧情走向、细节对话生成等功能，并配备视觉化辅助和市场分析。相比通用型工具，茄子助手更注重网文特性和新人友好度，内置激励机制和学习社区，形成创作变现闭环。其移动端适配和傻瓜式操作降低了创作门槛，帮助新人作者提升效率和质量，在激

 qq_41627274
2026-04-18 22:40:29

 711

 14

#人工智能 #学习 #学习方法 +3
AIPY 女娲 Skill！把同事榨干成 Skill，消灭 90% 无效试错

接下来让我们看另外的一个例子，我的离职同事——前端工程师张磊，他将三年来的工作文件和素材，做成了skill。这套框架能帮助我们去繁从简聚焦核心，不被数据绑架，坚守长期价值，只为核心用户，主动定义规则而非跟风。如果我们为您单独开发这个功能，会让产品变得复杂，让其他几百家客户用起来不舒服。• 客户要“和某系统专属对接” → 开放API，让他们自己对接，你收服务费• 客户要“特殊权限逻辑” → 看看现有

 Levi_0816
2026-04-16 18:02:21

 427

 8

#集成学习 #迁移学习
专业术语统计报告_基于集成学习的风功率预测方法研究

本报告超认真地对《基于集成学习的风功率预测方法研究》做了系统的专业术语统计与分析啦📝！文档总字符数280261，中文字符63155个，英文字词25584个，一共扒出专业术语1338个～高频术语“预测模型”（369次）、“风电机组”（161次）等搭成了研究的核心概念小体系～

shallwegzgdj
2026-04-16 08:29:42

 554

 9

#集成学习 #机器学习 #人工智能

加载更多

回到
顶部

提供社区服务与技术支持

提供社区服务与技术支持

©1999-2023北京创新乐知网络技术有限公司京ICP备19004658号