登录社区云，与社区用户共同成长
邀请您加入社区
深度学习中的梯度消失与梯度爆炸
机器学习四大经典算法（逻辑回归、SVM、决策树、随机森林）在工程落地中的核心原理与实践要点：逻辑回归通过Sigmoid函数实现线性分类，适合解释性要求高的场景；SVM利用核函数处理非线性数据，但对参数敏感；决策树模拟人类决策过程，解释性强但易过拟合；随机森林通过集成多棵树降低方差，泛化能力强但解释性差。实测数据显示，随机森林在客户流失预测案例中表现最优（AUC 0.892），配合逻辑回归可兼顾准确
本文系统介绍了机器学习中常见的正则化技术与算法。主要包含：1）欠拟合与过拟合概念及其解决方法，重点讲解L1/L2正则化原理；2）岭回归和拉索回归的实现及区别；3）逻辑回归的分类原理；4）K-means聚类算法流程与实现。通过代码示例展示了sklearn中相关API的使用方法，帮助理解如何应用这些技术解决实际问题。文章强调正则化在平衡模型偏差和方差中的关键作用，并比较了不同算法的优劣势。
数据特性适配：该数据集为合成数据，无真实患者隐私问题，可放心用于实验，但实际医疗场景需严格遵守HIPAA、隐私保护法等规范。医疗逻辑优先：建模过程中需结合医学常识（如甲胎蛋白、肝炎史是肝癌关键风险因素），若特征重要性与临床认知冲突，需检查数据或模型问题。模型局限性：机器学习模型仅为“辅助工具”，不能替代医生诊断，需在结果中明确标注“预测结果仅供参考，以临床检查为准”。
本文介绍梯度计算。
逻辑回归
这是一篇有关深度学习pytorch笔记
混淆矩阵是用于评估分类模型在不同类别上的预测准确性的工具。它提供了模型预测结果与真实结果之间的对应关系，帮助我们分析和理解模型的分类性能。假设，要对15个人预测是否患病，使用1表示患病，0表示正常，预测结果如下：此时，预测患病并且预测对了的人数为5个，可以表示为TP，预测错了的为4个，可以表示为FP，而预测正常且预测对了的人数有2个，可以表示为TN，预测错了的为4个，可以表示为FNT 表示 Tru
