知还。

KNN 是一个适合机器学习入门的算法：遇到一个未知样本，就在已知样本中找出与它最相似的几个，再根据这些邻居的答案做判断。 本文以鸢尾花分类为例，记录从加载数据、划分数据集，到标准化、训练、预测和评估的完整过程，并解释 fit()、predict() 和 score() 分别做了什么。 一、KNN 算法是什么？KNN 全称是 K-Nearest Neighbors，中文叫 K 近邻算法。K 表示参考的邻居数量。 本文讨论的是 KNN 分类：给定一条待预测样本，查找训练集中距离它最近的 K 条样本，根据这些邻居的类别投票。 例如 K=3，最近的三个邻居分别属于： 123邻居 A → 类别 1邻居 B → 类别 1邻居 C → 类别 2 采用每个邻居一票的规则时，类别 1 获得两票，因此预测结果是类别 1。 KNN 也可以用于回归，通常根据邻居的目标值求平均或加权平均；本文先关注分类。 1. 到底按什么排序？刚接触 KNN 时，一个容易出现的误解是：“是不是把每个特征分别升序排列？” 实际上，比较的是每条训练样本与待预测样本之间的距离，各个特征列不会被单独排序。 每条样本的全 ...

1.机器学习分类机器学习大致分为 监督学习，无监督学习两类 2.线性回归模型真实值 预测值在线性回归中，(f_{w,b}(x)) 就是预测值 (\hat{y})，两者表示相同的含义，即： [ \hat{y}=f_{w,b}(x)=wx+b ] 其中，(x) 是输入特征，(w) 是权重或斜率，(b) 是偏置或截距；(\hat{y}) 表示模型计算出的预测值，(y) 表示数据中的真实值。因此，模型的预测误差可以写成： [ \hat{y}-y=f_{w,b}(x)-y ] 线性回归的目标是不断调整参数 (w) 和 (b)，使预测值 (\hat{y}) 尽可能接近真实值 (y)，从而减小代价函数 (J(w,b))。 线性回归的代价函数 (J(w,b))在线性回归中，模型的预测函数为： [ f_{w,b}(x^{(i)})=wx^{(i)}+b ] 其中，(w) 表示直线的斜率，(b) 表示截距，(x^{(i)}) 表示第 (i) 个样本的输入，(y^{(i)}) 表示该样本的真实值。 为了衡量模型预测值与真实值之间的差距，通常使用平方误差代价函数： [ ...

青少年数据集1.ChildGuard（多国：澳大利亚、阿联酋、印度、沙特、美国）针对儿童/青少年的仇恨言论数据集，包含351,877条标注实例，来自X（Twitter）、Reddit和YouTube，覆盖三个年龄段（13-17岁青少年、11-12岁前青少年、11岁以下儿童）。 ChildGuard是一个大型的、经过精心整理的数据集，包含超过35万条多语言社交媒体帖子，这些帖子均经过标注，专门针对儿童的仇恨言论，并配有详细的年龄段标签、上下文和词汇特征，以及严谨的专家标注，旨在支持对检测和减轻针对儿童的网络虐待的研究。 核心关注：针对儿童和青少年的仇恨言论，包括针对年龄、外貌、种族、国籍和残疾的攻击。包含情境子集（157K） 和词汇子集（194K） 两个子集。 ChildGuard包含351,877 个标注实例，这些实例收集自Reddit、X（原 Twitter）和YouTube。 论文地址：https://arxiv.org/abs/2506.21613数据集地址：https://github.com/gskgautam/ChildGuard 2.DeTox-Datase（德 ...

📝 GR4AD论文总结-详细版 ## (2026-04-02) Generative Recommendation for Large-Scale Advertising 作者: Ben Xue; Dan Liu; Lixiang Wang; Mingjie Sun; Peng Wang; Pengfei Zhang; Shaoyun Shi; Tianyu Xu; Yunhao Sha; Zhiqiang Liu; et al. 期刊: （发表日期: 2026-04-02） 期刊分区: 本地链接: Xue 等 - 2026 - Generative Recommendation for Large-Scale Advertising.pdf DOI: 10.48550/arXiv.2602.22732 摘要: Generative recommendation has recently attracted widespread attention in industry due to its potential for scaling ...

设计网络模型概要输入： 图片Resize 448 * 448 输出：预测目标上的一个目标/物体 可以借助经典模型的部分框架 例如VGG16（经典模型，按照自己需求舍去图像分类部分） 利用前面的特征提取，舍去后面的分类 目标检测模型架构主干 — 颈部 — 头部 1. Backbone – 主干网络 核心作用：从输入图像中提取多尺度、多层次的特征。 工作方式： 像 CNN、ResNet、VGG、ViT 这类网络，会逐步下采样图像，生成不同分辨率的特征图。 浅层特征保留细节（如边缘、纹理），深层特征保留语义（如物体类别、整体结构）。 类比：相当于人的视觉皮层，先把看到的画面拆解成各种基础视觉元素。 2. Neck – 颈部网络 核心作用：对 Backbone 输出的多尺度特征进行融合与增强，实现多分辨率特征聚合。 工作方式： 常见结构如 FPN、PANet、BiFPN，通过上采样 + 下采样的路径，让不同层级的特征互相传递信息。 解决 “小物体特征太弱、大物体特征太粗” 的问题，让每个尺度的特征都包含丰富的上下文信息。 类比：相当于人的视觉中枢，把零散 ...

YOLO算法 YOLO11 网络结构图 YOLO11 中的 CBS 模块YOLO11 里的 CBS 是核心基础模块，是构成整个网络的「最小单元」，你可以把它理解成 YOLO 系列里 Conv-BN-SiLU 的「三合一封装」。 一、CBS 的全称 & 组成（拆解开就懂）CBS = Conv（卷积层） + BN（批量归一化） + SiLU（激活函数） （注：早期 YOLO 版本用 LeakyReLU，YOLOv8/11 统一换成 SiLU，也叫 Swish 激活） 表格 组件 作用 Conv 卷积层 提取特征、调整通道数（比如把 3 通道图片转成 64 通道特征图） BN 批量归一化 加速训练、防止过拟合、稳定梯度（不用手动调学习率，训练更快） SiLU 激活函数 引入非线性，让网络能拟合复杂特征（比 ReLU 更平滑，精度更高） 二、CBS 在 YOLO11 里的作用 特征提取的「第一步」：输入图片后，第一个模块就是 CBS，先把原始图片转成高维特征图； 轻量化设计：YOLO11 用 CBS 替代了早期复杂的卷积组合，减少参数和 ...

配置hexo部署需要的客户端免密登录在本地默认用户的根目录下执行 12# 一路回车就行ssh-keygen -t rsa -C "xxxxxx@qq.com" 之后把本地的公钥文件复制到远程服务器 ps：想免密哪个用户就选哪个用户 12ssh-copy-id -i ~/.ssh/id_rsa.pub 远程用户名@ip地址# 提示输入密码 看到这个提示就成功了 接着直接免密登录 1ssh 免密用户名@ip地址 成功！！

深度学习简介一、核心背景（顶层红色文字）“机器学习在处理图像和文本数据方面，能力较弱” 这是整个知识点的前提：传统机器学习（如逻辑回归、SVM、随机森林）擅长处理结构化数据（如表格、数值），但对非结构化数据 （多维）（图像、文本、语音）的特征提取能力不足 —— 无法自动捕捉图像的边缘 / 纹理、文本的上下文语义，因此需要专门的深度学习模型来解决。 二、两大核心解决方案（架构对应与分工）图片通过绿色箭头，将两种非结构化数据与对应的神经网络一一匹配，实现了 “问题 - 解法” 的精准对应： 表格 数据类型 对应模型 英文全称 核心定位 图像 CNN（卷积神经网络） Convolutional Neural Network 专攻空间特征提取（如图像的形状、颜色、局部纹理） 文本 RNN（循环神经网络） Recurrent Neural Network 专攻时序特征提取（如文本的上下文顺序、语义关联） 三、模型核心结构（技术底层）两种网络的核心层分工明确，分别适配对应数据的特性： CNN 的核心层 卷积层：核心层，通过卷积核滑动提取图像的局部特征（如边缘、 ...

爬虫基础011.引入requests爬虫基础阶段最重要的包。 1import requests 2.使用requests访问目标网址以爬取豆瓣为例。 get方法里面有三个参数，分别为 url、请求头、请求参数。 1234567891011121314151617url = 'https://m.douban.com/rexxar/api/v2/movie/recommend'# 请求头my_headers = { 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/131.0.0.0 Safari/537.36', 'Referer': 'https://movie.douban.com/explore',}# GET 查询参数my_params = { 'star ...

请求格式1234567891011121314151617181920const accessToken = "xxxxxx";const url = "https://aip.baidubce.com/rpc/2.0/ai_custom/v1/wenxinworkshop/chat/completions_pro?access_token=" + accessToken;const headers = {headers: {'Content-Type': 'application/json'}} const params = JSON.stringify({ 'messages': [ {"role": "user", "content": "你好呀！"}, ] });axios.post(url, p ...