河岳日星的博客 - 运维工程师 | AI 算法学习者

机器学习实战：鸢尾花分类与多模型对比 -w2

机器学习实战：鸢尾花分类与多模型对比 -w2

发表于2023-01-02 | 更新于 2026-04-25 | 技术笔记机器学习实战 | 机器学习 • 实战项目 • 分类算法 | 条评论

本篇通过经典鸢尾花数据集，一次性实现逻辑回归、KNN、SVM、决策树四大分类模型，学习 sklearn 统一 API 用法，并完成模型效果对比。是机器学习分类任务最经典、最适合新手的入门实战。 🎯 一、项目目标学会加载 sklearn 内置数据集掌握分类任务的标准流程一次性训练 4 种经典机器学习模型学会用准确率评估分类模型学会用训练好的模型预测新样本 💻 二、完整代码实现（详细注释版）1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465# 鸢尾花分类实战：一次性对比逻辑回归、KNN、SVM、决策树# 任务类型：多分类任务（3种鸢尾花类别）# ======================# 1. 导入所需库# ======================from sklearn.datasets import load_irisfrom sklearn.model_selec ...

机器学习实战：从零实现线性回归完整项目 -w2

机器学习实战：从零实现线性回归完整项目 -w2

发表于2022-12-23 | 更新于 2026-04-25 | 技术笔记机器学习实战 | 机器学习 • 线性回归 • 实战项目 | 条评论

本篇通过加州房价预测实战项目，完整走一遍机器学习流程：数据加载 → 数据查看 → 数据集划分 → 模型训练 → 模型预测 → 模型评估。非常适合新手理解标准机器学习项目的完整套路。 🎯 一、项目目标与流程本次实战使用线性回归完成加州房价预测，帮助大家掌握：如何加载官方数据集如何构建 DataFrame 并查看数据训练集 / 测试集划分为什么重要线性回归模型训练与预测模型评估指标 MSE、R² 的含义标准机器学习五步流程：导入库加载数据 & 预处理划分训练集 / 测试集训练模型预测 & 评估 💻 二、完整代码实现（带详细注释）123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566# 实现一个完整的线性回归项目# 目标：对机器学习基础流程建立直观理解# ======================# 1. 导入所需库# ============ ...

机器学习核心算法全解（回归/SVM/决策树/集成/聚类）-w2

机器学习核心算法全解（回归/SVM/决策树/集成/聚类）-w2

发表于2022-12-22 | 更新于 2026-04-22 | 技术笔记人工智能基础 | 线性回归 • AI算法 • 逻辑回归 • SVM • 决策树 • 随机森林 • 集成学习 • K-Means • 交叉验证 | 条评论

承接第一周AI基础与Numpy/Pandas入门，本周深入机器学习核心算法体系，从基础回归模型到经典分类器，再到集成学习与无监督聚类，完整覆盖机器学习主流算法原理与评估方法。 🤖 一、机器学习核心基础与价值人工智能（AI）包含机器学习（ML），机器学习包含深度学习（DL）。机器学习的核心在于利用数据训练模型，让计算机自动寻找规律，而非传统的硬编码规则。 📌 1. 算法核心分类有监督学习：数据带有“标准答案”（标签）回归：预测连续值（如体重、房价、销售额）分类：预测离散值（如0/1二分类、多分类）无监督学习：数据无标签，目的是发现数据内在结构（如聚类、降维）半监督学习：介于两者之间，利用少量有标签数据+大量无标签数据，降低标注成本强化学习：通过“试错”和奖惩机制学习最优策略（如AlphaGo、自动驾驶、扫地机器人避障）核心金句：数据决定模型的上限，算法和特征工程决定逼近这个上限的程度。 ✅ 补充：数据噪声定义：有问题的数据被称为“噪声”，不仅包含错误标注、异常值等错误数据，也包含数据中无法被模型解释的固有随机波动，噪声会严重干扰模型学习真实规律。 📈 ...

新装Linux系统初始化标准步骤（极简实操版）

新装Linux系统初始化标准步骤（极简实操版）

发表于2022-12-20 | 更新于 2026-04-15 | 运维笔记Linux基础 | Linux • 系统初始化 • 运维实操 • SSH安全 • 内核优化 | 条评论

对于运维人员而言，新装Linux系统（Ubuntu/CentOS等）后，一套标准化的初始化操作，是保障系统安全、稳定、高效运行的基础，更是后续部署服务（如Docker、K8s、Redis等）的前提。本文整理了极简版初始化步骤，摒弃冗余理论，聚焦实操，新手也能直接上手。核心原则：安全优先、按需优化、兼顾兼容性，适用于2022年主流Linux发行版（CentOS 7/8、Ubuntu 20.04等）。一、SSH安全配置（重中之重）SSH是远程管理Linux的主要方式，也是系统安全的第一道防线，初始化首要优化SSH配置，避免未授权访问。 1. 设置SSH白名单限制登录IP/网段，仅允许指定设备（如办公电脑、运维服务器）连接，从源头阻断非法访问。实操提示：修改SSH配置文件 /etc/ssh/sshd_config，添加允许的IP/网段，禁止其他IP连接，配置后重启sshd服务生效。 2. 禁止root用户直接登录root用户拥有系统最高权限，直接暴露在外风险极高。建议创建普通用户，通过普通用户登录后，再使用sudo命令提升权限，大幅提升系统安全性。实操提示：同样在/etc/ssh ...

ai-Numpy基础与Pandas数据框入门-w1

ai-Numpy基础与Pandas数据框入门-w1

发表于2022-12-15 | 更新于 2026-04-22 | 技术笔记人工智能基础 | AI算法 • 数据分析 • Numpy • Pandas | 条评论

🤖 一、AI 领域核心层级与发展脉络📐 1. AI、ML、DL、LLM 的包含关系 AI（人工智能）：最顶层的大领域，是让机器模拟人类智能的技术科学； ML（机器学习）：AI 的核心子集，是实现 AI 的核心方法，通过数据让机器自动学习规律； DL（深度学习）：ML 的子集，依托多层神经网络自动提取高阶特征，处理复杂任务； LLM（大语言模型）：DL 的细分方向，基于海量文本数据训练的超大规模语言模型，是当前 AI 发展的核心热点。 🎯 2. 核心技术方向 CV（计算机视觉）：让机器“看懂”图像 / 视频，提取视觉信息； NLP（自然语言处理）：让机器“理解”人类语言，实现文本交互、语义分析等；两大方向是 AI 落地的核心场景，最终目标都是 AI → 预测（基于数据输出可落地的决策 / 结果）。 📋 3. 各层级核心特点层级核心代表数据规模核心特点 ML（传统机器学习） SVM、KNN、K-means 中小规模数据依赖人工特征工程，模型可解释性强 DL（深度学习）各类神经网络大规模数据自动提取特征，模型是“多个算法的集合体”，拟合能力强 ...

数据库加载中