对XGboost和CNN的理解

最新推荐文章于 2025-05-03 11:40:22 发布

Chloris_

最新推荐文章于 2025-05-03 11:40:22 发布

阅读量1.3k

点赞数

CC 4.0 BY-SA版权

本文链接：https://blog.csdn.net/Chloris_/article/details/108889780

本文深入探讨了XGBoost算法的原理和应用，并介绍了卷积神经网络（CNN）的工作机制，包括输入层的预处理、卷积层的权值共享、激活函数的选择（如ReLU、LeakyReLU、Maxout）以及池化层和全连接层的作用。此外，还提到了在训练过程中如何利用dropout和数据增强提升模型的泛化能力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

XGboost: https://blog.csdn.net/a1b2c3d4123456/article/details/52849091
CNN: https://blog.csdn.net/woaijssss/article/details/79535052
输入层: 去均值、归一化、PCA/SVD降维等
卷积层: 权值共享
激活层:
首先ReLU，因为迭代速度快，但是有可能效果不加。如果ReLU失效的情况下，考虑使用Leaky ReLU或者Maxout，此时一般情况都可以解决。Tanh函数在文本和音频处理有比较好的效果。
池化层: 欠采样或下采样，主要用于特征降维最大池化、平均池化
全连接FC层: Softmax输出
可以引入dropout操作，来随机删除神经网络中的部分神经元，来解决此问题。还可以进行局部归一化（LRN）、数据增强等操作，来增加鲁棒性。当来到了全连接层之后，可以理解为一个简单的多分类神经网络（如：BP神经网络），通过softmax函数得到最终的输出。整个模型训练完毕

https://campoo.cc/cnn/

医疗运作管理：https://www.zhihu.com/question/318235131/answer/637429075

python扩展包：https://www.lfd.uci.edu/~gohlke/pythonlibs/