如何用机器学习提高欺诈检测准确率？

2023-12-20

随着电子商务和金融交易的快速增长，欺诈行为也日益猖獗。传统的欺诈检测方法已经难以应对不断变化的欺诈手段。然而，借助机器学习技术，我们能够有效提高欺诈检测的准确率。本文将介绍如何利用机器学习方法来提升 ...

tensorflow中的tensorboard可视化中的准确率损失率曲线，为什么有类似毛刺一样？

2023-04-13

TensorBoard 是 Tensorflow 提供的一个可视化工具，可以方便地展示模型训练和评估的各种指标，如准确率和损失率等。在 TensorBoard 中，我们经常会看到一些图表中出现类似毛刺一样的波形，这是为什么呢？ 首先，需要 ...

为什么用Keras搭建的LSTM训练的准确率和验证的准确率都极低?

2023-04-11

Keras是一个高级神经网络API，它简化了深度学习模型的构建和训练过程。其中，LSTM(Long Short-Term Memory)是一种常用的循环神经网络(RNN)，适用于时序数据处理。然而，在使用Keras搭建LSTM模型进行训练时，有时会 ...

CNN神经网络和BP神经网络训练准确率很快就收敛为1，一般会是什么原因？

2023-04-11

CNN神经网络和BP神经网络都是深度学习中常用的神经网络模型。在训练这些模型时，我们通常会关注训练的准确率，即模型对于训练数据的预测精度。然而，有时候我们会发现，在训练一段时间后，模型的准确率会很快地收敛 ...

使用pytorch 训练一个二分类器，训练集的准确率不断提高，但是验证集的准确率却波动很大，这是为啥？

2023-04-07

当我们训练机器学习模型时，我们通常会将数据集划分为训练集和验证集。训练集用来训练模型参数，而验证集则用于评估模型的性能和泛化能力。在训练过程中，我们经常会观察到训练集的准确率持续提高，但是验证集的准 ...

对于一个准确率不高的神经网络模型，应该从哪些方面去优化？

2023-03-31

神经网络模型是一种机器学习算法，用于解决许多现实世界的问题。然而，即使使用最先进的技术和算法构建的神经网络模型也可能存在准确率不高的问题。在这种情况下，我们需要考虑从哪些方面去优化。在本文中，我将分享 ...

从猫狗不分到实时识别准确率超99%，计算机图像是如何做到的？

2021-03-01

CDA数据分析师 出品 编译：Mika 【导读】 十年前，研究人员认为让计算机来区分猫和狗几乎是不可能的。如今，计算机视觉识别的准确率已超过99%。Joseph Redmon通过一个叫YOLO的开源目标检测方法，可以 ...

谈谈召回率（R值），准确率（P值）及F值

2017-10-30

谈谈召回率（R值），准确率（P值）及F值 一直总是听说过这几个词，但是很容易记混，在这里记录一下。希望对大家理解有帮助。 首先来做一个总结： 精确率是针对我们预测结果而言的，它表示的是预测为正的 ...

【CDA干货】卷积层之后：归一化与激活函数的取舍之道

2025-10-24

在卷积神经网络（CNN）的训练中，“卷积层（Conv）后是否添加归一化（如 BN、LN）和激活函数（如 ReLU、GELU）” 是每个开发者都会面临的基础决策。这三者的组合并非随意搭配，而是深刻影响模型训练稳定性、收敛速度 ...

【CDA干货】神经网络越大越好吗？—— 规模选择的辩证思考与实践边界

2025-10-22

在人工智能领域，“大模型” 已成为近年来的热点标签：从参数超 1750 亿的 GPT-3，到万亿级参数的 PaLM，再到多模态大模型 GPT-4，神经网络的规模似乎正朝着 “越大越好” 的方向演进。但事实果真如此吗？神经网络的 ...

【CDA干货】神经网络隐藏层个数怎么确定？从原理到实战的完整指南

2025-10-21

在神经网络设计中，“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”（模型无法捕捉复杂数据规律，如用单隐藏层 MLP 识别复杂图像），太多则会引发 “过拟合”“训练缓慢”“资源浪费”（如用 1 ...

【CDA干货】特征单变量筛选：从原理到实战，高效精简特征的核心方法

2025-10-21

在特征工程流程中，“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度，剔除无意义、冗余的特征（如 “用户 ID”“无效时间戳”），既能降低后续建模的计算成本（如减少 50% 特征可 ...

【CDA干货】用户行为序列驱动的大模型推理：机制、场景与落地实践

2025-10-20

在数字化交互中，用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”，到内容 APP 的 “点击短视频→停留 3 秒划走→搜索同款→收藏作者”，再到金融 APP 的 “登录→查询余额→浏览 ...

【CDA干货】数据清洗如何守住真实性？从方法到落地的保真指南

2025-10-17

数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”，但前提是不破坏数据的真实业务含义。现实中，很多数据清洗操作却走向 “失真陷阱”：比如为了 “数据整齐” 删除真实的 ...

CDA 数据分析师：以量化策略分析框架为刃，破解企业决策的 “数据密码”

2025-10-17

在企业管理中，“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益，电商靠 “运营拍板” 做促销可能导致成本失控，零售靠 “店长经验” 备货可能造成库存积压。而量化策 ...

【CDA干货】机器学习参数重要性分析：从参数类型到落地实践，优化模型性能的核心指南

2025-10-16

在机器学习建模中，“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度，还是神经网络的权重，这些参数的微小调整都可能显著影响模型的预测精度、泛化能力甚至训练效率。但很多从业者 ...

【CDA干货】大模型稳定性测试指南：从指标定义到落地实践

2025-10-15

在大模型从实验室走向生产环境的过程中，“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型，若在高并发、长周期运行或异常输入下出现响应超时、输出错乱、崩溃等问题，将直接影响业务可用性 ...

【CDA干货】鸢尾花识别案例：一文读懂特征值与目标值的核心定义与应用

2025-10-15

在机器学习入门领域，“鸢尾花数据集（Iris Dataset）” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适中，包含了植物学中可量化的形态特征，以及明确的品种分类目标，几乎所有初学者的第一 ...

【CDA干货】神经网络隐藏层层数怎么确定？从原理到实战的完整指南

2025-10-14

在神经网络模型设计中，“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少，模型可能 “欠拟合”（无法捕捉数据复杂规律）；层数过多，又会导致 “过拟合”（记忆训练噪声）、训练效率低下、梯度消 ...

数据分析师必备技能体系：从工具到思维，构建数据驱动的核心竞争力

2025-10-14

在数字化浪潮中，数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息，又要能将分析结果转化为业务决策。但成为一名合格的数据分析师，绝非 “会用 Excel 做表”“会写 ...