12k 字 11 分钟

# 第一个代码：KNN 鸢尾花分类 使用 sklearn 库 # 基础库 import matplotlib.pyplot as plt import matplotlib matplotlib.rcParams['font.sans-serif'] = ['SimHei'] matplotlib.rcParams['axes.unicode_minus'] = False # sklearn 模块 from sklearn import datasets from sklearn.model_selection import...
21k 字 19 分钟

# 哈希 # 1 两数之和 思路：二分查找。不过要注意下标，采用下标索引转换。 public int[] twoSum(int[] nums, int target) { int n = nums.length; Integer[] indices = new Integer[n]; for (int i = 0; i < n; i++) { indices[i] = i; } Arrays.sort(indices, Comparator.comparingInt(a -> nums[a])); for (int i...
2.1k 字 2 分钟

# 简介 数据集：SMS Spam Collection Dataset 目标：将短信分为 ham 和 spam 两类 # 使用的模型 # 文本嵌入 TF-IDF # 监督学习 SVM 决策树 朴素贝叶斯 # 无监督学习 k-means gmm dbscan # 项目过程 主要是下面几个阶段： 数据预处理（数据加载，清洗，向量化） 模型训练 模型评估 对于监督学习模型，数据还进行了特征标准化；训练测试比为 8：2 对于无监督模型，数据进行了 PCA 降维 # 评估结果 # 无监督模型 总体性能较差，难以实现分类的目的。 # k-means 混淆矩阵： [4596 229] [...
1.1k 字 1 分钟

（还没详细看基础理论，放的是 gpt 的总结整理） # K-Means 原理： 目标是将数据划分为 K 个簇，使簇内的样本尽可能相似，簇间尽可能不同。 核心思想：最小化样本点到其所在簇质心（centroid）的距离平方和。 算法步骤： 随机选择 KKK 个初始质心。 将每个样本分配到最近的质心所代表的簇。 重新计算每个簇的质心。 重复步骤 2 和 3，直到质心不再变化或达到最大迭代次数。 优点： 简单、高效 缺点： 只能发现凸形簇，对初始质心敏感，不适用于不同方差或非球形分布的数据 # GMM 原理： 假设数据是由多个高斯分布组成的混合体，每个高斯分布代表一个簇。 通过...
3.8k 字 3 分钟

论文地址：https://arxiv.org/pdf/2403.12173 # 摘要 将非结构化文本转化为由有用的类别标签组织的结构化且有意义的形式，是文本挖掘中用于下游分析和应用的基础步骤。然而，大多数现有的生成标签分类法和构建基于文本的标签分类器的方法仍严重依赖领域专业知识和人工整理，这使得该过程成本高昂且耗时。当标签空间定义不明确且缺乏大规模数据标注时，这一挑战尤为突出。 在本文中，我们利用大型语言模型（LLMs）解决这些挑战，其基于提示词的接口便于大规模伪标签的生成和使用。我们提出了 TnT-LLM，这是一个两阶段框架，它利用 LLMs...