欢迎来到 DeepLearning-Tutorial-Chinese 仓库！这里有一系列精彩的深度学习教程和示例代码，旨在帮助大家更好地理解和应用深度学习技术。无论你是初学者还是进阶者，都能在这里找到有用的资源。 🌟
- CatBoost🐱
- 使用例——详见 new_train_with_Cat_optuna.ipynb
- 预测结果可视化教程（
CatBoostAPI）
- Optuna😁🎶
Optuna最优参数搜索- 如何针对验证集中的指标进行优化
- 详细注释
- 效果拔群🍿
非常兴奋地向大家介绍本次仓库的最新更新：根据场地信息、天气信息、电视台转播等信息预测日本足球俱乐部比赛日的观众人数。在这个更新中，我们通过详细的探索性数据分析（EDA）和预处理过程，最终选择了KAN（Kolmogorov-Arnold Network）作为最优模型，并对比了三种损失函数的效果。这些代码涵盖了数据预处理、EDA、模型训练和评估等多个环节，帮助你全面掌握回归任务的实现过程。🤖
-
数据预处理和EDA 🧹🔍
- 使用
pandas进行数据加载和清洗。 - 对数据进行详细的探索性数据分析（EDA），包括数据分布、缺失值处理、特征工程等。
- 详见 new_preprocess.ipynb。
- 使用
-
模型选择与训练 🏗️🚀
- 选择了 KAN（Kolmogorov-Arnold Network）作为最优模型，展示了模型的结构和训练过程。
- 提供了三种损失函数（MSELoss, RMSELoss, HuberLoss）的对比分析，并选择了最优损失函数进行训练。
- 详见 new_train.ipynb。
我非常兴奋地向大家介绍本次仓库的最新更新：蒸汽量回归预测。在这个更新中，我通过构建和训练一个简单而强大的神经网络模型，来预测蒸汽的输出量。这些代码涵盖了数据预处理、模型构建、训练、评估等多个环节，帮助你全面掌握回归任务的实现过程。🤖
-
数据预处理 🧹
- 使用
pandas进行数据加载和清洗。 - 对数据进行标准化处理，确保特征在同一尺度下进行训练。
- 详见 steam_preprocess.ipynb。
- 使用
-
模型构建 🏗️
- 定义了一个简单的深度神经网络模型，包括多个残差块和输出层。
- 使用
PyTorch构建模型，并实现了前向传播和损失计算。
-
训练流程 🚀
- 使用批量梯度下降法进行模型训练。
- 在训练过程中实时监测和绘制损失、MAE、MSE 和 R² 分数。
- 每100个epoch保存一次模型，确保可以回溯到最佳模型状态。
- 详见 steam_train.ipynb。
-
评估指标 📊
- 实现了多种评估指标，包括 MAE、MSE 和 R² 分数，全面评估模型性能。
- 在训练和验证集上计算和对比评估指标，确保模型的泛化能力。
-
可视化 📈
- 实时绘制训练和验证集的损失、MAE、MSE 和 R² 分数，帮助直观了解模型性能变化。
.
├── README.md # 仓库说明文件
├── steam_preprocess.ipynb # 数据预处理代码
├── steam_test.txt # 测试集数据
├── steam_train.ipynb # 模型训练代码
├── steam_train.txt # 训练集数据
- 克隆仓库：
git clone https://github.com/lgy112112/DeepLearning-Tutorial-Chinese.git cd DeepLearning-Tutorial-Chinese
希望大家能从本次更新中学到更多深度学习的知识，并将其应用到自己的项目中。如果你有任何问题或建议，欢迎提交issue或pull request。让我一起在深度学习的世界里探索更多可能性！🚀
感谢大家的支持！🎉
保持学习，保持热情！ 💪
🎉 DeepLearning-Tutorial-Chinese 团队（only me） 🎉
