【书签】连续型特征的归一化和离散特征的one-hot编码

处理离散型特征和连续型特征并存的情况，如何做归一化。 参考博客进行了总结： https://www.quora.com/What-are-good-ways-to-handle-discrete-and-continuous-inputs-together 总结如下： 1、拿到获取的原始特征，必须对每一特征分别进行归一化，比如，特征A的取值范围是[-1000,1000]，特征B的取值范围是

一. 什么是独热编码？ ———————————————————————————————————————— 在机器学习算法中，我们经常会遇到分类特征，例如：人的性别有男女，祖国有中国，美国，法国等。 这些特征值并不是连续的，而是离散的，无序的。通常我们需要对其进行特征数字化。 那什么是特征数字化呢？例子如下： 性别特征：["男"，"女"] 祖国特征：["中国"，"美国，"法国"...

如何对连续型数据进行离散化处理，并进行OneHot编码？

聚类是无监督学习的核心技术，本质是在无标签数据中发现内在结构与群体模式。其原理依赖于距离度量、密度估计或相似性建模，技术价值在于支撑用户分群、异常检测、生物信息分析等关键场景。面对高维稀疏、噪声干扰、簇形任意等现实挑战，传统K-Means常失效，需结合DBSCAN、HDBSCAN、子空间聚类等进阶方法，并辅以UMAP降维、轮廓系数评估、k-距离图调参等工程实践手段。本资源清单聚焦可复现、可验证、可部署的聚类知识体系，覆盖经典教材、落地论文、实操课程与标准数据集，助力从概念理解迈向真实业务交付。

元学习（meta-learning）旨在赋予AI模型‘学会学习’的能力，使其在少量样本或新任务中快速适应。其核心挑战在于高效建模时序依赖与精准定位关键决策点。SNAIL（Simple Neural Attentive meta-Learner）提出一种轻量、可并行的混合架构：以空洞因果卷积（Temporal Convolution）实现高带宽历史扫描，保障长程感受野与计算效率；以因果自注意力（Causal Self-Attention）提供时间敏感的动态寻址能力，支持跨episode记忆与关键帧聚焦。该设计

文章目录one-hot encoding(独热编码)dummy variable(哑变量) 我们在用模型去解决机器学习问题的时候，要提前进行“特征工程”。而特征工程中很重要的就是对特征的预处理。分类变量是另一类常见的变量，用于表示类别或标记。与数值变量不同的是，分类变量的值是不能被排序的，所以也称无序变量。分类变量处理的核心是如何编码类别。最简单的方式就是使用正整数编码类别，但是这样就使得类别之间...

一个很隐晦的问题 在回归，分类，聚类等机器学习算法中，特征之间距离的计算或相似度的计算是非常重要的，而我们常用的距离或相似度的计算都是在欧式空间的相似度计算，计算余弦相似性，基于的就是欧式空间，所以往往默认数据数据是连续的（可以计算距离？），并且是有序的。但是有时用数字表示的数据并不是有序的，而是随机分配的。 举个例子：有一个离散型特征，代表工作类型，该离散型特征，共有三个取值...

机器学习到底在学什么？ 监督学习、无监督学习、强化学习有什么区别？ 为什么要划分训练集、验证集、测试集？ 什么是过拟合、欠拟合、泛化能力？ 回归、分类、聚类分别解决什么问题？ 怎么选择常见算法？ 为什么不能只看准确率？ 这篇文章会尽量用图、例子和实战代码，把机器学习的基础框架讲清楚。

本周复现上周提到的论文3DGA的实验，并且阅读了论文SplattingAvatar。通过SplattingAvatar，补充了对之前的改进的不足，法线插值和重心插值可以得到一个非线性连续场，解决3dga只有重心插值，在三角面片内只有线形关系的问题。在之前也尝试过建立一个非线性连续人体场，缺乏理论指导，SplattingAvatar提供了思路。

摘要：神经网络通过多层结构逐层提取特征，最终输出归一化概率。深度神经网络通过增加层数提取更复杂特征，但需防止过拟合。模型训练关键在于参数优化：随机初始化参数后，通过计算误差并梯度下降迭代调整参数。误差函数的设计至关重要，直接影响模型性能。训练过程需要大量计算，逐步减小误差直至收敛。实际应用中需根据误差变化动态调整步长，以获得最优模型。整个训练过程体现了机器学习从数据中自动学习规律的核心思想。（149字）

摘要：本文讨论了机器学习模型误差计算与参数调整的关键概念。通过概率分析（如0.91正确率对应0.0943误差）指出需关注预测置信度而不仅是准确率。重点阐释了总误差计算方法（6万张图片误差累加）及梯度下降原理，包括如何通过ln函数优化误差计算、15万字符的多语言输出场景处理，以及1.8万亿参数模型的超大规模梯度下降实现。同时解释了非线性变换（如将像素值二值化）对模型拟合能力的提升作用，强调每个训练步骤都需全局调整所有参数，体现现代大模型训练的核心机制。（149字）

模块功能LSTM 预判预警分析历史通量/应力序列，预测未来失稳风险（如裂纹萌生）Speed-Gated 自愈实时监测通量变化率（速度），当超过阈值时自动增强修复强度双重触发机制满足任一条件（预判高风险 或 实际失稳）即启动自愈动态调节自愈强度随风险等级与速度同步变化。

在 Sculley 等人于 2015 年发表的一篇著名论文《机器学习系统中的隐藏技术债务》中，作者指出，在真实世界的机器学习系统中，真正的机器学习代码只占很小一部分；而支撑系统持续演进的基础设施和流程，则要庞大得多。论文还讨论了这类系统中可能累积的多种技术债务来源，包括数据依赖、模型复杂性、可复现性、测试、监控，以及对外部环境变化的响应能力等。传统软件系统同样会面临许多类似问题。持续交付正是通过自动化、质量保障和工程规范，建立一套可靠、可重复的软件发布流程，使软件能够安全地交付到生产环境。

数值特征：标准化/归一化是基础，对数变换处理偏态类别特征：低基数用 One-Hot，高基数用目标编码时间特征：周期编码（sin/cos）比直接用数值更好特征选择：先过滤（快速），再包装（精确），最后嵌入（模型驱动）Pipeline：把所有步骤封装为可复现的流水线。

给定样本集Xxii1nXxi​i1n​、锚点集Yyjj1mYyj​j1m​,二部图BXYEBBXYEB的关联矩阵B∈Rn×mB∈Rn×m,其中bijb_{ij}bij​表示样本与锚点的相似度。则二部图的邻接矩阵为W0BBT01W0BT​B0​1对应的拉普拉斯矩阵为LWDW−WLW​DW​−W,其中DWDW​为度矩阵,DW。

本文总结了机器学习课程第二周第2部分（第21-30课）的核心内容，重点讲解了多元线性回归及其优化方法。课程首先介绍了多特征线性回归的数学表达，说明了如何从单变量扩展到多变量场景。然后详细讲解了向量化技术的重要性，强调其能显著提升计算效率。针对多元回归的梯度下降算法，文章阐述了参数更新规则和向量化实现方法。特别强调了特征缩放的必要性，介绍了最大最小归一化和Z-score标准化两种预处理技术。最后讨论了判断梯度下降收敛的方法和学习率选择的关键要点，指出学习率过大或过小对模型训练的影响。这些概念为后续更复杂的机器

本文系统对比了四种主流功率半导体器件（SiMOSFET、IGBT、SiCMOSFET、GaNHEMT）的技术特性与应用场景。从基础概念入手，分析了禁带宽度对器件性能的影响，区分了单极与双极器件导电机制差异。通过工作原理阐释和参数对比表，详细比较了四类器件在耐压范围、开关速度、导通特性等方面的差异。重点解析了各器件的优劣势：硅器件成熟低价但性能受限，SiC器件适合高压高温场景，GaN擅长高频应用但耐压不足。最后提出选型决策树，指出不同应用场景的最优选择，并展望了宽禁带半导体的发展趋势。

2. 为什么神经网络需要多个输入？ 为了处理多个特征。例如预测房价：结合面积、卧室数、地段等多个因素，比只看面积准确得多。随机（通常是很小的随机数）。事先设定的超参数，不能直接知道设大还是设小合适。通常做法：从常见值开始试（如0.01或0.001），观察loss变化：有些问题太复杂，一层（输入→输出）学不会。每个隐藏层的神经元，把上一层的多个输出加权求和再激活 → 相当于把小特征拼成更大的特征。以识别手写数字为例：单个神经元识别的特征通常很难直接理解，往往需要多个神经元的输出组合，才能形成人类能理解的特征（