精华内容
下载资源
问答
  • 分布式全相雷达的相位跟踪技术
  • 你和PID调大神之间,就这篇文章!

    万次阅读 多人点赞 2021-06-19 19:01:37
    不会PID调?这篇文章图文结合带你学会PID调!让你成为PID调大神!!!

    你和PID调参大神之间,就差这篇文章!

    读完本篇文章你的收获:

    • PID三个参数基本概念
    • 了解如何调节PID
    • 认识一个经常咕咕咕的博主

    先上效果图:
    PID3

    一、什么是PID

    ​ 在工程中,如果我们要用单片机做一个温控系统,其系统组成一般如下:一个采集温度的ADC,一个输出温度的加热头以及一个用于运行控制算法的单片机,如果我们要维持温度为100度,在不加任何控制算法的情况下,我们可以通过简单的阈值判断法来控制温度,一个if判断语句,当采集到的温度大于100时,单片机控制加热头关闭,当采集的温度小于100度时,单片机则控制加热头开启,简单粗暴,但这样的控制方法,最终所展示出来的温度曲线是极其不稳定的,他会由于控制器件的灵敏程度、加热头的性能等等原因,导致最终的温度曲线会在目标周围震荡,达不到理想的控制效果,就像下图:实际曲线(黑线)目标曲线(红线) 周围抖动

    20210618220919

    那如何才能维持实际曲线与目标曲线贴合,达到一个稳定的控制效果呢?

    这里就引入了PID控制算法的概念,PID是 Proportion Integration Differentiation 的缩写,实际上他就是一个公式,由比例项(Proportion )积分项(Integration )微分项(Differentiation) 三个部分组成,具体形式就是下面的公式:

    PID控制算法公式

    其中 err(t) 就是当前值和目标值的误差,PID的公式就是对这个误差分别进行比例、积分、微分处理后叠加输出,因为比例计算、积分计算、微分计算在数学公式上的计算定义不同,所以对应的项的输出特性和输入特性也有着不同,具体解释如下:

    1. 比例系数

    比例控制系数,实际上就是先简单的定义输入与输出的线性关系,假如我们输出控制量的值得范围在 100-1000,输入的err误差范围却在0.001-0.1;当误差为0.1的时候输出量需要到达到1000,这时我们就需要通过比例系数来构建输入与输出的线性关系

    2. 积分系数

    上一点我们分析了比例系数的含义,有小伙伴可能会好奇,比例系数加上后的效果其实和阈值判断原理没什么区别,确实是这样,只用上比例系数的效果和阈值判断没什么区别,但别忘了,PID后面还有I和D两项,其中I项的理解我们可以从积分的含义来理解,积分可以理解为在坐标平面上,由曲线、直线以及轴围成的曲形的面积值,这个曲线就是err(t)的函数,这个积分面积值就是代表过去一段时间的误差累计值,我们把这个累计值乘以系数进行变换后,叠加到输出上,就可以一定程度上消除历史误差对当前实际曲线的影响,提高系统的稳定性

    3. 微分系数

    微分的数学理解可以理解为当前误差曲线的斜率,他可以用来预测当前曲线的未来走势,对微分项的值进行处理后叠加,就可以预测当前值的未来趋势,提高系统对未来变化反应能力

    二、PID调节方式

    通过上一小节的分析,我们对PID的三个项有了一个简单的理解,但文字上的描述还是太抽象了,我以一个小车调速系统来做进一步讲解,结合实际现象来分析PID三个参数的实际作用,以及如何调这三个参数,用到的实验平台如下

    1. 平衡小车之家的主控板及电机

    2. 自己编写的调试上位机

    控制系统图片:

    _92764133_IMG_20210619_182904_1624098544000_xg_0

    上位机界面:

    20210619183016

    ​ 我们在使用PID的时候,单独只使用一个参数是没有意义的至少使用两个参数,并且P(比例项)是必须要有的,虽然PID有三个参数,但大多数情况下PID三个参数并不是都使用上的,一般会其中两个来组合使用,比如PI组合用于追求稳定的系统,PD组合用于追求快速响应的系统,当然PID用于即追求稳定又追求快速响应的系统,但是实际上PID参数越多越难调,而且许多情况下两个参数的效果已经足够了,所以我一般根据情况使用前两个,下面对这几个系统都做一个分析

    1.PI系统调节

    调节PI系统的第一步就是先调节P,由小到大依次调节,P的值可以很明显的在输出曲线体现出来,比如我先给P=0.05,系统反应如下,当P过小时,曲线呈现缓慢上升且最终值会明显低于目标值

    P_low

    当我们加大P到0.15时,我们可以看到实际曲线很快的接近目标值,但因为只有单纯P控制,所以有较大的过冲(过冲就是实际值达到目标值时刹不住车,冲出去了),但在他稳定的时候,实际曲线基本接近目标曲线

    pid2

    如果P再增大到0.25,可以看到,实际曲线需要震荡很久才会达到稳定目标线,但在稳定后基本和目标线保持一致

    p2_5

    如果P过大,整个系统就会不受控,实际曲线不会收敛到目标曲线位置,出现等幅震荡,比如P=0.45时

    p_4_5

    在调节PI系统时,P的选取一般有两种情况

    1. P偏小一点,稳定时,实际值在目标值之下,一直存在误差,这时再从0开始,一直加大I,消除稳定时的误差,这种情况下的最终稳定曲线会一直保持在目标曲线之下,达到比较稳定的调节效果,不会有过冲

      (无过冲,稳定!)

    2. P大一点,在第一次到达目标值的时候有一定的过冲,但之后就会稳定,其与第一种相比反应速度更快!

      (有过冲,但他快!)

    下面展示第一种PI控制方式,选取P=0.5(偏小)时,再用I消除稳定时的稳态误差,达到稳定的效果:

    I积分的值这里我展示了三个,分别为较小,刚好,和较大时的实际曲线,用来做对比!

    P=0.5,I=0.00005,I选取较小,可以看到相对于单纯的P=0.5,稳定误差有一定消除,但消除程度不够!

    pi_i0

    在加大I到0.0001,刚刚好的时候,实际曲线和目标曲线基本重合!!!

    PI_2

    当I过大取0.002时,因为累计误差占比过大,就会出现抖动现象,难以收敛

    PI_IM

    上面就是第一种PI调节情况,虽然PI系统平衡过程很稳定,但到达目标位置的反应速度较慢,有的时候为了提高反馈速度,适当的提高P,允许有一定的过冲,比如我取P=0.07,对应的I取0.0001时,波形如下,该系统允许一定的过冲,但可以更快的到达目标点后再趋于稳定,这就是第二种PI系统的调节方式,

    PI_07

    以上基本就是PI系统的调节过程了,下面我讲一下PD系统的调节过程

    2.PD系统调节

    由一开始的概念我们可以知道,与 I 的不同点在于,I是计算累计误差,而D则是计算未来趋势,因此PD系统的反应速度更快,相对于PI系统会更快的到达目标位置附近,其调节方式首先还是调节P,这里我们根据PI中P的调节结果,调节P到比大的位置,出现一定的过冲,这里取P=0.15,不加D的时候图形如下:

    PD0

    从图像可以看出:P=0.15在开始时过冲严重,所以加上一个D来减小过冲幅度,D的选取和I的选取一样,从0慢慢增加,观看效果确定合适的点,下面一张图的D=1.5是我试出来比较合适的点,我们可以看到加上合适的D之后,实际曲线到达目标位置的时间更短,过冲幅度也降低了一些,但是这里效果不是很明显,主要原因是我这里使用的是小车轮子来做的速度PID,而PD的应用场合主要是大惯性系统中,这里的应用场景不适合,但也能看出一定效果

    PD1

    如果D调节的过大之后,反倒会放大系统趋势的影响,使系统出现震荡,难以稳定,如下D=5

    PD3

    3.PID系统调节

    在讲了PI和PD系统的调节方式后,下面分享一下PID系统的调节方式,首先我们先按照PI系统进行调节,先调P在调I,让系统有一定的过冲后达到稳定,如下图:

    PI___

    在出现了上面的 PI 波形之后,下面就开始调节D,慢慢增加D,将过冲补偿掉,直到系统稳定,最终效果如下图,PID系统就基本调节完成了

    PID3

    这篇文章的PID讲解内容就到这里了,下一篇文章将会详细分享我常使用的PID调用代码,帮助大家PID进一步入门
    第二篇已更新,文章链接:从0编写一份PID控制代码

    铁子们!觉得有用就一键三连吧!

    往期精选文章推荐

    200元开发板运行神经网络模型,吊打OpenMV!

    GD32替代STM32全过程记录

    51单片机多线程神器:Tiny-51操作系统

    基于STM32的高精度温度测控系统-原理图设计

    展开全文
  • #资源达人分享计划#
  • #资源达人分享计划#
  • 什么算法工程师也叫调狗?

    千次阅读 2019-01-24 10:47:18
    这位是广东仲恺毕业算法工程师。...算法工程师都自嘲自己为调师、调狗、特征猪、指标奴。 这就和我们常常说的产品汪、运营喵、程序猿,是一样一样的。   算法工程师的工作流水帐   下面这部分的...

    这位是广东仲恺毕业算法工程师。

    曾在广州棒谷(跨境电商)工作,近期入职环球易购(跨境电商)

    还记得上一篇文章中提及到当算法工程师发现导航的时间和实际时间有差异时会做什么吗?

    没错,就是要调整其算法中的参数。

    算法工程师都自嘲自己为调参师、调参狗、特征猪、指标奴。

    这就和我们常常说的产品汪、运营喵、程序猿,是一样一样的。

     


    算法工程师的工作流水帐

     

    下面这部分的流水帐,不建议你们看,可直接路过看图。

    1. 接到一个项目之后心潮澎湃,脑子里马上闪现出faster rcnn、resnet、mask rcnn等各种牛逼的算法。
    2. 结果发现图片都不知道存在哪……于是反馈给产品经理,开了一通会议,确定图片数据库在某个位置,准备读表爬虫!
    3. 结果发现表的信息是乱七八糟的,一张表里面有图片链接,但没有这个图片的标签信息;另一张表里面有标签信息,但又没有图片链接。找了许久才发现两张表可以用图片id来结合,行吧,不就是查表的事情,写一堆代码把这些信息整理起来吧!
    4. 花了一天终于整理出图片链接的csv了,交给爬虫组爬了三天三夜,期间在YY到时图片下下来之后可以用什么算法。
    5. 拿到图片了,发现类别有了,但是bbox、关键点坐标信息都没有啊!咋整,上网找了个labelme自己整个1000张用着先呗,然后花了两天整了少量图片出来,期间还要劝服同事帮忙。
    6. 剩下的图片交给标注员去标注。接着就是根据前两天YY到的算法,上github找找有没有现成的模型,然后git clone。修改了一点输入输出,用公共数据集顺利跑通!看来还是不错的嘛!
    7. 回头把自己的数据放进去试试,简直一塌糊涂,那是当然的。现在就得回去仔细研究论文,看看作者的各种实现细节,然后魔改模型finetune。再次测试,咦,有点效果喔
    8. 这时候领导紧急开了个会议,说现在目标有点改变,我们往另一个方向走吧。
    9. 开始研究这个领域的所有经典论文,每篇论文都看上好几次,看到最后几乎把整个领域的主要脉络摸清了,然后磨刀霍霍向模型!
    10. 国际惯例先找github,但是很不幸我想要的算法并没有开源实现,那我来做第一个吧!
    11. 马上照着菜单(论文),啪啪啪构建proposal模型,各种自定义层结构,特殊的loss function,菜单中提到的weight decay、learning rate decrease,几乎把论文所有角落的细节都翻遍了,目前为止进度还行,但是慢着!论文里提到的一个层,作者只是一笔带过了,没详细说明这是怎么实现的!
    12. 都到这地步了还能放弃?开玩笑,立刻照着related work那一章提到的所有论文寻找线索,于是各种谷歌github知乎stackoverflow,终于弄懂了这个层的数学原理!
    13. 好不容易把模型复现出来了,好家伙,开始用标注员准备好的数据来训练。
    14. 慢着,这loss曲线不对劲啊?为啥会是直线,而且一轮收敛?不不不,肯定哪里出了错误,我得把代码重头检查一遍!
    15. 费好大劲终于找出bug,代码也顺利跑通了,然后进入各种调参无限死循环。
    16. 老板:那个,我们决定还是换个方向吧,需求变了

    从土黄色的Justin Ho开始,到黄色的数据异常及调参,则是整个算法工作的闭环。

    这基本上是整个图像识别算法工程师,大致的工作流。

     

    一句话:

    定义问题-数据预处理(ETL/特征工程/特征筛选等)-模型评估-模型训练及优化-应用


    举2个例子

     

    假设

    Eno想要买一个杯子

    它是长成这样

    打开淘宝拍照搜商品

    哇!!!

    有没有发现

    发现11个点星星

    组成星座图

    自动识别出:相似马克杯/杯子

    点击查看

     

    一模一样

    黑外壳

    白内衬

    大耳朵

    Eno选了一家商店进行购买

    交易新增量为1

     


     

    过两天Eno老婆生日,之前其老婆在商场里看中了一条皮裤,大约是这样的。

    淘宝扫描之后,是这样的

     

    商品却是这样的

    于是,Eno就默默的关闭了淘宝

    交易新增量为0

    交易新增量为0


    这个背后,算法工程师们做了什么呢?

    • 定义问题:提高以图搜商品交易量5%
    • 数据预处理:提取1亿张杯子或皮裤的图片数据,完成特征工程及特征筛选
    • 模型评估:自己开发算法模型或使用开源算法模型
    • 模型训练及优化:看最终是否得出那个星座图
    • 应用:直接上线到淘宝上面

    从上面可以看出,显然杯子的算法模型训练得非常杯,而皮裤的算法模型可能还需要进一步优化,是不是特征的筛选有问题,不过至少黑色这个特征是没有问题的。

     

    本期内容就到这里,此次是以图像识别算法来举例,下期我们进行到第三个问题:算法工程师的分类等交易新增量为0


    这个背后,算法工程师们做了什么呢?

    • 定义问题:提高以图搜商品交易量5%
    • 数据预处理:提取1亿张杯子或皮裤的图片数据,完成特征工程及特征筛选
    • 模型评估:自己开发算法模型或使用开源算法模型
    • 模型训练及优化:看最终是否得出那个星座图
    • 应用:直接上线到淘宝上面

    从上面可以看出,显然杯子的算法模型训练得非常杯,而皮裤的算法模型可能还需要进一步优化,是不是特征的筛选有问题,不过至少黑色这个特征是没有问题的。

     

    本期内容就到这里,此次是以图像识别算法来举例,下期我们进行到第三个问题:算法工程师的分类等


    名词通俗解释

     

    CV:

    Compute Vision,计算机视觉,(这可不是HR眼中的那个CV哦)

     

    关键节点信息:

    还记得马克杯上的星座图式的点吗?其实我们知道整个图片都是由一个又一个图素组成,每个相素都是有坐标的。这些坐标,就是关键节点信息的一种。

    RGB的色系,也是关键节点信息

     

    特征工程:

    获取关键节点信息的过程,就是特征工程

     

    特征筛选:

    将无关的关键节点信息删除,以免影响算法的结果。比如马克杯,如果其扫描出背景颜色的信息作为特征,可能会出现灰色的马克杯。

    RCNN 目标检测技术

     

    我们只要理解,将图片切割成不同的区域,然后将区域中的关键节点信息放入到CNN(卷积网络),再通过CNN进行判定,哪个部分是人。

     

    CNN:

    简单理解为,假设我们使用Photoshop做设计时,我们需要把不同的图片放在不同的图层。这样,我们可以把不相关的图层进行隐藏,做好目标图层的设计,再放其他部分放出来,这样我们可以更专注设计,而不会受其他图层的干扰。CNN,大致的意思也是类似的吧。

     

    RESNET(CNN)残差网络

     

    用一张图解释会比较好,柱状图是误差值。

    ResNet 层次是152层,而之前的GoogleNet 才22 层,VGG才19层。(只是个名字)

    一种误差更小的CNN模型。

    1080P的视频为什么更清晰,480P的视频为什么会差一些,大致是因为像素差一些。

    题外话

    提出ResNet模型的人是一个中国人,何凯明。

    2003年广东省高考理科状元,2007年清华本科,2011年香港中文大学博士。

    其导师孙剑博士,旷视科技(Face++)首席科学家。

     

    题目

     

    特征工程和特征筛选,与HR领域的什么工作最相似?

    展开全文
  • 采用单GPS和波束接收机的基站天线工方位角测量技术.pdf
  • 针对一般结构的分布式全相雷达,首先推导了包括时延及“和相位”的相干参数估计的克拉美—罗界(CRB)闭式解;然后考虑时延和相位补偿误差同时存在时,分析了全相模式下的输出信噪比增益(oSNRg),基于相干...
  • 一、 为什么P过小时系统会有静?· 二、 为什么Kp过大时会有超调、震荡? 三、 为什么积分项可以消除稳态误差? 四、 为什么微分项可以抑制震荡、限制超调、以及可以作为超前控制系统的主要输出? 五、 PID整...
  • 传感器的技术

    2021-01-19 16:50:14
     (3)灵敏度允:传感器实际稳定输出对应的标称灵敏度之对该标称灵敏度的百分比。例如,某称重传感器的实际灵敏度为2.002mV/V,与之相适应的标准灵敏度则为2 mV/V,则其灵敏度允为:((2.002-2.000)/2.000...
  • ARIMA模型(英语:Autoregressive Integrated Moving Average model),分整合移动平均自回归模型,又称整合移动平均自回归模型(移动也可称作滑动),是时间序列预测分析方法之一。ARIMA(p,d,q)中,AR是“自...

            ARIMA模型(英语:Autoregressive Integrated Moving Average model),差分整合移动平均自回归模型,又称整合移动平均自回归模型(移动也可称作滑动),是时间序列预测分析方法之一。ARIMA(p,d,q)中,AR是“自回归”,p为自回归项数;MA为“滑动平均”,q为滑动平均项数,d为使之成为平稳序列所做的差分次数(阶数)。

         ARIMA在统计学里面算得上是比较出众的一类时序数据建模分析模型了,出现的时间点也是比较早,当然现在对于复杂点的时序数据预测建模分析类的任务,我们大多数还是偏向于去选择机器学习和深度学习来完成建模工作的,毕竟统计学的模型相比于机器学习和深度学习模型的性能来说还是比较单薄的。

         相信只要是做过时序数据建模类的工作,对于ARIMA模型应该都不会很陌生,至少是有所耳闻,这里为了尽快唤醒大家的记忆,先来一组熟悉的图片,我相信很多接触ARIMA模型的人都是从这一组图片开始的。

    展开全文
  • 运动目标相积累与非相积累

    千次阅读 2020-12-27 20:14:17
    总言 现有的能量积累方法根据积累方式可分为相积累、非相积累两大类。相积累是指利用信号的相位信息,通过处理,使信号同相...非相积累方法由于不需要信号的相位信息,其积累获得的信噪比增益要于相积累,N

    总言

    现有的能量积累方法根据积累方式可分为相参积累、非相参积累两大类。相参积累是指利用信号的相位信息,通过处理,使信号同相叠加以获得最大的信噪比增益技术。其实现方式是匹配滤波即补偿目标运动引起的回波的调制以达到回波之间相参,然后进行累加,实现信噪比的最大化。非相参积累是指不利用信号的相位关系直接进行叠加的积累技术如幅度累加或数据积累等。

    • 相参积累方法需要目标的相位信息,进行积累时需考虑目标的运动模型,进行有针对性的相参积累。
    • 非相参积累方法由于不需要信号的相位信息,其积累获得的信噪比增益要差于相参积累, N N N个脉冲非相参积累获得的信噪比增益介于 N 与 N
    展开全文
  • 采用帧法提取光谱立方体的有效区域并绘制特征光谱图。对存放于不同湿度条件下的三份西洋检品连续检测,并绘制归一化特征光谱图。特征光谱图显示不同湿度对西洋的影响趋势一样。利用饮片与对照品的加权欧氏距离...
  • 跟踪 BS 队油井 80 口 , 由于无电功图瞬时产液值或 电 功图异 常等 原因 造成 不具备 对比 条件 的油 井 19 口, 实 际 与统 计油 井 61 口 ,其中单井误 小 于 20%的井 有 33 口 井。 对 误差 较大的 井...
  • 、相积累和相雷达

    万次阅读 多人点赞 2016-12-12 12:44:32
    在信号理论中,相又称为相干,相信号的英文是coherent signal,定义为脉冲之间存在确定的相位关系。简单来说,脉冲间的相位可以互相对照,知道其中一个相位就有办法知道另外一个。相处理的意义在于脉冲积累时...
  • 机器学习模型选择:调参数选择

    万次阅读 2016-10-23 16:49:22
    http://blog.csdn.net/pipisorry/article/details/52902797调经验好的实验环境是成功的一半由于深度学习实验超众多,代码风格良好的实验环境,可以让你的人工或者自动调更加省力,有以下几点可能需要注意:将...
  • 针对目前采用最小二乘算法拟合求时,结果容易受到病态法矩阵和异值点干扰而出现发散等问题,建立了基于抗岭估计的概率积分法求模型。结合工程实例进行了人工干预求试验,结果表明:采用抗岭估计求算法既可以...
  •  (3)灵敏度允:传感器实际稳定输出对应的标称灵敏度之对该标称灵敏度的百分比。例如,某称重传感器的实际灵敏度为2.002mV/V,与之相适应的标准灵敏度则为2 mV/V,则其灵敏度允为:((2.002-2.000)/2.000...
  • SVM调实例

    千次阅读 2019-01-03 21:13:37
    SVM调实例 1.随机生成一些数据 %matplotlib inline import numpy as np import matplotlib.pyplot as plt from scipy import stats # use seaborn plotting defaults import seaborn as sns sns.set() # 随机生成...
  • 怎样理解雷达的相参与非相

    千次阅读 2021-04-17 13:56:55
    ------------------------------------------------相信号----------------------------------------------------------------------- 相是指脉冲之间的初始相位具有确定性(第一个脉冲的初相可能是随机的,但...
  •  具体使用了这4个算法有什么不同以及有什么影响我们下一节讲。 3. 优化算法选择参数:solver  solver参数决定了我们对逻辑回归损失函数的优化方法,有4种算法可以选择,分别是:  a) liblinear:使用了...
  • 文章目录简单网格化搜索参数过拟合的风险网格搜索与交叉验证模型调接口: GridSearchCV函数整体流程GridSearchCV( )函数对交叉验证进一步分析不同核方法的情况网格化搜索中应用其他交叉验证策略嵌套交叉验证并行化...
  • 多传感融合内外标定工具介绍(一):lidar-imu外标定工具lidar_align多传感融合传感器内参与外lidar-imu外标定工具lidar_align外标定与laser slam的关系使用方法与局限挖坑 多传感融合 多传感融合是目前...
  • 深度模型调知识总结

    千次阅读 2018-07-02 12:50:28
    什么是高质量的数据? 高质量数据集应该包括以下特征: 类别均衡 数据充足 数据和标记中有高质量信息 数据和标记错误非常小 与你的问题相关 怎样获取高质量的数据? 尽可能使用公共...
  • 深度学习中的优化调细节总结
  • 机器学习 算法总结(二) 调技巧

    千次阅读 2018-08-16 14:50:13
    模拟退火,即在每一步以一定概率接受比当前解更的结果,该概率随时间推移而降低,有助于跳出局部最小 随机梯度下降(SGD),由于每次只选择部分样本,有几率跳出局部最小   为什么说bagging是减少...
  • SVC调

    千次阅读 2018-12-18 21:39:27
    当gamma增大时,sigma减小,高斯分布就会又高又窄,会造成只会作用于支持向量样本附近,对于未知样本分类效果很,存在训练准确率可以很高,而测试准确率不高的可能,即过拟合; 当gamma太小时,sigma很大,高斯...
  • XgBoost使用及调教程

    千次阅读 2019-04-28 21:04:27
    error(y_valid, pred))) xgbr.fit(x_train, y_train) pred = xgbr.predict(x_valid) print("MSE:{} in XGBR".format(mean_squared_error(y_valid, pred))) 运行效果 这就很尴尬,本来预想初始表现,调超越其他...
  • SVM调经验

    千次阅读 2018-12-30 23:34:32
     在支持向量机(以下简称SVM)的核函数中,高斯核(以下简称RBF)是最常用的,从理论上讲, RBF一定不比线性核函数,但是在实际应用中,却面临着几个重要的超参数的调优问题。如果调的不好,可能比线性核函数还要。...
  • 深度学习调经验汇总

    千次阅读 多人点赞 2019-08-16 18:10:54
    相信大家在做深度学习时对调尤为无奈,经验不足乱调一通,或者参数太多无从下手,我也如此。希望通过此文汇总网上一些调的经验方法,供大家参考。此文会对网上每一篇调文章做简练的总结与提炼,以此为此文的...
  • min_impurity_split: 这个值限制了决策树的增长,如果某节点的不纯度(基尼系数,信息增益,均方差,绝对)小于这个阈值则该节点不再生成子节点。即为叶子节点 。 模型调注意事项: 当样本少数量但是样本...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 56,950
精华内容 22,780
关键字:

参什么差