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】基于客户行为数据序列的意图识别模型构建指南

2026-04-22

在数字化时代，客户每一次点击、浏览、下单、咨询等行为，都在传递其潜在需求与决策倾向——这些按时间顺序串联的行为轨迹，构成了客户行为数据序列。意图识别模型的核心价值，就是从这些连续、动态的行为序列中，挖 ...

【CDA干货】特征重要性分析：解锁机器学习模型价值的核心钥匙

2026-04-20

在机器学习建模全流程中，特征工程是连接原始数据与模型效果的关键环节，而特征重要性分析则是特征工程的“灵魂”——它不仅能帮我们筛选冗余特征、优化模型结构，更能破解模型“黑箱”困境，揭示数据与目标变量之间 ...

【CDA干货】数据分析与数据挖掘：必备工具与核心技能全解析

2026-04-17

在数字化时代，数据已成为企业决策的核心驱动力，数据分析与数据挖掘作为解锁数据价值的关键手段，广泛应用于互联网、金融、医疗、零售等各个领域。数据分析聚焦“解读数据、发现规律”，回答“是什么、为什么”；数 ...

【CDA干货】随机森林特征重要性分析：原理、方法与实操指南

2026-04-16

在机器学习建模实践中，特征工程是决定模型性能的核心环节之一。面对高维数据集，冗余特征、无关特征不仅会增加模型训练成本、延长训练时间，还可能引发过拟合，降低模型泛化能力，甚至掩盖关键特征的真实影响。随机 ...

【CDA干货】模型质量测试对比：方法、维度与实操指南

2026-04-14

在人工智能与机器学习落地过程中，模型质量直接决定了应用效果的优劣——无论是分类、回归、生成式模型，还是推荐、预测类模型，只有通过科学、全面的测试对比，才能精准判断模型的性能边界、适用场景，避免因模型偏 ...

【CDA干货】学习曲线：验证机器学习模型过拟合的核心工具与实践指南

2026-04-13

在机器学习模型开发过程中，过拟合是制约模型泛化能力的核心痛点——模型过度学习训练数据中的噪声与偶然细节，导致在训练集上表现优异，却在未见过的验证集、测试集上性能大幅下滑，最终失去实际应用价值[3][6]。传 ...

【CDA干货】基于3σ原则的数据异常值处理：原理、实操与应用

2026-04-08

在数据分析全流程中，数据质量是决定分析结论可靠性的核心前提，而异常值作为数据集中的“异类”，往往会干扰统计检验、模型训练的结果，导致结论失真。无论是学术研究中的实验数据、企业运营中的业务数据，还是日常 ...

需求为锚，专业为刃：CDA数据分析师破解企业数据需求困局

2026-04-07

在数字经济深度渗透的今天，数据已成为企业生存发展的核心资产，企业的竞争本质已转变为数据利用能力的竞争。然而，大量来自生产、消费、供应链等场景的数据沦为“沉睡资产”，许多企业将“数据驱动”列为核心目标， ...

【CDA干货】解析神经网络中卷积的核心作用：提取数据的特征与隐藏价值

2026-04-03

在深度学习神经网络中，卷积操作是实现数据特征提取的核心引擎，更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机器学习需要人工设计特征算子，卷积凭借其“局部感知”“参数共享”的独特优势，能够自 ...

数字化转型攻坚：CDA数据分析师成为企业破局的核心力量

2026-04-03

当数字化转型从企业的“战略口号”落地为“生存之战”，越来越多的企业意识到，转型的核心并非技术的堆砌，而是数据价值的深度挖掘与高效转化。麦肯锡与Gartner的联合报告显示，2026年仍有近70%的企业数字化转型未能 ...

CDA数据分析师：企业数据安全管理方法论的落地者与合规守护者

2026-04-02

在数字化转型深度推进的今天，企业数据已成为驱动业务增长、构建核心竞争力的战略资产，而数据安全则是守护这份资产的“生命线”。随着《数据安全法》《个人信息保护法》及《网络数据安全管理条例》的全面实施，数据 ...

【CDA干货】特征重要性分析：从数据特征到业务价值，解锁精准决策新路径

2026-04-01

在数据驱动决策的时代，企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销数据、医疗领域的诊断数据，这些数据中包含成百上千个特征变量，看似杂乱无章，却隐藏 ...