一个异常检测库，包含最先进的算法和功能，例如实验管理、超参数优化和边缘推理。 Anomalib 是一个深度学习库，旨在收集最先进的异常检测算法，用于在公共和私有数据集上进行基准测试。Anomalib 提供了最近文献中描述的几种即用型异常检测算法的实现，以及一组有助于开发和实现自定义模型的工具。该库非常关注基于图像的异常检测，该算法的目标是识别异常图像或数据集中图像中的异常像素区域。Anomalib 不断更新新算法和训练/推理扩展，所以请继续检查！ 主要特点： 最大的即用型深度学习异常检测算法和基准数据集的公共集合。 基于PyTorch Lightning的模型实现，以减少样板代码并将实现工作限制在基本要素上。 所有模型都可以导出到OpenVINO中间表示 (IR)，以在英特尔硬件上进行加速推理。 一组推理工具，用于快速轻松地部署标准或自定义异常检测模型。

使用 Wild Horse Optimizer (WHO) 的支持向量机 (SVM) 超参数优化（matlab代码） 我们使用 Wild Horse Optimizer 作为解决工程优化问题的强大且快速的元启发式算法，在分类问题中开发优化支持向量机算法超参数（内核、c、gamma） 首先，您可以使用任何带有编辑 Main.m 文件的数据集，然后单击运行

使用Haris Hawks算法对SVM进行超参数优化的Matlab代码

该代码提供了一个基本示例，说明如何使用遗传算法、粒子群和模拟退火对单层（浅层）神经网络进行超参数优化。

数据处理以及超参数的理解 首先我们需要了解到，我们在进行机器学习的过程中寻求的不是让训练处的在现有的数据集上达到最佳，而是我们需要让其在真实环境中达到最佳的效果。在上一节中我们将全部的数据集全部用于训练模型中，对于我们所训练出的模型无法知道其具体的准确度便投入真实环境使用，这样的做法极具风险性，而且我们也不推荐。 解决方案：机器学习最常用的解决方案便是实现测试集和训练集的相互分离（此方法仍具有局限性，后续会补充）。具体的操作方式是：将全部数据集的80%当做训练数据集，训练出来模型后我们通过另外20%的数据（称其为测试数据集）来验证所训练出来模型的准确度。 实现代码封装： import nump

超参数_优化

Deep AI 吴恩达深度学习课后检验题-02.改善深层神经网络：超参数调试、正则化以及优化

机器学习课程#MNIST数据集上的卷积神经网络实验，基于pytorch。包括：数据可视化、train训练代码与test测试代码。 都是包装好的代码，做实验只要修改其中指定行的代码即可。内置【说明文件.md】来帮助你更快地了解！！！

调谐斯克莱恩 Tune-sklearn是Scikit-Learn的模型选择模块（GridSearchCV，RandomizedSearchCV）的替代品，它具有尖端的超参数调整技术。 产品特点 以下是tune-sklearn提供的功能： 与Scikit-Learn API的一致性：在标准Scikit-Learn脚本中更改少于5行即可使用API​​ []。 现代调整技术：tune-sklearn使您可以通过简单地切换几个参数来轻松利用贝叶斯优化，HyperBand，BOHB和其他优化技术。 框架支持：tune-sklearn主要用于调整Scikit-Learn模型，但它也支持并提供了许多其他带有Scikit-Learn包装器的框架的示例，例如Skorch（Pytorch）[ ]，KerasClassifier（Keras）[ ]，和XGBoostClassifier（XGBoost）[]。 向上扩展：Tune-sklearn利用 （一个用于分布式超参数调整的库）在不更改代码的情况下并行化多个核甚至多个机器上的交叉验证。 查看我们的和（针对master分支）。 安装 依存关

validation_curve()的位置 在之前，此函数位置在sklearn.learning_curve.validation_curve()，现在，此函数的位置在sklearn.model_selection.validation_curve()。 validation_curve()的作用 我们知道误差是由偏差（bias）、方差（variance）、噪声（noise）组成。 偏差：模型对于不同的训练样本集，预测结果的平均误差 方差：模型对于不同训练样本集的敏感程度 噪声：数据集本身的一项属性 同样的数据，（cos函数上的点加上噪声），我们用同样的模型（polynomial），但是超参数