檀瑾思的案例列表
python
鲜花图像分类识别项目 基于改进 LeNet 卷积神经网络实现鲜花多分类任务，使用花卉公开数据集完成图像归一化、尺寸统一等预处理；采用 PyTorch 搭建网络结构，添加 Dropout 层缓解过拟合，分别实现 CPU 基础训练与 GPU 加速两种运行方案，对比不同批次大小、学习率下模型准确率，最终分类精度达到 92% 以上，输出混淆矩阵可视化分类效果，整理完整实验报告。
空气质量
本项目为空气质量多指标回归预测分析系统，基于 Python 完成全流程数据挖掘开发。使用公开空气监测数据集，包含 PM2.5、PM10、CO、NO₂、温湿度等多维环境指标，先用 Pandas 完成缺失值填充、异常值过滤、特征相关性筛选，绘制相关性热力图展示各污染物间关联程度。 采用线性回归、随机森林回归模型搭建预测框架，对比真实监测值与模型预测值输出拟合对比图，完成模型误差评估与参数调优。全程独立负责数据预处理、可视化绘图、模型训练验证工作，可精准挖掘环境因子规律，实现空气质量浓度趋势预测，适用于环境监测、城市污染分析类数据分析需求。
案例判断参考
檀瑾思的案例列表
python
鲜花图像分类识别项目 基于改进 LeNet 卷积神经网络实现鲜花多分类任务，使用花卉公开数据集完成图像归一化、尺寸统一等预处理；采用 PyTorch 搭建网络结构，添加 Dropout 层缓解过拟合，分别实现 CPU 基础训练与 GPU 加速两种运行方案，对比不同批次大小、学习率下模型准确率，最终分类精度达到 92% 以上，输出混淆矩阵可视化分类效果，整理完整实验报告。...
空气质量
本项目为空气质量多指标回归预测分析系统，基于 Python 完成全流程数据挖掘开发。使用公开空气监测数据集，包含 PM2.5、PM10、CO、NO₂、温湿度等多维环境指标，先用 Pandas 完成缺失值填充、异常值过滤、特征相关性筛选，绘制相关性热力图展示各污染物间关联程度。 采用线性回归、随机森林回归模型搭建预测框架，对比真实监测值与模型预测值输出拟合对比图，完成模型误差评估与参数调优。全程独立负责数据预处理、可视化绘图、模型训练验证工作，可精准挖掘环境因子规律，实现空气质量浓度趋势预测，适用于环境监测、城市污染分析类数据分析需求。...
