1.发展心理学读书笔记（6）
2.5种机器学习的情绪情绪分类器算法
3.（论文加源码）基于deap的四分类脑电情绪识别（一维CNN+LSTM和一维CNN+GRU
4.过拟合有什么危害吗？

发展心理学读书笔记（6）

       ç¤¾äº¤èƒ½åŠ›å½¢æˆçš„根源：情绪

        我们天生就具有表达基本情绪的能力。

        情绪的三种成分：生理唤醒（如呼吸或心跳频率加快）、认知成分（意识到愤怒或恐惧）、行为成分（如通过哭泣来表达悲伤）

        情绪表达具有适应功能，使婴儿在发展出语言功能之前，能够以非言语的方式对照料者表达他们的需求。

        不同文化下的婴儿都使用相似的面部表情来表达基本的情绪状态。

        陌生人焦虑：当婴儿遇见一个不熟悉的人时，所表现出的小心与谨慎。这样的焦虑通常出现在6个月大的时候。

        分离焦虑：当熟悉的照料者离开时，婴儿所表现出的紧张情绪。大约在8个月大时婴儿会体验分离焦虑。

        社会 性微笑：回应其他个体的微笑。

        婴儿对面部表情及声音的情绪意义有基本的理解。

        婴儿很早就学习表达和理解情绪，他们可以解读其他人非言语的面部表情及声音。这不仅能帮助他们体验自身情绪，也在帮助他们使用他人情绪来理解模糊 社会 情境的意义。

        社会 性参照：有意义的搜寻他人的 情感 信息，以解释不确定的环境和事件的含义。

        对于那些已经长大到能够利用 社会 性参照的婴儿，如果他们接受来自父母彼此冲突的非言语信息，就会变得十分不安。

        自我觉知：关于自我的知识，大约在个月大的时候开始发展。

        自我觉知的一个标志是儿童意识到自己缺乏能力去执行一些困难的任务，并且为此感到难过。

        心理理论：关于心理如何运作，以及它是如何影响行为的知识和信念。儿童使用心理理论来解释别人是如何进行思考的。到两岁的时候，儿童已经发展出心理理论的雏形。

        共情：对他人感受的一种情绪反应。

        关系的形成：依恋

        依恋：儿童与特定个体之间形成的一种正性情绪联接。影响着一个人成年后的 社会 交往能力。

        印刻：发生在关键期，涉及对观察到的第1个移动物体产生依恋的行为。

        安斯沃斯陌生情景可以用来测量婴儿的依恋。

        依恋的类型：

        ①安全依恋型：儿童把母亲当做是一种家庭基地。当母亲出现时，他们很放松，母亲离开时则显得有些难过，只要母亲一回来，儿童便会来到她的身边。

        ②回避依恋型：儿童并不寻求接近母亲，当母亲离开后再回来，他们似乎在回避她，看起来像是对她的行为感到生气。

        ③矛盾依恋型：儿童对母亲既表现出积极也表现出消极反应，当母亲离开时他们显得十分沮丧，当她回来时，他们可能在寻求接近的同时也会踢或打她。

        ④混乱依恋型：儿童表现出不一致的甚至相互矛盾的行为，例如在母亲回来时会接近她却不看她，他们可能是安全依恋程度最低的孩子。

        如果依恋的发展被严重破坏，儿童可能会罹患反应性依恋障碍，特征是与他人形成依恋关系极端困难。反应性依恋障碍比较少见，是虐待或忽视的典型结果。

        母亲与婴儿的互动对于婴儿的 社会 性发展至关重要。能够积极回应婴儿社交迹象的母亲，对于儿童将来形成安全依恋型具有显著帮助。

        过度回应和回应不足，都可能造成非安全依恋型的儿童。

        同步互动式的沟通：照看者以适当的方式回应婴儿，并且其情绪和婴儿的情绪状态相匹配。

        父亲对孩子关爱的表达对于孩子情绪和 社会 幸福感的发展非常重要。

        相互调节模型：在此模型中，婴儿和父母学着沟通彼此的情绪状态并作出适当的反应。

        通过交互式 社会 化过程，婴儿与照料者相互作用并影响着彼此的行为，这又进一步增强了彼此之间的关系。

        婴儿从早期开始就对同伴的出现有着积极的反应，这是他们参与 社会 互动的最初形式。

        婴儿可以通过模仿来进行相互学习。

        人格发展：使婴儿独特的一些特征

        人格：区分个体的持久性特征的总和，源自婴儿期。婴儿一出生就开始发展出独特、稳定的行为和特质，而这些行为和特质最终导致了他们发展成独特的个体。

        埃里克森的心理 社会 性发展理论：考虑个体是如何理解自己以及理解他人和自己行为意义的一种理论。

        *信任对不信任阶段（0 个月）：婴儿会发展出信任或不信任感，而这主要取决于照看者能够在多大程度上满足婴儿的种种需要。

        *自主对羞愧怀疑阶段（第个月 3岁）：如果婴儿能够自由的 探索 ，他们会发展出独立性和自主性；如果婴儿受到限制或过度保护，他们则会发展出羞愧和怀疑。

        气质：情绪性和唤醒模式，具有一致的和持久的个人特点。

        气质的分类：

        ①易养型婴儿：具有积极倾向的婴儿，他们的身体机能运作规律且具有很强的适应性。

        ②难养型婴儿：具有消极心境并且适应新情境缓慢的婴儿，当面对新情境时，他们倾向于退缩。

        ③迟缓型婴儿：不太活泼，对环境表现出相对平静反应的婴儿。他们的心境通常是消极的，他们会从新情境中退缩，适应缓慢。

        拟合度：发展依赖于儿童的气质和养育环境的性质及要求之间的匹配程度。

        随着婴儿年龄的增长，性别差异越来越显著。

        性别差异有许多复杂的原因，代表了先天的生理相关因素和环境因素的综合作用，他们对婴儿的 社会 性及情绪发展起到了非常关键的作用。

        看护的质量对儿童的成长也具有关键的作用。

        .5.4

        参考文献：《发展心理学》第6版【美】罗伯特·费尔德曼 著 苏彦捷 邹丹 等译

5种机器学习的分类器算法

       分类任务依赖于机器学习算法，如情绪分析。拟合每种任务可能需要不同算法，数值以解决特定问题。源码神经计算涉及选择正确算法和参数，模拟取决于问题和计算资源。情绪情绪vue视频播放源码

       分类是拟合识别、理解并分组想法、数值对象到预设类别或子群的源码过程。机器学习程序通过训练数据集应用算法，模拟预测新数据的情绪情绪类别。

       逻辑回归用于预测二元结果，拟合例如Yes/No、数值Pass/Fail、源码Alive/Dead等。模拟它分析自变量，确定二进制结果的梯图vc源码概率，适合于分析单词或对象的正面、负面或中性情感。

       朴素贝叶斯算法计算数据点属于某个类别的可能性，常用于文本分析，如将单词或短语分类到预设标签。它计算条件概率，决定数据点是否属于某类。

       K-最近邻算法在训练数据集中找到未来示例的K个最近邻，用于分类。当K等于1时，数据点将被分类到最近的类别中。

       决策树算法将数据点分到相似类别中，通过递归地分割数据，最终形成树状结构。它适用于解决分类问题，精确分类数据点。无源码修改控件

       随机森林算法构建大量决策树，通过将新数据输入到“随机森林”中，进行分类预测。它提高了分类准确性，避免了决策树可能的过度拟合问题。

       支持向量机算法使用超平面将不同极性数据分类，预测范围超出X/Y坐标。它通过训练数据构建分类器，将数据点输出为红色或蓝色，表示正面或负面情感。

       情绪分析是一种将文本或正片文本中的单词分配到正面、负面或中性情感范围的技术。通过分析，可以快速自动地阅读文本，实时跟踪产品发布和营销活动。

       垃圾邮件分类是有网站源码破解一种常见用途，通过算法计算电子邮件是常规收件箱还是垃圾邮件的可能性。它能自动删除潜在的垃圾邮件，避免网络钓鱼诈骗。

       文档分类是根据文档内容自动分类文档，适用于在线搜索引擎、法律文件排序、药物和诊断搜索等。

       图像分类将训练过的类别分配给给定图像，包括主题、数值、对象等。它甚至可以使用多标签图像分类器，对图像进行多标签分类。

       机器学习分类模型通过数学算法执行分析任务，极大地提高效率和准确性。一旦算法准确并充分训练，攸县碰胡子源码分类结果的准确性远超人类。

（论文加源码）基于deap的四分类脑电情绪识别（一维CNN+LSTM和一维CNN+GRU

       研究介绍

       本文旨在探讨脑电情绪分类方法，并提出使用一维卷积神经网络（CNN-1D）与循环神经网络（RNN）的组合模型，具体实现为GRU和LSTM，解决四分类问题。所用数据集为DEAP，实验结果显示两种模型在分类准确性上表现良好，1DCNN-GRU为.3%，1DCNN-LSTM为.8%。

       方法与实验

       研究中，数据预处理包含下采样、带通滤波、去除EOG伪影，将数据集分为四个类别：HVHA、HVLA、LVHA、LVLA，基于效价和唤醒值。选取个通道进行处理，提高训练精度，减少验证损失。数据预处理包括z分数标准化与最小-最大缩放，以防止过拟合，提高精度。实验使用名受试者的所有预处理DEAP数据集，以::比例划分训练、验证与测试集。

       模型结构

       采用1D-CNN与GRU或LSTM的混合模型。1D-CNN包括卷积层、最大池层、GRU或LSTM层、展平层、密集层，最终为4个单元的密集层，激活函数为softmax。训练参数分别为.和.。实验结果展示两种模型的准确性和损失值，1DCNN-LSTM模型表现更优。

       实验结果与分析

       实验结果显示1DCNN-LSTM模型在训练、验证和测试集上的准确率分别为.8%、.9%、.9%，损失分别为6.7%、0.1%、0.1%，显著优于1DCNN-GRU模型。混淆矩阵显示预测值与实际值差异小，F1分数和召回值表明模型质量高。

       结论与未来工作

       本文提出了一种结合1D-CNN与GRU或LSTM的模型，用于在DEAP数据集上的情绪分类任务。两种模型均能高效地识别四种情绪状态，1DCNN-LSTM表现更优。模型的优点在于简单性，无需大量信号预处理。未来工作将包括在其他数据集上的进一步评估，提高模型鲁棒性，以及实施k-折叠交叉验证以更准确估计性能。

过拟合有什么危害吗？

       如果您的拟合函数过参数化，可能会出现过拟合现象，即模型过度拟合样本数据，导致对新数据的预测效果较差。为了解决过拟合问题，可以采用以下方法：

       1. 简化模型参数：减少模型的参数数目，可以让模型更加简单，缓解过拟合问题。可以通过手动减少模型特征的方法，也可以通过自动化选择特征的方法来实现。

       2. 增加数据量：增加样本量可以使模型更加通用，减少模型对特定数据的过度拟合。可以通过抽样、合成样本等方法来增加数据量。

       3. 正则化：通过增加正则项限制模型的复杂度，进而使模型更加平滑，缓解过拟合现象。比较流行的正则化方法有L1和L2正则化。

       4. 交叉验证：通过交叉验证等方法，可以评估模型的泛化能力，进而选择出适合的模型。

       需要注意的是，过拟合并不是一种绝对坏的现象。如果您的样本量较小或特征较复杂，过拟合也可能是在当前条件下最好的拟合方案。因此，在选择减少过拟合策略时，需要根据实际情况来选择合适的方法以平衡预测准确性和泛化能力。