<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Baby_bye的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Baby_bye</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Baby_bye]]></copyright><item><title><![CDATA[训练集、验证集、测试集、交验验证的理解]]></title><link>https://blog.youkuaiyun.com/Baby_bye/article/details/99644595</link><guid>https://blog.youkuaiyun.com/Baby_bye/article/details/99644595</guid><author>Baby_bye</author><pubDate>Thu, 15 Aug 2019 17:07:46 +0800</pubDate><description><![CDATA[在人工智能机器学习中，很容易将“验证集”与“测试集”，“交叉验证”混淆。

一、三者的区别训练集（train set） —— 用于模型拟合的数据样本。验证集（development set）—— 是模型训练过程中单独留出的样本集，它可以用于调整模型的超参数和用于对模型的能力进行初步评估。
在神经网络中， 我们用验证数据集去寻找最优的网络深度（number of h...]]></description><category></category></item><item><title><![CDATA[交叉验证（Cross Validation）]]></title><link>https://blog.youkuaiyun.com/Baby_bye/article/details/99641699</link><guid>https://blog.youkuaiyun.com/Baby_bye/article/details/99641699</guid><author>Baby_bye</author><pubDate>Thu, 15 Aug 2019 16:49:36 +0800</pubDate><description><![CDATA[交叉验证是在机器学习建立模型和验证模型参数时常用的办法。交叉验证，顾名思义，就是重复的使用数据，把得到的样本数据进行切分，组合为不同的训练集和测试集，用训练集来训练模型，用测试集来评估模型预测的好坏。在此基础上可以得到多组不同的训练集和测试集，某次训练集中的某样本在下次可能成为测试集中的样本，即所谓“交叉”。　

　　　　根据切分的方法不同，交叉验证分为下面三种：　　　

　　　　第一种是简单交叉...]]></description><category></category></item><item><title><![CDATA[机器学习三要素：模型、策略和算法]]></title><link>https://blog.youkuaiyun.com/Baby_bye/article/details/99626477</link><guid>https://blog.youkuaiyun.com/Baby_bye/article/details/99626477</guid><author>Baby_bye</author><pubDate>Thu, 15 Aug 2019 12:28:26 +0800</pubDate><description><![CDATA[机器学习在干嘛？就是利用已有数据，找到一些合适的数学模型去描述它，然后做一些预测分析，从而优化企业的流程或者提高决策效率。机器学习的核心是：模型、策略和算法

机器学习的目的——模型（Model）

模型就是用来描述客观世界的数学模型，模型是从数据里抽象出来的。在进行数据分析时，我们通常手上只有数据，然后看数据找规律，找到的规律就是模型。就跟我们小时候做猜数字游戏似的，1，4，16...（）......]]></description><category></category></item><item><title><![CDATA[np.random.seed() 理解]]></title><link>https://blog.youkuaiyun.com/Baby_bye/article/details/99414070</link><guid>https://blog.youkuaiyun.com/Baby_bye/article/details/99414070</guid><author>Baby_bye</author><pubDate>Tue, 13 Aug 2019 11:16:19 +0800</pubDate><description><![CDATA[在使用numpy时，难免会用到随机数生成器。numpy.random.seed()，随机数种子，每次可以生成相同的随机数。

两个问题：

1.利用随机数种子，每次生成的随机数相同，如何理解？

2.随机数种子的参数怎么选择？经常看到np.random.seed(Argument)，这个参数不一样，有的是0，有的是1，当然还有其他数，那么如何选择参数呢？

以np.random.randn()函数...]]></description><category></category></item><item><title><![CDATA[Python中的赋值、浅拷贝与深拷贝]]></title><link>https://blog.youkuaiyun.com/Baby_bye/article/details/98877485</link><guid>https://blog.youkuaiyun.com/Baby_bye/article/details/98877485</guid><author>Baby_bye</author><pubDate>Thu, 08 Aug 2019 17:14:28 +0800</pubDate><description><![CDATA[首先需要了解下几个概念



变量：是一个系统表的元素，拥有指向对象的连接空间
	对象：被分配的一块内存，存储其所代表的值
	引用：是自动形成的从变量到对象的指针
	类型：属于对象，而非变量
	不可变对象：一旦创建就不可修改的对象，包括字符串、元组、数值类型
（该对象所指向的内存中的值不能被改变。当改变某个变量时候，由于其所指的值不能被改变，相当于把原来的值复制一份后再改变，这会开辟一个新的地址...]]></description><category></category></item><item><title><![CDATA[python中list和array的区别]]></title><link>https://blog.youkuaiyun.com/Baby_bye/article/details/98731873</link><guid>https://blog.youkuaiyun.com/Baby_bye/article/details/98731873</guid><author>Baby_bye</author><pubDate>Wed, 07 Aug 2019 10:52:57 +0800</pubDate><description><![CDATA[numpy.array可以专门表示二维或多维数据

   b=np.array(a)

 &gt;&gt;b

array=([[1,2,3],

    [4,5,6],

    [7,8,9]])



总结两点不同的地方：

1.元素类型

list是python的...]]></description><category></category></item><item><title><![CDATA[精确率、召回率、F1值、ROC、AUC各自的优缺点]]></title><link>https://blog.youkuaiyun.com/Baby_bye/article/details/98599689</link><guid>https://blog.youkuaiyun.com/Baby_bye/article/details/98599689</guid><author>Baby_bye</author><pubDate>Tue, 06 Aug 2019 11:44:19 +0800</pubDate><description><![CDATA[性能度量：为了了解模型的泛化能力，需要一个指标来衡量，这就是它的意义。



主要讨论与分类有关的一些指标：

1.混淆矩阵：



可以这么理解：s1，先看预测结果（P/N）；s2，再根据实际表现对比预测结果，给出判断结果（T/F）。

TP：预测为1，预测正确，即实际为1；

FP：预测为1，预测错误，即实际为0；

TN：预测为0，预测正确，即实际为0；

FN：预测为0，预测...]]></description><category></category></item><item><title><![CDATA[批量重命名文件]]></title><link>https://blog.youkuaiyun.com/Baby_bye/article/details/97675559</link><guid>https://blog.youkuaiyun.com/Baby_bye/article/details/97675559</guid><author>Baby_bye</author><pubDate>Mon, 29 Jul 2019 20:13:47 +0800</pubDate><description><![CDATA[这里有两种方法，最简单的就是直接使用Windows自带的批量重命名方法；但是这种方法有缺陷，只能以固定的命名规律来命名。另一种方法就是通过dos命令来批量修改文件名。Windows自带的批量重命名
选定所有你想修改的文件，然后右键菜单选择重命名，接下来输入随便一个名字，比如 photo，然后回车确定。接下来你就会看到被选中的 n 张图片都被重命名为从 photo (1) 到 photo (n) ...]]></description><category></category></item><item><title><![CDATA[重建二叉树]]></title><link>https://blog.youkuaiyun.com/Baby_bye/article/details/96428497</link><guid>https://blog.youkuaiyun.com/Baby_bye/article/details/96428497</guid><author>Baby_bye</author><pubDate>Thu, 18 Jul 2019 12:35:31 +0800</pubDate><description><![CDATA[题目描述

输入某二叉树的前序遍历和中序遍历的结果，请重建出该二叉树。假设输入的前序遍历和中序遍历的结果中都不含重复的数字。例如输入前序遍历序列{1,2,4,7,3,5,6,8}和中序遍历序列{4,7,2,1,5,3,8,6}，则重建二叉树并返回。

以中序和前后序建成树的思想已经不用再阐述了，遍历树主要靠的是递归

代码展示


class TreeNode:
    def __init__(...]]></description><category></category></item><item><title><![CDATA[（ID3、C4.5、CART、随机森林、GBDT）]]></title><link>https://blog.youkuaiyun.com/Baby_bye/article/details/95979442</link><guid>https://blog.youkuaiyun.com/Baby_bye/article/details/95979442</guid><author>Baby_bye</author><pubDate>Mon, 15 Jul 2019 16:10:52 +0800</pubDate><description><![CDATA[注：本篇文章也是多个博客的综合整理。

1、决策树基本问题1.1定义

我们应该设计什么的算法，使得计算机对贷款申请人员的申请信息自动进行分类，以决定能否贷款?

一个女孩的母亲要给这个女孩介绍男朋友，于是有了下面的对话：

女儿：多大年纪了？

母亲：26。

女儿：长的帅不帅？

母亲：挺帅的。

女儿：收入高不？

母亲：不算很高，中等情况。

女儿：是公务员不？

母亲：是，在税务局上...]]></description><category></category></item><item><title><![CDATA[梯度下降法及实现]]></title><link>https://blog.youkuaiyun.com/Baby_bye/article/details/95065512</link><guid>https://blog.youkuaiyun.com/Baby_bye/article/details/95065512</guid><author>Baby_bye</author><pubDate>Mon, 08 Jul 2019 15:51:55 +0800</pubDate><description><![CDATA[梯度下降的场景假设
	梯度
	梯度下降算法的数学解释
	梯度下降算法的实例
	梯度下降算法的实现
	Further reading


本文将从一个下山的场景开始，先提出梯度下降算法的基本思想，进而从数学上解释梯度下降算法的原理，最后实现一个简单的梯度下降算法的实例！

梯度下降的场景假设


梯度下降法的基本思想可以类比为一个下山的过程。假设这样一个场景：一个人被困在山上，需要从山上下来(i....]]></description><category></category></item><item><title><![CDATA[Random_Logistic_regression中get_support()方法]]></title><link>https://blog.youkuaiyun.com/Baby_bye/article/details/93408093</link><guid>https://blog.youkuaiyun.com/Baby_bye/article/details/93408093</guid><author>Baby_bye</author><pubDate>Sun, 23 Jun 2019 21:09:26 +0800</pubDate><description><![CDATA[使用随机逻辑回归模型进行特征筛选，使用get_support方法获取结果时出现以下错误：

IndexError: boolean index did not match indexed array along dimension 0; dimension is 9 but corresponding boolean dimension is 8

解决办法：

get_support（indic...]]></description><category></category></item><item><title><![CDATA[range()、np.arange()总结]]></title><link>https://blog.youkuaiyun.com/Baby_bye/article/details/92636570</link><guid>https://blog.youkuaiyun.com/Baby_bye/article/details/92636570</guid><author>Baby_bye</author><pubDate>Mon, 17 Jun 2019 15:51:12 +0800</pubDate><description><![CDATA[range()和xrange()函数

在 python 2.x 版本中，同时存在range() 和xrange() 函数，其中，range() 返回值是一个列表，xrange() 返回值是一个迭代器；
	在 python 3.x 版本中，取消了xrange() 的定义，仅保留了range() 函数，且range() 函数的返回值也改为迭代器；
	xrange和range的语法格式相同；
	语法：...]]></description><category></category></item><item><title><![CDATA[《Python数据分析与挖掘实战》案例--财政收入影响因素分析及预测模型]]></title><link>https://blog.youkuaiyun.com/Baby_bye/article/details/92125438</link><guid>https://blog.youkuaiyun.com/Baby_bye/article/details/92125438</guid><author>Baby_bye</author><pubDate>Sat, 15 Jun 2019 17:50:08 +0800</pubDate><description><![CDATA[Python3中运行出现错误，故修改其中一小部分代码使其正常运行：

1、错误：KeyError:range(1994,2014)、

原代码： f = GM11(data[i][range(1994, 2014)].as_matrix())[0]

修改后：f = GM11(data[i][0:-2].as_matrix())[0]

修改理由：（1）切片不能用自定义索引，索引可以用自定义索引（...]]></description><category></category></item><item><title><![CDATA[pandas 写数据到mysql，pymysql.err.InternalError: (1366, "Incorrect string value: .' for column at row **]]></title><link>https://blog.youkuaiyun.com/Baby_bye/article/details/91887445</link><guid>https://blog.youkuaiyun.com/Baby_bye/article/details/91887445</guid><author>Baby_bye</author><pubDate>Thu, 13 Jun 2019 19:27:49 +0800</pubDate><description><![CDATA[panda写数据到mysql，出现以下错误：

pymysql.err.InternalError: (1366, "Incorrect string value: '\\xE6\\x8B\\xBF\\xE5\\xB7\\xA5...' for column `test`.`cleaned_gzdata`.`fullURL` at row 7765")

解决方法：


engine = crea...]]></description><category></category></item><item><title><![CDATA[ARIMA模型]]></title><link>https://blog.youkuaiyun.com/Baby_bye/article/details/91561024</link><guid>https://blog.youkuaiyun.com/Baby_bye/article/details/91561024</guid><author>Baby_bye</author><pubDate>Wed, 12 Jun 2019 17:25:14 +0800</pubDate><description><![CDATA[1.模型介绍

ARIMA，差分自回归滑动平均模型，又称求自回归滑动平均模型，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是“滑动平均”，q为滑动平均项数；d是使之成为平稳序列所做的差分次数（阶数）。

2.ARIMA模型运用流程

以《应用系统负载分析与磁盘容量预测》为案例：

- （平稳性检验）根据时间序列的散点图、自相关系数和偏自相关系数...]]></description><category></category></item><item><title><![CDATA[关于Pycharm安装扩展包的方法]]></title><link>https://blog.youkuaiyun.com/Baby_bye/article/details/90674885</link><guid>https://blog.youkuaiyun.com/Baby_bye/article/details/90674885</guid><author>Baby_bye</author><pubDate>Wed, 29 May 2019 17:21:41 +0800</pubDate><description><![CDATA[1.pip install ....

一般的pycharm都自带有pip,如果没有，就去下一个pip的安装包，将安装包解压在Python的根目录，搭建好Python的环境，然后用Python来安装pip，基本上就可以在pycharm的Terminal界面或者命令提示界面直接安装想要的扩展包了

可以用pip install来安装，用pip list查看已安装的包用pip uninsta...]]></description><category></category></item><item><title><![CDATA[python 切片操作解读]]></title><link>https://blog.youkuaiyun.com/Baby_bye/article/details/89512682</link><guid>https://blog.youkuaiyun.com/Baby_bye/article/details/89512682</guid><author>Baby_bye</author><pubDate>Thu, 25 Apr 2019 12:02:44 +0800</pubDate><description><![CDATA[一、python可切片对象的索引方式

  包括：正索引和负索引两部分，如下图所示，以a=[0,1,2,3,4,5,6,7,8,9]为例：



二、python切片一般操作

一个完整的切片表达式包含两个":"，用于分隔三个参数（start_index、end_index、step），当只有一个":"时，默认第三个参数step=1。


切片操作基本表达式：object[start_inde...]]></description><category></category></item><item><title><![CDATA[顺序处处结构的插入与删除]]></title><link>https://blog.youkuaiyun.com/Baby_bye/article/details/80198134</link><guid>https://blog.youkuaiyun.com/Baby_bye/article/details/80198134</guid><author>Baby_bye</author><pubDate>Fri, 04 May 2018 18:06:51 +0800</pubDate><description><![CDATA[1. 获得元素操作#define OK 1#define ERROR 0#define TRUE 1#define FALSE 0typedef int Status;/*Status是函数的类型，其值是函数结果状态码，如OK等*//*初始条件：顺序线性表L已存在，1&amp;lt;=i&amp;lt;=ListLength（L）*//*操作结果：用e返回L中第i个数据元素的值*/Status GetElem（S...]]></description><category></category></item><item><title><![CDATA[线性表的顺序存储结构]]></title><link>https://blog.youkuaiyun.com/Baby_bye/article/details/80197791</link><guid>https://blog.youkuaiyun.com/Baby_bye/article/details/80197791</guid><author>Baby_bye</author><pubDate>Fri, 04 May 2018 17:18:41 +0800</pubDate><description><![CDATA[定义：线性表的顺序存储结构，指的是用一段地址连续的存储单元依次存储线性表的数据元素。线性表顺序存储的结构代码：#define MAXSIZE 20    /*存储空间初始分配量*/typedef int ElemType;    /*ElemType类型根据实际情况而定，这里假设为int*/typedef struct{    ElemType data[MAXSIZE];    /*数组存储数据...]]></description><category></category></item></channel></rss>