<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[baoFeng_Li的博客]]></title><description><![CDATA[想捉住夏日萤光，想在内心铸就铮铮铁骨]]></description><link>https://blog.youkuaiyun.com/CrozonKDD</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; CrozonKDD]]></copyright><item><title><![CDATA[Anaconda 从github或者本地离线安装第三方包（详细）]]></title><link>https://blog.youkuaiyun.com/CrozonKDD/article/details/86621336</link><guid>https://blog.youkuaiyun.com/CrozonKDD/article/details/86621336</guid><author>CrozonKDD</author><pubDate>Thu, 24 Jan 2019 10:11:45 +0800</pubDate><description><![CDATA[前言：
参加一个建模比赛，在使用python的时候很多模块官方并没有，不能够直接conda install 或者pip install。看网上的离线安装也多是.whl文件或者tar.bz2等。也有文章介绍了从github中下载后该如何做，但是却只介绍了pip的方法，并不能直接用在anaconda的jupyter notebook 上。故在此记录作为一个参考。
正文：

这里假设我们要使用一个叫py...]]></description><category></category></item><item><title><![CDATA[探索数据之自相关图分析（一）]]></title><link>https://blog.youkuaiyun.com/CrozonKDD/article/details/84558576</link><guid>https://blog.youkuaiyun.com/CrozonKDD/article/details/84558576</guid><author>CrozonKDD</author><pubDate>Tue, 27 Nov 2018 00:05:24 +0800</pubDate><description><![CDATA[前言： 作为探索数据的第一部分，本文先给出时间序列，自相关图，平稳性检验等概念。后续补充相应的python代码。该篇文章主要摘自王燕的《应用时间序列分析》，有兴趣深入了解的读者可参照这本书。
正文：

时间序列的定义：



拿到一组观察值序列之后，我们首先要对他的平稳性和纯随机性进行检验，这也叫做序列的预处理，根据检验的结果我们会采用不同的分析方法，也会用对应的不同模型。

描述时间序列的特征统...]]></description><category></category></item><item><title><![CDATA[python引用和对象，浅拷贝和深拷贝]]></title><link>https://blog.youkuaiyun.com/CrozonKDD/article/details/83420697</link><guid>https://blog.youkuaiyun.com/CrozonKDD/article/details/83420697</guid><author>CrozonKDD</author><pubDate>Fri, 26 Oct 2018 20:58:00 +0800</pubDate><description><![CDATA[关键：
在python中的分为 可变数据对象(列表，字典) 和 不可变数据对象(整型，字符串，浮点型，元祖)。
可变的意思是引用之间会相互影响，不可变则不会相互影响。
如果是可变对象的话就算是函数参数传递也会相互影响，即函数内部对对象的操作也会影响函数外部的
	l = [1,2,3]
    def func(t):
        t[0] = 100
    func(l)
    print...]]></description><category></category></item><item><title><![CDATA[数学里的协方差和皮尔逊相关系数到numpy模块的cov()和corrcoef()函数]]></title><link>https://blog.youkuaiyun.com/CrozonKDD/article/details/81674972</link><guid>https://blog.youkuaiyun.com/CrozonKDD/article/details/81674972</guid><author>CrozonKDD</author><pubDate>Tue, 14 Aug 2018 21:30:14 +0800</pubDate><description><![CDATA[仅适用本人记录 
博文：

https://blog.youkuaiyun.com/lyl771857509/article/details/79439184

重点： 
1.方差和样本方差的不同点，除以样本数N还是除以N-1。 
2.协方差计算的是特征之间的而非样本之间的。 
3.cov()的原型为cov(m,y=None,rowvar=True,bias=False,ddof=None,fweights=...]]></description><category></category></item><item><title><![CDATA[Python3中用map()批量地转换数据类型，例如str转float]]></title><link>https://blog.youkuaiyun.com/CrozonKDD/article/details/81545097</link><guid>https://blog.youkuaiyun.com/CrozonKDD/article/details/81545097</guid><author>CrozonKDD</author><pubDate>Thu, 09 Aug 2018 22:07:47 +0800</pubDate><description><![CDATA[
  我们知道map() 会根据提供的函数对指定序列做映射。 第一个参数 function 以参数序列中的每一个元素调用 function 
  函数，返回包含每次 function 函数返回值的新列表。


先看一下map()在python2和3中的区别 
在python2中：

in:
a = [1,2,3];b = [2,3,4]
c = map(lambda x,y:s+y,a,b)
c
...]]></description><category></category></item><item><title><![CDATA[回归算法与偏差方差的平衡]]></title><link>https://blog.youkuaiyun.com/CrozonKDD/article/details/81504296</link><guid>https://blog.youkuaiyun.com/CrozonKDD/article/details/81504296</guid><author>CrozonKDD</author><pubDate>Wed, 08 Aug 2018 10:54:07 +0800</pubDate><description><![CDATA[前言： 
本篇文章基于《机器学习实战》第八章回归部分，加上了自己的理解。

回归算法与偏差方差的平衡



一、标准线性回归

标准回归函数和数据导入函数



from numpy import *
def loadDataSet(fileName):
    numFeat = len(open(fileName).readline().split('\t')) - 1
    dataMat...]]></description><category></category></item><item><title><![CDATA[numpy.linalg ——numpy中包含线性代数函数的模块]]></title><link>https://blog.youkuaiyun.com/CrozonKDD/article/details/81437045</link><guid>https://blog.youkuaiyun.com/CrozonKDD/article/details/81437045</guid><author>CrozonKDD</author><pubDate>Sun, 05 Aug 2018 23:22:45 +0800</pubDate><description><![CDATA[前言： 
本篇主要由博主xie仗剑天涯的总结，博文： 
https://www.cnblogs.com/xieshengsen/p/6836430.html

这里主要整理格式，给自己作为记录

正文：

线性代数

numpy.linalg模块包含线性代数的函数。使用这个模块，可以计算逆矩阵、求特征值、解线性方程组以及求解行列式等。

import numpy as np



1. 计算逆矩阵...]]></description><category></category></item><item><title><![CDATA[提升方法之AdaBoost算法]]></title><link>https://blog.youkuaiyun.com/CrozonKDD/article/details/81436479</link><guid>https://blog.youkuaiyun.com/CrozonKDD/article/details/81436479</guid><author>CrozonKDD</author><pubDate>Sun, 05 Aug 2018 22:27:00 +0800</pubDate><description><![CDATA[利用AdaBoost元算法提高分类性能

生成简单数据集



def loadSimpleData():
    dataMat = matrix([[1.,2.1],
                     [2.,1.1],
                     [1.3,1.],
                     [1.,1.],
                     [...]]></description><category></category></item><item><title><![CDATA[支持向量机的代码实现]]></title><link>https://blog.youkuaiyun.com/CrozonKDD/article/details/81348165</link><guid>https://blog.youkuaiyun.com/CrozonKDD/article/details/81348165</guid><author>CrozonKDD</author><pubDate>Wed, 01 Aug 2018 21:03:10 +0800</pubDate><description><![CDATA[前言： 
本篇文章主要实现了《机器学习实战》的支持向量机部分，我在代码中也尽量描述了对应公式的哪些变量。我建议搭配《统计学习方法》进行实战，下面这篇博文对于公式推导也是很不错的。


  https://blog.youkuaiyun.com/u011067360/article/details/26503719


另外本篇依赖于jupyter notebook。故在代码后面会出现相应的结果。

正文：

...]]></description><category></category></item><item><title><![CDATA[python矩阵和array数组之间的转换]]></title><link>https://blog.youkuaiyun.com/CrozonKDD/article/details/81297921</link><guid>https://blog.youkuaiyun.com/CrozonKDD/article/details/81297921</guid><author>CrozonKDD</author><pubDate>Tue, 31 Jul 2018 10:41:21 +0800</pubDate><description><![CDATA[前言： 
array数组要转换成矩阵（matrix）数据类型才能进行一系列的线性运算。matrix类型也有时候要转换成array数组。

代码： 
1.array转matrix：用mat()



a = arange(3*2).reshape(3,2)
print('array类型：')
print(type(a))
print(a)
b = mat(a)
print('matrix类型：')
...]]></description><category></category></item><item><title><![CDATA[机器学习——数学基础]]></title><link>https://blog.youkuaiyun.com/CrozonKDD/article/details/81163629</link><guid>https://blog.youkuaiyun.com/CrozonKDD/article/details/81163629</guid><author>CrozonKDD</author><pubDate>Mon, 23 Jul 2018 10:34:39 +0800</pubDate><description><![CDATA[前言：适用本人，在学习中记录要用的数学知识。

1.约束最优化问题求解：拉格朗日乘子法和KKT条件 
https://blog.youkuaiyun.com/DawnRanger/article/details/53133450]]></description><category></category></item><item><title><![CDATA[机器学习实战——朴素贝叶斯分类]]></title><link>https://blog.youkuaiyun.com/CrozonKDD/article/details/80785718</link><guid>https://blog.youkuaiyun.com/CrozonKDD/article/details/80785718</guid><author>CrozonKDD</author><pubDate>Sat, 23 Jun 2018 18:09:23 +0800</pubDate><description><![CDATA[准备数据：从文本中构建词向量

前期测试函数用的数据



def loadDataSet():
    '''创建一些实验样本'''
    postingList = [['my','dog','has','flea','problems','help','please'],
                  ['maybe','not','take','him','to','dog','p...]]></description><category></category></item><item><title><![CDATA[DataFrame排除特定行]]></title><link>https://blog.youkuaiyun.com/CrozonKDD/article/details/80674857</link><guid>https://blog.youkuaiyun.com/CrozonKDD/article/details/80674857</guid><author>CrozonKDD</author><pubDate>Wed, 13 Jun 2018 10:05:11 +0800</pubDate><description><![CDATA[Pandas删除数据的几种情况 
https://www.cnblogs.com/cocowool/p/8421997.html

pandas.DataFrame排除特定行 
https://www.cnblogs.com/wuzhiblog/p/python_pandas.html]]></description><category></category></item><item><title><![CDATA[KNN算法知识集]]></title><link>https://blog.youkuaiyun.com/CrozonKDD/article/details/80619483</link><guid>https://blog.youkuaiyun.com/CrozonKDD/article/details/80619483</guid><author>CrozonKDD</author><pubDate>Fri, 08 Jun 2018 10:29:51 +0800</pubDate><description><![CDATA[数学知识： 
李航《统计学习方法》，叙述了K邻近算法，K邻近模型和它的三要素（距离度量、K值、分类决策规则），然后讲解了算法实现的数据结构——kd树，和基于这个树的搜索kd树算法。

一些数学细节的补充： 
https://www.cnblogs.com/eyeszjwang/articles/2429382.html 
讲解了Kd树的原理、例子和伪代码。

在python上的实现: 
https...]]></description><category></category></item><item><title><![CDATA[Python数据挖掘之用图挖掘同样喜欢梅西的的人]]></title><link>https://blog.youkuaiyun.com/CrozonKDD/article/details/80503485</link><guid>https://blog.youkuaiyun.com/CrozonKDD/article/details/80503485</guid><author>CrozonKDD</author><pubDate>Tue, 29 May 2018 22:55:27 +0800</pubDate><description><![CDATA[前言： 
本次同样在twitter上进行数据挖掘，主题是构建图，计算相似度，找到同样喜欢梅西的人，之后可以进行好友推荐，或者用户建群等。 
编辑工具：anaconda  的jupyter notebook，所以会直接在代码后面跟上输出。 
数据集：如果不想麻烦的弄数据的话，可以跳过下面获取数据步骤，直接使用文末数据，导入即可。

获取Twitter好友数据

写入授权令牌



import tw...]]></description><category></category></item><item><title><![CDATA[使用朴素贝叶斯进行社会媒体挖掘之推特]]></title><link>https://blog.youkuaiyun.com/CrozonKDD/article/details/80450151</link><guid>https://blog.youkuaiyun.com/CrozonKDD/article/details/80450151</guid><author>CrozonKDD</author><pubDate>Fri, 25 May 2018 12:39:36 +0800</pubDate><description><![CDATA[前言： 
本文参考《python数据挖掘入门与实践》第六章，进行twiitter社会媒体挖掘。学完后感觉对社会媒体挖掘领域很有兴趣，往后会深入研究。

正文：

下载新的Twitter语料

授权令牌信息获取网址：https://apps.twitter.com/  具体操作可google。 
以下XXXX为需填入的信息，如果不想自己下载可以在文末网盘找到我的数据，跳过此步骤。

导入twitte...]]></description><category></category></item><item><title><![CDATA[用python对twitter进行数据挖掘之TimeoutError]]></title><link>https://blog.youkuaiyun.com/CrozonKDD/article/details/80417883</link><guid>https://blog.youkuaiyun.com/CrozonKDD/article/details/80417883</guid><author>CrozonKDD</author><pubDate>Wed, 23 May 2018 11:45:52 +0800</pubDate><description><![CDATA[问题一：

TimeoutError: [WinError 10060] A connection attempt failed because the connected party did not properly respond after a period of time, or established connectio n failed because connected host h...]]></description><category></category></item><item><title><![CDATA[用Anaconda下载第三方库——小tips]]></title><link>https://blog.youkuaiyun.com/CrozonKDD/article/details/80408402</link><guid>https://blog.youkuaiyun.com/CrozonKDD/article/details/80408402</guid><author>CrozonKDD</author><pubDate>Tue, 22 May 2018 17:06:20 +0800</pubDate><description><![CDATA[前言： 
在准备安装twitter库时，用python自带的pip下载能安装成功，但是却不能在jupyter notebook中导入。应该是路径的问题，有机会试一下。于是用conda安装，但是在cmd下安装不了（有些库anaconda没有）。 
解决： 
登陆：


  https://anaconda.org/


搜索：twitter 
选择：对应系统的库 
复制：命令行 
完成下载...]]></description><category></category></item><item><title><![CDATA[特征工程——用转换器抽取特征]]></title><link>https://blog.youkuaiyun.com/CrozonKDD/article/details/80361535</link><guid>https://blog.youkuaiyun.com/CrozonKDD/article/details/80361535</guid><author>CrozonKDD</author><pubDate>Fri, 18 May 2018 11:01:58 +0800</pubDate><description><![CDATA[用pandas加载数据集文件adult.data
import osimport pandas as pddata_folder = &amp;quot;E:\DataMining\Project\dataming_with_python\Adult&amp;quot;adult_filename = os.path.join(data_folder,&amp;quot;adult.data&amp;quot;)adult = pd.read_csv(adult_fi...]]></description><category></category></item><item><title><![CDATA[java泛型详解及它的应用]]></title><link>https://blog.youkuaiyun.com/CrozonKDD/article/details/79950830</link><guid>https://blog.youkuaiyun.com/CrozonKDD/article/details/79950830</guid><author>CrozonKDD</author><pubDate>Sun, 15 Apr 2018 17:03:12 +0800</pubDate><description><![CDATA[泛型的本质： 类型参数化

引入目的：建立具有类型安全的集合框架，如链表，散列表等数据结构

他山之石： 
1.作者：VieLei 
侧重：详解 
地址：https://blog.youkuaiyun.com/s10461/article/details/53941091

2.作者：Josh Juneau 
侧重：例子应用 
地址：http://www.oracle.com/technetwork/cn/a...]]></description><category></category></item></channel></rss>