<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Julysxl的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Julysxl</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Julysxl]]></copyright><item><title><![CDATA[autofis]]></title><link>https://blog.youkuaiyun.com/Julysxl/article/details/105150733</link><guid>https://blog.youkuaiyun.com/Julysxl/article/details/105150733</guid><author>Julysxl</author><pubDate>Fri, 27 Mar 2020 21:49:18 +0800</pubDate><description><![CDATA[autofis大概分成两个阶段 serach 和retrain
1.search 搜索feature交互的参数
2.retrain 用search出来的架构 训练模型
search是Differentiable ARchiTecture Search这样的方法+GRDA

...]]></description><category></category></item><item><title><![CDATA[deepfm代码实践]]></title><link>https://blog.youkuaiyun.com/Julysxl/article/details/104739403</link><guid>https://blog.youkuaiyun.com/Julysxl/article/details/104739403</guid><author>Julysxl</author><pubDate>Sun, 08 Mar 2020 20:13:58 +0800</pubDate><description><![CDATA[在数据citrio的情况下：
import pandas as pd
from sklearn.metrics import log_loss, roc_auc_score
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder, MinMaxScaler...]]></description><category></category></item><item><title><![CDATA[数据学习（十七）-时间序列分析和预测实践]]></title><link>https://blog.youkuaiyun.com/Julysxl/article/details/104726326</link><guid>https://blog.youkuaiyun.com/Julysxl/article/details/104726326</guid><author>Julysxl</author><pubDate>Sun, 08 Mar 2020 01:22:46 +0800</pubDate><description><![CDATA[import pandas as pd
import numpy as np
data=pd.read_excel('E:\date.xlsx')
data
#读取数据

结果如下：

处理数据
def getseason(s):
    #print(s[5:7])
    return s[5:7]
data['季度']=data['日期'].apply(getseason)

def get...]]></description><category></category></item><item><title><![CDATA[学习笔记(01):推荐系统核心精讲-数据与特征工程01]]></title><link>https://blog.youkuaiyun.com/Julysxl/article/details/104699281</link><guid>https://blog.youkuaiyun.com/Julysxl/article/details/104699281</guid><author>Julysxl</author><pubDate>Fri, 06 Mar 2020 16:49:25 +0800</pubDate><description><![CDATA[本课程是推荐系统的入门课程，主要从推荐系统背景介绍、推荐算法、推荐系统工程、推荐产品形态、实战等五个部分对推荐系统做初略的介绍。在背景介绍部分，会讲解推荐系统的技能要求、推荐系统的价值与应用场景、推荐系统团队组成及角色定位、推荐系统的未来发展等。在推荐算法部分，会讲解最主流的基于内容的、协同过滤等推荐算法。在工程实践部分会讲解怎么评估推荐系统、推荐系统AB测试等方面的工程知识。在产品形态部分...]]></description><category></category></item><item><title><![CDATA[数据学习（十六）-时间序列分析和预测]]></title><link>https://blog.youkuaiyun.com/Julysxl/article/details/104592957</link><guid>https://blog.youkuaiyun.com/Julysxl/article/details/104592957</guid><author>Julysxl</author><pubDate>Sun, 01 Mar 2020 15:50:24 +0800</pubDate><description><![CDATA[1.时间序列及其分解
2. 时间序列的描述性分析
3. 平稳序列的平滑和预测
4. 有趋势序列的分析和预测
5.复合型型序列的分解
1.时间序列及其分解
同一现象在不同的时间相继观察值排列而成的序列，称为给时间序列。根据观察时间的不同，时间序列中的时间可以是年份，季度，月份或其他时间形式。时间序列可以分为平稳序列和非平稳序列。
基本上不存在趋势的序列，称为平稳序列。包含趋势性。季度性或周期性的序列...]]></description><category></category></item><item><title><![CDATA[数据学习（十五）-方差分析实践]]></title><link>https://blog.youkuaiyun.com/Julysxl/article/details/104444536</link><guid>https://blog.youkuaiyun.com/Julysxl/article/details/104444536</guid><author>Julysxl</author><pubDate>Sat, 22 Feb 2020 17:29:44 +0800</pubDate><description><![CDATA[有A、B、C、D四个地区，不同地区的销售量不一样，现抽取了不同时间段内每个地区的销售量，试解决：
1、每个地区间的销售量是否相同？
2、不同月份的销售量是否相同？
3、不同时间与地区的销售量是否相同？
1、每个地区间的销售量是否相同？
（1）提出假设
H0:u1=u2=u3=…=un，每个地区间的销售量没有显著变化。
H1:ui(i=1,2,3,…)不完全相等，地区对销量有显著变化。
(2)构造检...]]></description><category></category></item><item><title><![CDATA[数据学习（十四）-方差分析与试验设计]]></title><link>https://blog.youkuaiyun.com/Julysxl/article/details/104349290</link><guid>https://blog.youkuaiyun.com/Julysxl/article/details/104349290</guid><author>Julysxl</author><pubDate>Sun, 16 Feb 2020 21:58:40 +0800</pubDate><description><![CDATA[1.方差分析引论
2.单因素方差分析
3.方差分析中的多重比较
4.双因素方差分析
5.试验设计初步
1.方差分析引论
方差分析是比较多个总体的均值是否相等，但本质上它所研究的是变量之间的关系。
1.1 方差分析及其有关术语
检验多个总体均值是否相等的统计方法，成为方差分析。方差分析所研究的是分类型自变量
对数值型因变量的影响，包括它们之间有没有关系，关系的强度如何等。通过检验各总体的
均值是否相...]]></description><category></category></item><item><title><![CDATA[数据学习（十三）-回归分析实践]]></title><link>https://blog.youkuaiyun.com/Julysxl/article/details/104230101</link><guid>https://blog.youkuaiyun.com/Julysxl/article/details/104230101</guid><author>Julysxl</author><pubDate>Sat, 08 Feb 2020 23:50:36 +0800</pubDate><description><![CDATA[回归分析实践
导入包和读取数据
import pandas as pd
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

data=pd.read_csv("E:\data.csv")
data

结果如...]]></description><category></category></item><item><title><![CDATA[数据学习(十二)-回归分析]]></title><link>https://blog.youkuaiyun.com/Julysxl/article/details/104110987</link><guid>https://blog.youkuaiyun.com/Julysxl/article/details/104110987</guid><author>Julysxl</author><pubDate>Wed, 29 Jan 2020 23:19:14 +0800</pubDate><description><![CDATA[1.一元线性回归
2.多元线性回归
一元线性回归
1.1.1 变量间的关系
相关与回归是处理变量之间关系的一种统计方法。从所处理的变量多少来看，如果研究的是两个变量之间的关系，称为简单相关与回归分析；如果研究的是两个以上变量之间的关系，称为多元回归分析。从变量之间的关系形态上看，有线性与非线性回归分析。
变量间的关系
变量之间存在不确定数量关系，称为相关关系。
1.1.2 相关关系的描述与测度
1...]]></description><category></category></item><item><title><![CDATA[数据学习（十一）-假设检验实践]]></title><link>https://blog.youkuaiyun.com/Julysxl/article/details/103951210</link><guid>https://blog.youkuaiyun.com/Julysxl/article/details/103951210</guid><author>Julysxl</author><pubDate>Sun, 12 Jan 2020 23:51:59 +0800</pubDate><description><![CDATA[读取数据
import pandas as pd
import numpy as np
from scipy import stats
data=pd.read_csv('G:\\Datasets\\test.csv')
data

结果如下：

根据数据回答以下问题：
1.人体体温的总体均值是否为98.6华氏度？
#人体体温的总体均值是否为98.6华氏度?
print("样本均值")
print...]]></description><category></category></item><item><title><![CDATA[数据学习（十）-假设检验]]></title><link>https://blog.youkuaiyun.com/Julysxl/article/details/103849085</link><guid>https://blog.youkuaiyun.com/Julysxl/article/details/103849085</guid><author>Julysxl</author><pubDate>Sun, 05 Jan 2020 23:54:34 +0800</pubDate><description><![CDATA[目录
1.假设检验的基本问题
2.一个总体参数的检验
3. 两个总体参数的检验
1.假设检验的基本问题
假设检验是推断统计的另一项重要内容，它与参数估计类似，但角度不同，参数估计是利用样本信息推断未知的总体参数，而假设检验则是先对总体参数提出一个假设值，然后利用样本信息判断这一假设是否成立。
1.1 假设的陈述
1.对总体参数的具体数值所作的陈述，称为假设，或称为统计假设。
2. 先对总体参数提出...]]></description><category></category></item><item><title><![CDATA[数据学习（九）-参数估计实践]]></title><link>https://blog.youkuaiyun.com/Julysxl/article/details/103755851</link><guid>https://blog.youkuaiyun.com/Julysxl/article/details/103755851</guid><author>Julysxl</author><pubDate>Sun, 29 Dec 2019 18:02:22 +0800</pubDate><description><![CDATA[#导入包
import pandas as pd
import numpy as np
from scipy import stats

#读取数据
data=pd.read_excel('G:\Datasets\data.xlsx')
data

结果如下：

#取数据中的age列，并求该列的平均值
age=data['Age']
age.mean()

结果如下：

#从总的数据中抽取一百个样...]]></description><category></category></item><item><title><![CDATA[数据学习（八）-参数估计]]></title><link>https://blog.youkuaiyun.com/Julysxl/article/details/103658313</link><guid>https://blog.youkuaiyun.com/Julysxl/article/details/103658313</guid><author>Julysxl</author><pubDate>Sun, 22 Dec 2019 23:35:11 +0800</pubDate><description><![CDATA[1.参数估计的一般问题
2.一个总体参数的区间估计
3. 两个总体参数的区间估计
4. 样本容量的确定
1.参数估计得一般问题
所谓参数估计也就是用样本统计量取估计总体的参数。例如，用样本均值x估计总体均值u等。
1.1 估计量与估计值
用来估计总体参数的统计量的名称，称为估计量，用符号O表示。
用来估计总体参数时计算出来的估计量的具体数值，称为估计值。
1.2 点估计与区间估计
参数估计方法有点...]]></description><category></category></item><item><title><![CDATA[数据学习（七）-抽样分布实践]]></title><link>https://blog.youkuaiyun.com/Julysxl/article/details/103555313</link><guid>https://blog.youkuaiyun.com/Julysxl/article/details/103555313</guid><author>Julysxl</author><pubDate>Sun, 15 Dec 2019 23:31:44 +0800</pubDate><description><![CDATA[实践
import pandas as pd
import numpy as np
data=pd.read_excel('G:\Datasets\data.xlsx')
data

结果如下：

embark = data.groupby(['Embarked'])

embark_basic = data.groupby(['Embarked']).agg(['count','min','ma...]]></description><category></category></item><item><title><![CDATA[数据学习（六）-抽样与抽样分布]]></title><link>https://blog.youkuaiyun.com/Julysxl/article/details/103449635</link><guid>https://blog.youkuaiyun.com/Julysxl/article/details/103449635</guid><author>Julysxl</author><pubDate>Sun, 08 Dec 2019 22:10:20 +0800</pubDate><description><![CDATA[1.概率抽样分布
2.三种不同性质的分布
3.一个总体参数推断时样本统计量的抽样分布
4. 两个总体参数推断时样本统计量的抽样分布
1.概率抽样分布
根据抽取原则的不同，分为概率抽样和非概率抽样。概率抽样是根据已知的概率来抽取样本单位；非概率抽样则是根据研究人员有意识的选取样本单位，样本抽样的选取是不随机的。
1.1 简单随机抽样
从含有N个元素的总体中，抽取n个元素作为样本，使得每一个容量为n的...]]></description><category></category></item><item><title><![CDATA[fit,trasform,fit_transform]]></title><link>https://blog.youkuaiyun.com/Julysxl/article/details/103369557</link><guid>https://blog.youkuaiyun.com/Julysxl/article/details/103369557</guid><author>Julysxl</author><pubDate>Tue, 03 Dec 2019 16:50:59 +0800</pubDate><description><![CDATA[特征处理类都有三个方法fit、transform和fit_transform，fit方法居然和模型训练方法fit同名（不光同名，参数列表都一样），这难道都是巧合？
显然，这不是巧合，这正是sklearn的设计风格。我们能够更加优雅地使用sklearn进行特征工程和模型训练工作。
通过分析sklearn源码，我们可以看到除训练，预测和评估以外，处理其他工作的类都实现了3个方法：fit、transfo...]]></description><category></category></item><item><title><![CDATA[数据学习（五）-概率分布实践]]></title><link>https://blog.youkuaiyun.com/Julysxl/article/details/103339311</link><guid>https://blog.youkuaiyun.com/Julysxl/article/details/103339311</guid><author>Julysxl</author><pubDate>Sun, 01 Dec 2019 21:09:38 +0800</pubDate><description><![CDATA[概率分布实践
# 案例：玩抛硬币的游戏，只抛1次硬币，成功抛出正面朝上记录为1，反面朝上即抛硬币失败记录为0

# 导入包
import numpy as np
import matplotlib.pyplot as plt
# 统计计算包的统计模块
from scipy import stats
# 解决jupyter 中文问题
from pylab import mpl
mpl.rcParam...]]></description><category></category></item><item><title><![CDATA[数据学习（四）-概率与概率分布]]></title><link>https://blog.youkuaiyun.com/Julysxl/article/details/103226760</link><guid>https://blog.youkuaiyun.com/Julysxl/article/details/103226760</guid><author>Julysxl</author><pubDate>Sun, 24 Nov 2019 20:59:47 +0800</pubDate><description><![CDATA[1.事件及其概率
2.离散型概率分布
3.连续型概率分布
4. 知识点小结
1. 事件及其概率
具体如下：
1.1 试验与其概率
概率：是对某一特定事件出现可能性大小的一种数值度量。
试验：对一个或多个试验对象进行一次观察或测量的过程。试验的结果为事件。
不能被分解成其他事件组合的基本事件成为简单事件。
在一定条件下，一定发生的事件称为必然事件，用符号表示；在一定条件下，一定不会发生的事件成为不可...]]></description><category></category></item><item><title><![CDATA[数据学习（三）-理论的实践]]></title><link>https://blog.youkuaiyun.com/Julysxl/article/details/103080563</link><guid>https://blog.youkuaiyun.com/Julysxl/article/details/103080563</guid><author>Julysxl</author><pubDate>Sat, 16 Nov 2019 16:22:21 +0800</pubDate><description><![CDATA[集中趋势
离散趋势
分布形状
数据的读入

基本数据的描述
包括平均数，标准差，最小、最大值，四分位数，中位数。
#求众数
counts = np.bincount(data['data'])
#返回众数
np.argmax(counts)

#众数为：


```python
#求解四分位差
a=np.percentile(data, (25, 50, 75), interpolation='m...]]></description><category></category></item><item><title><![CDATA[数据学习（二）-数据的概括分析]]></title><link>https://blog.youkuaiyun.com/Julysxl/article/details/103003652</link><guid>https://blog.youkuaiyun.com/Julysxl/article/details/103003652</guid><author>Julysxl</author><pubDate>Sun, 10 Nov 2019 23:17:33 +0800</pubDate><description><![CDATA[数据的概括性度量


1.集中趋势的度量
2.离散程度的度量
3.偏态与峰态的度量
4.小知识模块


1.集中趋势的度量
集中趋势是指一组数据向某一中心值靠拢的倾向，它反应了一组数据中心点的位置所在。集中趋势度量也就是寻找数据水平的代表值或中心值。
1.1 分类数据：纵数
一组数据中出现次数最多的变量值。它主要用于测量分类数据、顺序数据和数值型数据的集中趋势。一般情况下，只有数据较大时，纵数才有...]]></description><category></category></item></channel></rss>