<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[MachineLearner的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/MachineLearner</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; MachineLearner]]></copyright><item><title><![CDATA[Time库--时间获取/格式化/程序计时应用]]></title><link>https://blog.youkuaiyun.com/MachineLearner/article/details/105779957</link><guid>https://blog.youkuaiyun.com/MachineLearner/article/details/105779957</guid><author>MachineLearner</author><pubDate>Sun, 26 Apr 2020 23:49:15 +0800</pubDate><description><![CDATA[时间获取
time库中时间获取的最主要的函数包括如下三个：
time.time() - 获取系统当前时间戳，是一个表示从1970年1月1日0点0分开始计时的计算机内部时间值的浮点数；
time.ctime() - 不仅能获取时间，还具有一定的可读性，返回的是一个字符串；
time.gmtime() - 获取当前时间，生成的是计算机程序可以处理的时间格式（struct_time格式）
举例如下：
i...]]></description><category></category></item><item><title><![CDATA[神经网络BP反向传播算法推导]]></title><link>https://blog.youkuaiyun.com/MachineLearner/article/details/104884683</link><guid>https://blog.youkuaiyun.com/MachineLearner/article/details/104884683</guid><author>MachineLearner</author><pubDate>Sun, 15 Mar 2020 20:04:49 +0800</pubDate><description><![CDATA[原文链接：神经网络BP反向传播算法原理和详细推导流程
1  反向传播算法和BP网络简介
误差反向传播算法简称反向传播算法（即BP算法）。使用反向传播算法的多层感知器又称为BP神经网络。BP算法是一个迭代算法，它的基本思想为：（1）先计算每一层的状态和激活值，直到最后一层（即信号是前向传播的）；（2）计算每一层的误差，误差的计算过程是从最后一层向前推进的（这就是反向传播算法名字的由来）；（3）更新参...]]></description><category></category></item><item><title><![CDATA[Pandas数据的相关性分析]]></title><link>https://blog.youkuaiyun.com/MachineLearner/article/details/104638647</link><guid>https://blog.youkuaiyun.com/MachineLearner/article/details/104638647</guid><author>MachineLearner</author><pubDate>Tue, 03 Mar 2020 19:13:02 +0800</pubDate><description><![CDATA[本文的主要内容是基于中国大学mooc（慕课）中的“Python数据分析与可视化”课程进行整理和总结。
两个事物，表示成X和Y，如何判断他们之间的相关性？
X增大，Y也增大，两个变量正相关；
X增大，Y减小，两个变量负相关；
X增大，Y没有明显变化，两个变量不相关；
度量两个数据的相关性有以下方法：

协方差


...]]></description><category></category></item><item><title><![CDATA[pandas的数据累计统计分析]]></title><link>https://blog.youkuaiyun.com/MachineLearner/article/details/104624965</link><guid>https://blog.youkuaiyun.com/MachineLearner/article/details/104624965</guid><author>MachineLearner</author><pubDate>Tue, 03 Mar 2020 08:24:35 +0800</pubDate><description><![CDATA[本文的主要内容是基于中国大学mooc（慕课）中的“Python数据分析与可视化”课程进行整理和总结。
数据的累计统计分析是能够对序列中的前n个数进行累计运算，对于一些大量的数据分析中，可以减少for循环的使用，也使得数据的运算变得更加灵活。pandas提供了一组数据累计统计分析函数，这些函数都适用于Series和DataFrame类型。




.cumsum()
依次给出前1，2，……，n个数的...]]></description><category></category></item><item><title><![CDATA[pandas基本数据统计分析]]></title><link>https://blog.youkuaiyun.com/MachineLearner/article/details/104624869</link><guid>https://blog.youkuaiyun.com/MachineLearner/article/details/104624869</guid><author>MachineLearner</author><pubDate>Tue, 03 Mar 2020 08:10:58 +0800</pubDate><description><![CDATA[本文的主要内容是基于中国大学mooc（慕课）中的“Python数据分析与可视化”课程进行整理和总结。
pandas提供了一些数据统计分析的函数，这些函数使用于Series和DataFrame类型。




函数名
函数定义




.sum()
计算数据的总和，按照0轴计算，下同


.count()
非NaN的数量


.mean()   .median()
计算数据的算术平均值，算数中位数

...]]></description><category></category></item><item><title><![CDATA[pandas数据的排序]]></title><link>https://blog.youkuaiyun.com/MachineLearner/article/details/104624665</link><guid>https://blog.youkuaiyun.com/MachineLearner/article/details/104624665</guid><author>MachineLearner</author><pubDate>Tue, 03 Mar 2020 07:38:51 +0800</pubDate><description><![CDATA[本文的主要内容是基于中国大学mooc（慕课）中的“Python数据分析与可视化”课程进行整理和总结。
在介绍数据排序之前，我们先对数据理解建立一个感性的认识，我们知道一组数据可以表达一个或者多个含义，我们需要一个完整的运算过程来得到数据的含义，我们把这个简单的运算过程称为摘要，摘要就是数据在形成特征的过程中采用有损的形式获得的一些结果，我们能够通过摘要获得以下信息：

基本统计（含排序）
分布/累...]]></description><category></category></item><item><title><![CDATA[机器学习中的决策边界绘制]]></title><link>https://blog.youkuaiyun.com/MachineLearner/article/details/104587288</link><guid>https://blog.youkuaiyun.com/MachineLearner/article/details/104587288</guid><author>MachineLearner</author><pubDate>Sun, 01 Mar 2020 10:58:51 +0800</pubDate><description><![CDATA[本文将会直接给出代码，主要目的在于对代码进行解释，熟悉使用python的Numpy和matplotlib库绘制决策边界曲线，代码来自于https://blog.youkuaiyun.com/dengjiaxing0321/article/details/70545740。
代码如下
import numpy as np
from sklearn.datasets import make_moons
impor...]]></description><category></category></item><item><title><![CDATA[Pandas库的数据类型运算]]></title><link>https://blog.youkuaiyun.com/MachineLearner/article/details/104547504</link><guid>https://blog.youkuaiyun.com/MachineLearner/article/details/104547504</guid><author>MachineLearner</author><pubDate>Fri, 28 Feb 2020 00:01:50 +0800</pubDate><description><![CDATA[本文的主要内容是基于中国大学mooc（慕课）中的“Python数据分析与可视化”课程进行整理和总结。
算术运算法则
算术运算根据行列索引，补齐后进行运算，不同索引之间不进行运算，运算默认产生浮点数 ；
补齐时默认填充NaN（空值）；
二维和一维，一维和零维（实数）进行广播运算；
采用±*/符号进行的二元运算会产生新的对象；
a = pd.DataFrame(np.arange(12).reshap...]]></description><category></category></item><item><title><![CDATA[Pandas的库的数据类型操作]]></title><link>https://blog.youkuaiyun.com/MachineLearner/article/details/104545429</link><guid>https://blog.youkuaiyun.com/MachineLearner/article/details/104545429</guid><author>MachineLearner</author><pubDate>Thu, 27 Feb 2020 23:02:20 +0800</pubDate><description><![CDATA[本文的主要内容是基于中国大学mooc（慕课）中的“Python数据分析与可视化”课程进行整理和总结。
改变Series和DataFrame对象。

 增加或重排：重新索引
使用.reindex()能够改变或重排Series和DataFrame索引。

d.reindex(index=['c5','c4','c3','c2','c1'])


	城市	环比	同比	定基
c5	沈阳	100.5	120...]]></description><category></category></item><item><title><![CDATA[Pandas库的DataFrame类型]]></title><link>https://blog.youkuaiyun.com/MachineLearner/article/details/104542653</link><guid>https://blog.youkuaiyun.com/MachineLearner/article/details/104542653</guid><author>MachineLearner</author><pubDate>Thu, 27 Feb 2020 19:56:22 +0800</pubDate><description><![CDATA[本文的主要内容是基于中国大学mooc（慕课）中的“Python数据分析与可视化”课程进行整理和总结。
DataFrame类型由公用相同索引的一组列组成。

DataFrame 的多列数据共用同一列索引，是一个表格型的数据类型，每列值的数据类型可以不相同；
DataFrame既有行索引也有列索引，对于每一行的索引叫index，每一列的索引叫colum；
DataFrame可以用于表达二维数据，同时也...]]></description><category></category></item><item><title><![CDATA[Pandas库的Series类型]]></title><link>https://blog.youkuaiyun.com/MachineLearner/article/details/104525232</link><guid>https://blog.youkuaiyun.com/MachineLearner/article/details/104525232</guid><author>MachineLearner</author><pubDate>Wed, 26 Feb 2020 23:55:31 +0800</pubDate><description><![CDATA[本文的主要内容是基于中国大学mooc（慕课）中的“Python数据分析与可视化”课程进行整理和总结。
Series的定义与创建
Series类型由一组数据及与之相关的数据索引组成，Pandas特别强调数据和索引之间的关系，Series类型索引与数据之间一一对应。
a = pd.Series([9,8,7,6])

a

0    9
1    8
2    7
3    6
dtype: int6...]]></description><category></category></item><item><title><![CDATA[pandas介绍]]></title><link>https://blog.youkuaiyun.com/MachineLearner/article/details/104524719</link><guid>https://blog.youkuaiyun.com/MachineLearner/article/details/104524719</guid><author>MachineLearner</author><pubDate>Wed, 26 Feb 2020 21:15:46 +0800</pubDate><description><![CDATA[本文的主要内容是基于中国大学mooc（慕课）中的“Python数据分析与可视化”课程进行整理和总结。
pandas是python第三方库，是基于Numpy的一种工具，经常与numpy与matplotlib一起使用，该工具是为了解决数据分析任务而创建的。
Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法...]]></description><category></category></item><item><title><![CDATA[pyplot直方图]]></title><link>https://blog.youkuaiyun.com/MachineLearner/article/details/104510007</link><guid>https://blog.youkuaiyun.com/MachineLearner/article/details/104510007</guid><author>MachineLearner</author><pubDate>Wed, 26 Feb 2020 08:19:00 +0800</pubDate><description><![CDATA[本文的主要内容是基于中国大学mooc（慕课）中的“Python数据分析与可视化”课程进行整理和总结。
直方图(Histogram)，又称质量分布图，是一种统计报告图，由一系列高度不等的纵向条纹或线段表示数据分布的情况。 一般用横轴表示数据类型，纵轴表示分布情况。

pyplot种提供hist()函数绘制直方图。
plt.hist(x, bins=None, range=None, density=...]]></description><category></category></item><item><title><![CDATA[pyplot饼图的绘制]]></title><link>https://blog.youkuaiyun.com/MachineLearner/article/details/104509974</link><guid>https://blog.youkuaiyun.com/MachineLearner/article/details/104509974</guid><author>MachineLearner</author><pubDate>Wed, 26 Feb 2020 07:26:37 +0800</pubDate><description><![CDATA[本文的主要内容是基于中国大学mooc（慕课）中的“Python数据分析与可视化”课程进行整理和总结。
能够根据百分比展示数据功能的图表，对显示形式为百分数的数据具有很好的展示效果。使用matplotlib种的pie函数绘制饼图。
x = [10,20,50,30]
plt.pie(x)


得到的会直接过如上图所示，需要为pie函数输入一个列表类型的数据，函数会将各数据值以百分数形式绘制称为饼状图...]]></description><category></category></item><item><title><![CDATA[pyplot的基础图表函数]]></title><link>https://blog.youkuaiyun.com/MachineLearner/article/details/104508476</link><guid>https://blog.youkuaiyun.com/MachineLearner/article/details/104508476</guid><author>MachineLearner</author><pubDate>Tue, 25 Feb 2020 23:51:28 +0800</pubDate><description><![CDATA[pyplot的基础图表函数




函数
说明




plt.plot(x,y,fmt,……)
绘制一个坐标图


plt.boxplot(data,notch,position)
绘制一个箱形图


plt.bar(left,height,width,bottom)
绘制一个条形图


plt.bar(width,bottom,left,height)
绘制一个横向条形图


plt.pola...]]></description><category></category></item><item><title><![CDATA[pyplot的子绘图区域]]></title><link>https://blog.youkuaiyun.com/MachineLearner/article/details/104456650</link><guid>https://blog.youkuaiyun.com/MachineLearner/article/details/104456650</guid><author>MachineLearner</author><pubDate>Sun, 23 Feb 2020 11:45:36 +0800</pubDate><description><![CDATA[本文的主要内容是基于中国大学mooc（慕课）中的“Python数据分析与可视化”课程进行整理和总结。
我们知道如果需要在一个绘图区域中程多个绘图子区域 ，可以使用plt.subplot()方法，但是如果希望绘制如下图所示的相对复杂的绘图区域，那么就需要借助plt.subplot2grid()来辅助subplot来设计辅助子区域绘制。

plt.subplot2grid(GridSpec,CurSp...]]></description><category></category></item><item><title><![CDATA[pyplot的文本显示方法]]></title><link>https://blog.youkuaiyun.com/MachineLearner/article/details/104455355</link><guid>https://blog.youkuaiyun.com/MachineLearner/article/details/104455355</guid><author>MachineLearner</author><pubDate>Sun, 23 Feb 2020 11:14:35 +0800</pubDate><description><![CDATA[本文的主要内容是基于中国大学mooc（慕课）中的“Python数据分析与可视化”课程进行整理和总结。
文本显示常用函数
plt.xlabel():对x轴增加文本标签；
plt.ylabel():对y轴增加文本标签；
plt.title():对图形整体增加文本标签；
plt.text():在任意位置增加文本；
plt.annotate():在图形中增加带箭头的注解；
import matplotli...]]></description><category></category></item><item><title><![CDATA[plt.plot()]]></title><link>https://blog.youkuaiyun.com/MachineLearner/article/details/104455156</link><guid>https://blog.youkuaiyun.com/MachineLearner/article/details/104455156</guid><author>MachineLearner</author><pubDate>Sun, 23 Feb 2020 10:02:03 +0800</pubDate><description><![CDATA[本文的主要内容是基于中国大学mooc（慕课）中的“Python数据分析与可视化”课程进行整理和总结。
plt.plot(x,y,format_string,**kwargs)
x:X轴上的数据，一般为列表或numpy中的数组，可选（只绘制一条曲线时，可省略，把y轴数据的索引值作为x取值）；
y:Y轴上的数据，一般为列表或numpy中的数组；
format_string:控制绘制曲线的格式字符串，可...]]></description><category></category></item><item><title><![CDATA[图像的数组表示和变换]]></title><link>https://blog.youkuaiyun.com/MachineLearner/article/details/104452432</link><guid>https://blog.youkuaiyun.com/MachineLearner/article/details/104452432</guid><author>MachineLearner</author><pubDate>Sun, 23 Feb 2020 00:32:02 +0800</pubDate><description><![CDATA[本文的主要内容是基于中国大学mooc（慕课）中的“Python数据分析与可视化”课程进行整理和总结。
图像的数组表示
图像一般采用RGB色彩模式，图像中的每一个像素点，由红色，绿色和蓝色组成，这三种颜色形成三个颜色通道，每个通道之间进行变化和叠加之后形成各种颜色，其中R，G，B三个颜色通道取值范围均为0-255 ，叠加起来的色彩空间为256^3，RGB形成的颜色包括了人类视力所能感知的所有颜色。所...]]></description><category></category></item><item><title><![CDATA[梯度提升回归树（GBDT）]]></title><link>https://blog.youkuaiyun.com/MachineLearner/article/details/104436937</link><guid>https://blog.youkuaiyun.com/MachineLearner/article/details/104436937</guid><author>MachineLearner</author><pubDate>Fri, 21 Feb 2020 23:46:14 +0800</pubDate><description><![CDATA[本文的主要内容是基于Python机器学习基础教程决策树部分进行整理和总结。
模型描述
梯度提升回归树和随机森林一样，是一种决策树集成方法，通过合并多个决策树来构建一个更为强大的模型。虽然名字中有“回归”，但是该方法既能用于回归问题，也能用于分类问题，与随机森林不同的是，梯度提升回归树（GBDT）采用连续的方式构造树，每棵树都在试图修正前一棵树的错误。默认情况下，梯度提升回归树没有随机化，而是用到了...]]></description><category></category></item></channel></rss>