<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Read__Book的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Read__Book</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Read__Book]]></copyright><item><title><![CDATA[降维PCA和LDA]]></title><link>https://blog.youkuaiyun.com/Read__Book/article/details/103736484</link><guid>https://blog.youkuaiyun.com/Read__Book/article/details/103736484</guid><author>Read__Book</author><pubDate>Fri, 27 Dec 2019 18:03:34 +0800</pubDate><description><![CDATA[1. 降维

当特征选择完成后，可以直接训练模型了，但是可能由于特征矩阵过大，导致计算量大，训练时间长的问题，因此降低特征矩阵维度也是必不可少的。常见的降维方法除了以上提到的基于L1惩罚项的模型以外，另外还有主成分分析法（PCA）和线性判别分析（LDA），线性判别分析本身也是一个分类模型。PCA和LDA有很多的相似点，其本质是要将原始的样本映射到维度更低的样本空间中，但是PCA和LDA的映射目标不...]]></description><category></category></item><item><title><![CDATA[样本不均衡问题]]></title><link>https://blog.youkuaiyun.com/Read__Book/article/details/103732088</link><guid>https://blog.youkuaiyun.com/Read__Book/article/details/103732088</guid><author>Read__Book</author><pubDate>Fri, 27 Dec 2019 17:40:46 +0800</pubDate><description><![CDATA[1. 什么是样本不均衡问题

简单来说：对于分类问题样本的label比例不均衡【例如正负样本的比例不是1:1】；几乎所有的分类问题都存在数据不均衡的问题，一般来说，样本不均衡的的比例在1:35是可以用的【忘记哪来的了，仅供参考】,但是很多特定的问题背景下数据根本达不到这个最低的标准【1：35】，
甚至比例极度失衡【例如1:800000】例如：


1.欺诈问题【电话欺诈，信用卡盗刷等】
2.自然灾...]]></description><category></category></item><item><title><![CDATA[降维（PCA 和LDA）]]></title><link>https://blog.youkuaiyun.com/Read__Book/article/details/77493674</link><guid>https://blog.youkuaiyun.com/Read__Book/article/details/77493674</guid><author>Read__Book</author><pubDate>Wed, 23 Aug 2017 03:08:22 +0800</pubDate><description><![CDATA[####降维： 
''' 
当特征选择完成后，可以直接训练模型了，但是可能由于特征矩阵过大， 
导致计算量大，训练时间长的问题， 
因此降低特征矩阵维度也是必不可少的。 
常见的降维方法除了以上提到的基于L1惩罚项的模型以外， 
另外还有主成分分析法（PCA）和线性判别分析（LDA）， 
线性判别分析本身也是一个分类模型。 
PCA和LDA有很多的相似点，其本质是要将原始的样本映射]]></description><category></category></item><item><title><![CDATA[深度学习网络训练技巧汇总]]></title><link>https://blog.youkuaiyun.com/Read__Book/article/details/77478686</link><guid>https://blog.youkuaiyun.com/Read__Book/article/details/77478686</guid><author>Read__Book</author><pubDate>Tue, 22 Aug 2017 12:43:24 +0800</pubDate><description><![CDATA[转载自 
炼丹实验室   ：https://zhuanlan.zhihu.com/p/20767428



训练技巧对深度学习来说是非常重要的，作为一门实验性质很强的科学，同样的网络结构使用不同的训练方法训练，结果可能会有很大的差异。这里我总结了近一年来的炼丹心得，分享给大家，也欢迎大家补充指正。
参数初始化。
下面几种方式,随便选一个,结果基本都差不多。但是一定要做。否则可能会减]]></description><category></category></item><item><title><![CDATA[深度学习网络调参技巧_02]]></title><link>https://blog.youkuaiyun.com/Read__Book/article/details/77478673</link><guid>https://blog.youkuaiyun.com/Read__Book/article/details/77478673</guid><author>Read__Book</author><pubDate>Tue, 22 Aug 2017 12:40:05 +0800</pubDate><description><![CDATA[转载自 
炼丹实验室 ：https://zhuanlan.zhihu.com/p/24720954

之前曾经写过一篇文章，讲了一些深度学习训练的技巧，其中包含了部分调参心得：深度学习训练心得。不过由于一般深度学习实验，相比普通机器学习任务，时间较长，因此调参技巧就显得尤为重要。同时个人实践中，又有一些新的调参心得，因此这里单独写一篇文章，谈一下自己对深度学习调参的理解，大家如果有其他技巧，]]></description><category></category></item><item><title><![CDATA[深度学习网络调试技巧_01]]></title><link>https://blog.youkuaiyun.com/Read__Book/article/details/77478664</link><guid>https://blog.youkuaiyun.com/Read__Book/article/details/77478664</guid><author>Read__Book</author><pubDate>Tue, 22 Aug 2017 12:37:43 +0800</pubDate><description><![CDATA[转自炼丹实验室 ：https://zhuanlan.zhihu.com/p/20792837

神经网络的代码，比一般的代码要难调试不少，和编译错误以及运行时程序崩溃相比，神经网络比较棘手的地方，往往在于程序运行正常，但是结果无法收敛，这个检查起来可要麻烦多了。下面是根据我平时调试神经网络的经验，总结的一些比较通用的调试技巧，后续会再写一篇文章，专门介绍一下theano如何进行调试，希望能对大]]></description><category></category></item><item><title><![CDATA[查找和排序]]></title><link>https://blog.youkuaiyun.com/Read__Book/article/details/77389242</link><guid>https://blog.youkuaiyun.com/Read__Book/article/details/77389242</guid><author>Read__Book</author><pubDate>Fri, 18 Aug 2017 23:39:02 +0800</pubDate><description><![CDATA[二分查找算法：

def search(list,m):
    low = 0
    high = len(list) - 1
    while(low <= high):
        mid = (low + high)/2
        if(list[mid] > m):
            high = mid - 1
        elif(list[mid] <]]></description><category></category></item><item><title><![CDATA[18.树的子结构]]></title><link>https://blog.youkuaiyun.com/Read__Book/article/details/77322675</link><guid>https://blog.youkuaiyun.com/Read__Book/article/details/77322675</guid><author>Read__Book</author><pubDate>Thu, 17 Aug 2017 12:59:50 +0800</pubDate><description><![CDATA[输入两棵二叉树A，B，判断B是不是A的子结构。（ps：我们约定空树不是任意一个树的子结构）

# -*- coding:utf-8 -*-
# class TreeNode:
#     def __init__(self, x):
#         self.val = x
#         self.left = None
#         self.right = Non]]></description><category></category></item><item><title><![CDATA[17.合并连个排序的链表]]></title><link>https://blog.youkuaiyun.com/Read__Book/article/details/77322313</link><guid>https://blog.youkuaiyun.com/Read__Book/article/details/77322313</guid><author>Read__Book</author><pubDate>Thu, 17 Aug 2017 12:29:43 +0800</pubDate><description><![CDATA[输入两个单调递增的链表，输出两个链表合成后的链表，当然我们需要合成后的链表满足单调不减规则。
直接上代码，可读性强，运行空间较大，牛客网运行时间：36ms  占用内存5760k

# -*- coding:utf-8 -*-
# class ListNode:
#     def __init__(self, x):
#         self.val = x
#         ]]></description><category></category></item><item><title><![CDATA[使用selenium调用火狐浏览器爬取网页文本及链接]]></title><link>https://blog.youkuaiyun.com/Read__Book/article/details/76737738</link><guid>https://blog.youkuaiyun.com/Read__Book/article/details/76737738</guid><author>Read__Book</author><pubDate>Sun, 06 Aug 2017 03:36:17 +0800</pubDate><description><![CDATA[时间：2017年8月6号晚上3点40分    ，   失眠了，闲来无事写个随笔吧。

几天前朋友问我能不能帮他爬取一个网址的文本及链接，想自己整理一便以方便学习,网址：http://www.bianceng.cn/Programming/cplus/
需求：将网页内的文本内容及对应超链接保存到本地，总共60页，1773条
考虑到网页中第一页的url为：http://www.bianceng]]></description><category></category></item><item><title><![CDATA[pandas 常用函数]]></title><link>https://blog.youkuaiyun.com/Read__Book/article/details/73730800</link><guid>https://blog.youkuaiyun.com/Read__Book/article/details/73730800</guid><author>Read__Book</author><pubDate>Sun, 25 Jun 2017 23:49:14 +0800</pubDate><description><![CDATA[本文翻译自文章： Pandas
 Cheat Sheet - Python for Data Science

，同时添加了部分注解。

对于数据科学家，无论是数据分析还是数据挖掘来说，Pandas是一个非常重要的Python包。它不仅提供了很多方法，使得数据处理非常简单，同时在数据处理速度上也做了很多优化，使得和Python内置方法相比时有了很大的优势。

如果你想学习Pandas]]></description><category></category></item><item><title><![CDATA[window7下安装Scarpy]]></title><link>https://blog.youkuaiyun.com/Read__Book/article/details/73691013</link><guid>https://blog.youkuaiyun.com/Read__Book/article/details/73691013</guid><author>Read__Book</author><pubDate>Sat, 24 Jun 2017 13:35:39 +0800</pubDate><description><![CDATA[1.安装Python
      不多说，记得配置环境变量
2.安装lxml    lxml是一种使用
 Python 编写的库，可以迅速、灵活地处理 XML。

 
    cmd窗口下运行：python -m pip install lxml
3.安装setuptools
  一般都已经安装了的，可在cmd中用 python -m pip list 查看是否已经安装，如果没安装]]></description><category></category></item><item><title><![CDATA[csv数据导入导出mysql的方法]]></title><link>https://blog.youkuaiyun.com/Read__Book/article/details/68892686</link><guid>https://blog.youkuaiyun.com/Read__Book/article/details/68892686</guid><author>Read__Book</author><pubDate>Fri, 31 Mar 2017 05:19:59 +0800</pubDate><description><![CDATA[转载：http://www.cnblogs.com/mliang/p/3513951.html

mysql自己有个csv引擎，可以通过这个引擎来实现将csv中的数据导入到mysql数据库中，并且速度比通过php或是python写的批处理程序快的多。 具体的实现代码示例： 
代码如下:

load data infile '/tmp/file.csv' into table _table]]></description><category></category></item><item><title><![CDATA[ubuntu下安装mysql可视化工具MySQL-workbench]]></title><link>https://blog.youkuaiyun.com/Read__Book/article/details/68889517</link><guid>https://blog.youkuaiyun.com/Read__Book/article/details/68889517</guid><author>Read__Book</author><pubDate>Fri, 31 Mar 2017 05:11:01 +0800</pubDate><description><![CDATA[sudo apt-get update


 sudo apt-get upgrade
安装mysql

sudo 
apt-get install 
mysql-server


sudo 
apt-get install 
mysql-client


sudo 
apt-get install 
libmysqlclient-dev

安装mysql的]]></description><category></category></item><item><title><![CDATA[ubuntu 下python中安装xgboost包]]></title><link>https://blog.youkuaiyun.com/Read__Book/article/details/60126031</link><guid>https://blog.youkuaiyun.com/Read__Book/article/details/60126031</guid><author>Read__Book</author><pubDate>Fri, 03 Mar 2017 09:40:21 +0800</pubDate><description><![CDATA[原文出处：http://www.linuxdiyf.com/linux/23764.html


XGBoost is an optimized distributed gradient boosting library designed to be highly efficient, flexible and portable. It implements machine learning]]></description><category></category></item><item><title><![CDATA[逻辑回归（Logistic regression）详解-并用scikit-learn训练逻辑回归拟合Iris数据集]]></title><link>https://blog.youkuaiyun.com/Read__Book/article/details/59154275</link><guid>https://blog.youkuaiyun.com/Read__Book/article/details/59154275</guid><author>Read__Book</author><pubDate>Wed, 01 Mar 2017 21:30:53 +0800</pubDate><description><![CDATA[原文出处http://blog.youkuaiyun.com/xlinsist/article/details/51289825


引言
这篇文章主要介绍逻辑回归背后的一些概率概念，给你一些直观感觉关于它的代价函数的由来。并且我也介绍了关于最大似然估计（maximum likelihood）的概念，用这个强大的工具来导出逻辑回归的cost函数。接着，我用scikit-learn训练了感知机模型来让你]]></description><category></category></item><item><title><![CDATA[scikit-learn 逻辑回归类库使用小结]]></title><link>https://blog.youkuaiyun.com/Read__Book/article/details/59109250</link><guid>https://blog.youkuaiyun.com/Read__Book/article/details/59109250</guid><author>Read__Book</author><pubDate>Wed, 01 Mar 2017 15:35:45 +0800</pubDate><description><![CDATA[原文出处：http://www.cnblogs.com/pinard/p/6035872.html

1. 概述

　　　　在scikit-learn中，与逻辑回归有关的主要是这3个类。LogisticRegression， LogisticRegressionCV 和logistic_regression_path。其中LogisticRegression和LogisticRegress]]></description><category></category></item><item><title><![CDATA[Ubuntu下apt-get命令详解]]></title><link>https://blog.youkuaiyun.com/Read__Book/article/details/58104575</link><guid>https://blog.youkuaiyun.com/Read__Book/article/details/58104575</guid><author>Read__Book</author><pubDate>Mon, 27 Feb 2017 15:35:16 +0800</pubDate><description><![CDATA[在Ubuntu下，apt-get近乎是最常用的shell命令之一了，因为他是Ubuntu通过新立得安装软件的常用工具命令。
本文列举了常用的APT命令参数：


apt-cache search package 搜索软件包

apt-cache show package  获取包的相关信息，如说明、大小、版本等

sudo apt-get install package 安装包
]]></description><category></category></item><item><title><![CDATA[如何生成libsvm格式数据]]></title><link>https://blog.youkuaiyun.com/Read__Book/article/details/53129658</link><guid>https://blog.youkuaiyun.com/Read__Book/article/details/53129658</guid><author>Read__Book</author><pubDate>Fri, 11 Nov 2016 15:59:30 +0800</pubDate><description><![CDATA[也许你的数据格式是txt格式，xls格式，data格式，csv格式等等，但是你想转成libsvm格式的数据（如下图所示）：
我知道的两种方法：第一种方法对数据的大小有一定的限制，还比较麻烦，第二种方法对数据集大小无限制，还方便快捷。
方法1. 注意事项：把标签放到最后列在进行如下过程
①下载FormatDatalibsvm.xls 
这个东西比较隐蔽，很多之前的链接都不在了，找了很久最后还]]></description><category></category></item><item><title><![CDATA[matlab和python中引用libsvm工具包]]></title><link>https://blog.youkuaiyun.com/Read__Book/article/details/53129352</link><guid>https://blog.youkuaiyun.com/Read__Book/article/details/53129352</guid><author>Read__Book</author><pubDate>Fri, 11 Nov 2016 15:34:23 +0800</pubDate><description><![CDATA[第一次使用libsvm，由于身边没有人指导，饶了很多弯路，写一下使用心得：
有的人喜欢用matlab包，有的python包，有的R语言包，我简单说一下如何配置的问题：
1.matlab上配置libsvm，下载libsvm，自己搞定，不提供连接了，matlab用2014版本以上的，因为2014版及以后的版本用libsvm是不要编译的，直接上步骤吧：打开matlab-——>设置路径——>选择（添加]]></description><category></category></item></channel></rss>