<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[RuDing的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/RuDing</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; RuDing]]></copyright><item><title><![CDATA[Python 数据处理]]></title><link>https://blog.youkuaiyun.com/RuDing/article/details/105510735</link><guid>https://blog.youkuaiyun.com/RuDing/article/details/105510735</guid><author>RuDing</author><pubDate>Tue, 14 Apr 2020 14:04:43 +0800</pubDate><description><![CDATA[1.数据处理技巧
# 1.造数据
import pandas as pd
import numpy as np
data = pd.DataFrame({'user_id':[i for i in range(0, 10000)],
                     '性别': np.random.randint(0, 2, size = 10000), 
                ...]]></description><category></category></item><item><title><![CDATA[各类模型参数汇总]]></title><link>https://blog.youkuaiyun.com/RuDing/article/details/78583276</link><guid>https://blog.youkuaiyun.com/RuDing/article/details/78583276</guid><author>RuDing</author><pubDate>Mon, 20 Nov 2017 16:11:52 +0800</pubDate><description><![CDATA[1. SVM1.1 SVCsklearn.svm.SVC(C=1.0, kernel='rbf', degree=3, gamma='auto', coef0=0.0, shrinking=True, probability=False,
tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decisio]]></description><category></category></item><item><title><![CDATA[数据预处理]]></title><link>https://blog.youkuaiyun.com/RuDing/article/details/78474941</link><guid>https://blog.youkuaiyun.com/RuDing/article/details/78474941</guid><author>RuDing</author><pubDate>Wed, 08 Nov 2017 09:32:24 +0800</pubDate><description><![CDATA[一、初始工具1.anaconda: IPython、spyder2.数据处理工具：pandas、numpy、Excel、sql3.建模工具：sklearn3.1 内容3.2 API
数据预处理：Pandas:强大、灵活的数据分析和探索工具
Numpy:数组支持，以及相应的高校处理函数
Scipy:矩阵支持，以及对应的矩阵数值计算模块
Matplotlib:强大的数据可视化工具，作图库
……
建模：S]]></description><category></category></item><item><title><![CDATA[OneHot编码]]></title><link>https://blog.youkuaiyun.com/RuDing/article/details/78437592</link><guid>https://blog.youkuaiyun.com/RuDing/article/details/78437592</guid><author>RuDing</author><pubDate>Fri, 03 Nov 2017 17:16:55 +0800</pubDate><description><![CDATA[1.官网示例# Author: Tim Head <betatim@gmail.com>
#
# License: BSD 3 clauseimport numpy as np
np.random.seed(10)import matplotlib.pyplot as pltfrom sklearn.datasets import make_classification
from sklearn.l]]></description><category></category></item><item><title><![CDATA[Python 常用库及其作用]]></title><link>https://blog.youkuaiyun.com/RuDing/article/details/78341251</link><guid>https://blog.youkuaiyun.com/RuDing/article/details/78341251</guid><author>RuDing</author><pubDate>Wed, 25 Oct 2017 14:37:06 +0800</pubDate><description><![CDATA[import numpy as np
import pandas as pd
import warnings
#import itertools
import time
import numpy as np
import pandas as pd
from time import strftime
import numpy.random as random
from numpy import hst]]></description><category></category></item><item><title><![CDATA[Gradient Boosting(GBM) 调参指南]]></title><link>https://blog.youkuaiyun.com/RuDing/article/details/78332192</link><guid>https://blog.youkuaiyun.com/RuDing/article/details/78332192</guid><author>RuDing</author><pubDate>Tue, 24 Oct 2017 17:34:11 +0800</pubDate><description><![CDATA[译文：Complete Guide to Parameter Tuning in Gradient Boosting (GBM) in Python简介这边文章帮助大家去看看GBM的是如何真正工作的。原文受启发于 NYC Data Science Academy  与bagging 在模型中只控制高方差不同的是，Boosting 算法善于处理偏差(bias)方差(variance)问题（trade-]]></description><category></category></item><item><title><![CDATA[XGBoost算法原理简介及调参]]></title><link>https://blog.youkuaiyun.com/RuDing/article/details/78328835</link><guid>https://blog.youkuaiyun.com/RuDing/article/details/78328835</guid><author>RuDing</author><pubDate>Tue, 24 Oct 2017 13:59:22 +0800</pubDate><description><![CDATA[译文：Complete Guide to Parameter Tuning in XGBoost

简介

当模型没有达到预期效果的时候，XGBoost就是数据科学家的最终武器。XGboost是一个高度复杂的算法，有足够的能力去学习数据的各种各样的不规则特征。

用XGBoost建模很简单，但是提升XGBoost的模型效果却需要很多的努力。因为这个算法使用了多维的参数。为了提升模型效果，调参就不可]]></description><category></category></item><item><title><![CDATA[如何选择机器学习算法]]></title><link>https://blog.youkuaiyun.com/RuDing/article/details/78320158</link><guid>https://blog.youkuaiyun.com/RuDing/article/details/78320158</guid><author>RuDing</author><pubDate>Mon, 23 Oct 2017 16:26:42 +0800</pubDate><description><![CDATA[如何针对某个分类问题决定使用何种机器学习算法？ 当然，如果你真心在乎准确率，最好的途径就是测试一大堆各式各样的算法（同时确保在每个算法上也测试不同的参数），最后选择在交叉验证中表现最好的。倘若你只是想针对你的问题寻找一个“足够好”的算法，或者一个起步点，这里给出了一些我觉得这些年用着还不错的常规指南。How large is your training set?如果是小训练集，高偏差/低方差的分类器]]></description><category></category></item><item><title><![CDATA[逻辑回归（logistics regression）算法及实例]]></title><link>https://blog.youkuaiyun.com/RuDing/article/details/78217648</link><guid>https://blog.youkuaiyun.com/RuDing/article/details/78217648</guid><author>RuDing</author><pubDate>Thu, 12 Oct 2017 17:36:58 +0800</pubDate><description><![CDATA[逻辑回归简介逻辑回归（Logistic Regression）是机器学习中的一种二分类模型（主要为二分类应用，Softmax 回归是直接对逻辑回归在多分类的推广，即多元逻辑回归），由于算法的简单和高效，在实际中应用非常广泛。
主要用途：寻找危险因素：什么样的用户通常会是“bad”用户？
预测判别：用户是 “good”还是“bad”? 多大的概率是好用户，多大的概率是差用户？
二分类问题及应用：获客评]]></description><category></category></item><item><title><![CDATA[机器学习-GridSearchCV自动调参，RF特征选择]]></title><link>https://blog.youkuaiyun.com/RuDing/article/details/78216086</link><guid>https://blog.youkuaiyun.com/RuDing/article/details/78216086</guid><author>RuDing</author><pubDate>Thu, 12 Oct 2017 16:08:12 +0800</pubDate><description><![CDATA[主要思想：通过GridSearchCV算法进行特征的自动化筛选
import numpy as np
import pandas as pd
from time import strftime
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
fro]]></description><category></category></item><item><title><![CDATA[Python-文件操作]]></title><link>https://blog.youkuaiyun.com/RuDing/article/details/78215980</link><guid>https://blog.youkuaiyun.com/RuDing/article/details/78215980</guid><author>RuDing</author><pubDate>Thu, 12 Oct 2017 16:01:20 +0800</pubDate><description><![CDATA[读写文件
编程时有时候需要将保存历史变量，可将变量写入文件，每次使用时读取即可
 #变量读取程序
    def text_read(self,filename):
        try:
            file = open(filename,'r')
        except IOError:
            error = []
            return e]]></description><category></category></item><item><title><![CDATA[python-元编程]]></title><link>https://blog.youkuaiyun.com/RuDing/article/details/78171848</link><guid>https://blog.youkuaiyun.com/RuDing/article/details/78171848</guid><author>RuDing</author><pubDate>Sat, 07 Oct 2017 21:34:42 +0800</pubDate><description><![CDATA[定义：用元类进行编程，元类→类→对象，元类比类更抽象，生成类的类 
元类定义的都是类的方法，类定义的都是实例方法
type元类typeType(name,bases,attrs):
    name:类名字符串
    bases:父类元组
    attrs:属性字典A = type('A',(object,),{'b':1})
a = A()def howdy(self,you):
    pr]]></description><category></category></item><item><title><![CDATA[Python基本学习-多态和重载]]></title><link>https://blog.youkuaiyun.com/RuDing/article/details/78167574</link><guid>https://blog.youkuaiyun.com/RuDing/article/details/78167574</guid><author>RuDing</author><pubDate>Fri, 06 Oct 2017 22:45:53 +0800</pubDate><description><![CDATA[多态多态指的是不同类的相同方法，相同参数，不同功能。 
调用时便于将一组对象放在集合里，无需判断对象的具体类型，统一调用
里氏代换原则：父类能出现的地方，子类一定能出现，反之则不一定
实例参加Python基本学习-组合（组合可以调用不同类的相同方法的不同实现形式）重载相同方法的不同参数类型。 
对应Python的args,kwargs]]></description><category></category></item><item><title><![CDATA[python基本学习 - 继承和组合]]></title><link>https://blog.youkuaiyun.com/RuDing/article/details/78167306</link><guid>https://blog.youkuaiyun.com/RuDing/article/details/78167306</guid><author>RuDing</author><pubDate>Fri, 06 Oct 2017 21:43:34 +0800</pubDate><description><![CDATA[继承
简单的继承
class Employee(object):
    def __init__(self,name,job,pay):
        self._name = name
        self._job = job
        self._pay = pay
    def giveRaise(self,percent):
        self._pay = int(]]></description><category></category></item><item><title><![CDATA[python基本学习-类的方法]]></title><link>https://blog.youkuaiyun.com/RuDing/article/details/78167190</link><guid>https://blog.youkuaiyun.com/RuDing/article/details/78167190</guid><author>RuDing</author><pubDate>Fri, 06 Oct 2017 21:19:09 +0800</pubDate><description><![CDATA[类方法 @classmethod :绑定类实例方法：绑定实例对象静态方法 @staticmethod ： 无绑定特殊方法（魔法方法）， __init____init__class Date(object):
    def __init__(self,day,month,year):
        self.day = day
        self.month = month]]></description><category></category></item><item><title><![CDATA[Python基本学习-类的属性]]></title><link>https://blog.youkuaiyun.com/RuDing/article/details/78166944</link><guid>https://blog.youkuaiyun.com/RuDing/article/details/78166944</guid><author>RuDing</author><pubDate>Fri, 06 Oct 2017 20:38:25 +0800</pubDate><description><![CDATA[经典类和新式类基本语法class class_name(base_class):
    class_var
    def methods(self,args):
        statments
经典类(无父类)与新式类(有父类)的区别
新式类含slots：定义一个曹，slots = (‘x’,’y’),字典属性只能是xy，不能添加其他属性，经典类可以添加
继承顺序，super
new,
ge]]></description><category></category></item><item><title><![CDATA[Python基本学习—函数]]></title><link>https://blog.youkuaiyun.com/RuDing/article/details/78162789</link><guid>https://blog.youkuaiyun.com/RuDing/article/details/78162789</guid><author>RuDing</author><pubDate>Thu, 05 Oct 2017 20:58:47 +0800</pubDate><description><![CDATA[Filter，Map，Reduce
Filter 
对字符串给或者列表进行过滤，返回为TRUE的结果,第一个参数为返回true或者false的函数
s = '1    46$ I a932874756like45651927_(&%$#$^&python'
print(filter(str.isalpha,s))   ++++++ Ilikepython
Map 
每个元素都通过map处理一下 
m]]></description><category></category></item><item><title><![CDATA[SVM算法实例解析及应用]]></title><link>https://blog.youkuaiyun.com/RuDing/article/details/78008851</link><guid>https://blog.youkuaiyun.com/RuDing/article/details/78008851</guid><author>RuDing</author><pubDate>Sun, 17 Sep 2017 10:44:35 +0800</pubDate><description><![CDATA[SVM简介Support Vector Machine (SVM) 是一个监督学习算法，既可以用于分类（主要）也可以用于回归问题。SVM算法中，我们 
将数据绘制在n维空间中（n代表数据的特征数），然后查找可以将数据分成两类的超平面。支持向量指的是观察的样本在n为空间中的坐标，SVM是将样本分成两类的最佳超平面。SVM的作用机制上面的简介告诉我们的是SVM是通过超平面将两类样本分开，本部分主要讲解如]]></description><category></category></item><item><title><![CDATA[数据降维方法汇总]]></title><link>https://blog.youkuaiyun.com/RuDing/article/details/77986387</link><guid>https://blog.youkuaiyun.com/RuDing/article/details/77986387</guid><author>RuDing</author><pubDate>Thu, 14 Sep 2017 22:47:16 +0800</pubDate><description><![CDATA[数据降维的应用：①降低数据的存储量；②加快机器学习的速度；③数据可视化
数据降维的本质： 方差
PCA（主成分分析）
简介：principal component analysis,
原理：对于一个未知的系统，我们假设它有n个参数。我们想要求出那些参数最重要，而把不重要的参数给抹掉，从而降低参数向量的维数。PCA的问题其实是一个基的变换，使得变换后的数据有着最大的方差。
算法过程：
  1）对于一个]]></description><category></category></item></channel></rss>