<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[SpinMeRound的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/SpinMeRound</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; SpinMeRound]]></copyright><item><title><![CDATA[线性回归评价几个指标（MAE，MSE，RMSE，R^2，MAPE）]]></title><link>https://blog.youkuaiyun.com/SpinMeRound/article/details/120369773</link><guid>https://blog.youkuaiyun.com/SpinMeRound/article/details/120369773</guid><author>SpinMeRound</author><pubDate>Sat, 18 Sep 2021 17:15:45 +0800</pubDate><description><![CDATA[Python–线性回归评价指标实现
一、项目背景
（可不看）
最近在做非线性数据的数据预测，一头雾水，一年不学习，脑袋有问题。还记得上次做的数据是关于一个政务系统的热点问题分类模块，用了机器学习和深度学习啥的，满脸蒙，反正后面就是做完了（好多吐槽）。
现在做的是关于供应链模块的需求预测，简单说目前的运作流程是：客户需求–&gt;营业人员经验修正–&gt;客户需求生成。
面临问题：客户的需求不能保证准确性，营业人员出于保证出货而减少风险的考虑，修正的客户需求跟未来实际需求不一致，甚至多出十几倍。
修正办法：
]]></description><category></category></item><item><title><![CDATA[Python文本中选取地点位置]]></title><link>https://blog.youkuaiyun.com/SpinMeRound/article/details/107465233</link><guid>https://blog.youkuaiyun.com/SpinMeRound/article/details/107465233</guid><author>SpinMeRound</author><pubDate>Mon, 20 Jul 2020 15:51:32 +0800</pubDate><description><![CDATA[1.固定格式求地点
location_str = ['长沙开区橄榄城小区']#data_zhuti_qumin_tq[1]#投诉长沙开区橄榄城小区车位违建#["徐汇区虹漕路461号58号楼5楼", "泉州市洛江区万安塘西工业区", "朝阳区北苑华贸城"]
import addressparser
df = addressparser.transform(location_str)
print(df)

结果
2.一段文本求地点
import paddlehub as hub
lac = hub.Module]]></description><category></category></item><item><title><![CDATA[Python比较文本相似度的7种方法（详细）]]></title><link>https://blog.youkuaiyun.com/SpinMeRound/article/details/107465022</link><guid>https://blog.youkuaiyun.com/SpinMeRound/article/details/107465022</guid><author>SpinMeRound</author><pubDate>Mon, 20 Jul 2020 15:47:16 +0800</pubDate><description><![CDATA[词袋模型
from gensim import corpora
from gensim import models
from gensim import similarities
#from corpora.corpus import Corpus
# 1 分词
# 1.1 历史比较文档的分词
all_location_list = []
for doc in location_list:
    doc_list = [word for word in jieba.cut_for_search(doc)]]]></description><category></category></item><item><title><![CDATA[Python批量保存文本]]></title><link>https://blog.youkuaiyun.com/SpinMeRound/article/details/107464781</link><guid>https://blog.youkuaiyun.com/SpinMeRound/article/details/107464781</guid><author>SpinMeRound</author><pubDate>Mon, 20 Jul 2020 15:34:57 +0800</pubDate><description><![CDATA[话不多说，直接上代码吧
import pandas as pd
import os
import re
import jieba
# 设置当前工作路径
os.chdir(r'C:\Users\Administrator\Desktop\示例数据')
# 读取数据
data2 = pd.read_excel('3.xlsx')
data2_message = data2['详情']

def wenben(a):
    b = 10000
    for i in range(len(a)):
      ]]></description><category></category></item><item><title><![CDATA[word2vec中文语料处理及模型训练实践]]></title><link>https://blog.youkuaiyun.com/SpinMeRound/article/details/107464424</link><guid>https://blog.youkuaiyun.com/SpinMeRound/article/details/107464424</guid><author>SpinMeRound</author><pubDate>Mon, 20 Jul 2020 15:31:12 +0800</pubDate><description><![CDATA[1.word2vec简介（节选自百度百科）
Word2vec，是一群用来产生词向量的相关模型。这些模型为浅而双层的神经网络，用来训练以重新建构语言学之词文本。网络以词表现，并且需猜测相邻位置的输入词，在word2vec中词袋模型假设下，词的顺序是不重要的。训练完成之后，word2vec模型可用来映射每个词到一个向量，可用来表示词对词之间的关系，该向量为神经网络之隐藏层。
2.Python实践（参考https://blog.youkuaiyun.com/shuihupo/article/details/85162237）]]></description><category></category></item><item><title><![CDATA[LDA模型：建立词典+文本数量+建立文档TF-IDF+LDA模型拟合]]></title><link>https://blog.youkuaiyun.com/SpinMeRound/article/details/107463658</link><guid>https://blog.youkuaiyun.com/SpinMeRound/article/details/107463658</guid><author>SpinMeRound</author><pubDate>Mon, 20 Jul 2020 15:18:28 +0800</pubDate><description><![CDATA[1.LDA模型简介（节选自百度百科）
LDA（Latent Dirichlet Allocation）是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构。所谓生成模型，就是说，我们认为一篇文章的每个词都是通过“以一定概率选择了某个主题，并从这个主题中以一定概率选择某个词语”这样一个过程得到。文档到主题服从多项式分布，主题到词服从多项式分布。
LDA是一种非监督机器学习技术，可以用来识别大规模文档集（document collection）或语料库（corpus）中潜藏的主题信息]]></description><category></category></item><item><title><![CDATA[jieba分词-选择词性-词频统计]]></title><link>https://blog.youkuaiyun.com/SpinMeRound/article/details/105352390</link><guid>https://blog.youkuaiyun.com/SpinMeRound/article/details/105352390</guid><author>SpinMeRound</author><pubDate>Mon, 06 Apr 2020 21:55:01 +0800</pubDate><description><![CDATA[导入模块包
import numpy as np
import pandas as pd
import jieba
import jieba.analyse
import codecs
import os #更改当前路径
import re

设置当前工作路径
os.chdir(r'文件路径1')
#设置pd的显示长度
pd.set_option('max_colwidth',500)

载入数据...]]></description><category></category></item><item><title><![CDATA[baidulac分词使用前提：安装paddle和paddlehub]]></title><link>https://blog.youkuaiyun.com/SpinMeRound/article/details/104780692</link><guid>https://blog.youkuaiyun.com/SpinMeRound/article/details/104780692</guid><author>SpinMeRound</author><pubDate>Tue, 10 Mar 2020 19:08:45 +0800</pubDate><description><![CDATA[1.paddle：支持Python版本和Linux版本的安装
这里介绍的是Python版本：
直接打开paddle官网：链接。选择对应的环境：
接下来便可以查看相关命令操作就行了
2.paddlehub：打开cmd界面输入
pip install paddlehub

以下是安装过程
如果在安装过程出现了如下错误：
是因为相关插件filelock无法删除，一般需要手动删除，插件位置一般在：
D:\...]]></description><category></category></item><item><title><![CDATA[更改路径后jupyter闪退解决办法]]></title><link>https://blog.youkuaiyun.com/SpinMeRound/article/details/104778138</link><guid>https://blog.youkuaiyun.com/SpinMeRound/article/details/104778138</guid><author>SpinMeRound</author><pubDate>Tue, 10 Mar 2020 17:11:32 +0800</pubDate><description><![CDATA[针对还原了起始和目标路径还是没办法解决jupyter闪退问题： 
本人原先的jupyter默认的目标路径是：
`D:\1SoftwaresFromInternet\jetbrains\anaconda\python.exe D:\1SoftwaresFromInternet\jetbrains\anaconda\cwp.py D:\1SoftwaresFromInternet\jetbrains\...]]></description><category></category></item><item><title><![CDATA[Anaconda安装tensorflow高版本转换为低版本（实测有用）]]></title><link>https://blog.youkuaiyun.com/SpinMeRound/article/details/104727978</link><guid>https://blog.youkuaiyun.com/SpinMeRound/article/details/104727978</guid><author>SpinMeRound</author><pubDate>Sun, 08 Mar 2020 10:58:30 +0800</pubDate><description><![CDATA[在写这篇文章前，小编尝试了一大堆稀奇古怪的方式：
*1.传统简单粗暴的在cmd进入命令行，输入：
pip install tensorflow

在这里会默认下载最新的版本，这就是斗争的开始，在最新版本2.*的过程中，由于插件的升级，导致在初始化变量时下面代码片失效：
sess.run()

上网查了一下发现在新版本中，还需要实现声明一下：
tf.compat.v1.disable_eager_e...]]></description><category></category></item></channel></rss>