<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[笔记铺子]]></title><description><![CDATA[日满心安。]]></description><link>https://blog.youkuaiyun.com/binglingzy666</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; binglingzy666]]></copyright><item><title><![CDATA[sklearn.feature_extraction.text.TfidfVectorizer函数说明]]></title><link>https://blog.youkuaiyun.com/binglingzy666/article/details/79241486</link><guid>https://blog.youkuaiyun.com/binglingzy666/article/details/79241486</guid><author>binglingzy666</author><pubDate>Fri, 02 Feb 2018 17:25:41 +0800</pubDate><description><![CDATA[转载自：http://blog.youkuaiyun.com/hutao1101175783/article/details/74618205
class sklearn.feature_extraction.text.TfidfVectorizer（input
 = u'content'，encoding
 = u'utf-8'，decode_error
 = u'strict'，strip_acc]]></description><category></category></item><item><title><![CDATA[Kaggle机器学习之模型融合（stacking）心得]]></title><link>https://blog.youkuaiyun.com/binglingzy666/article/details/78489651</link><guid>https://blog.youkuaiyun.com/binglingzy666/article/details/78489651</guid><author>binglingzy666</author><pubDate>Thu, 09 Nov 2017 14:50:35 +0800</pubDate><description><![CDATA[作者：思颖

此文道出了本人学习Stacking入门级应用的心路历程。

在学习过程中感谢@贝尔塔的模型融合方法，以及如何在 Kaggle 首战中进入前 10%这篇文章（作者是章凌豪）。对于两位提供的信息，感激不尽。同时还有Kaggle上一些关于ensemble的文章和代码，比如这篇。

本文适用于被stacking折磨的死去活来的新手，在网上为数不多的stacking内容里，我已经假]]></description><category></category></item><item><title><![CDATA[.tar.xz解压方式]]></title><link>https://blog.youkuaiyun.com/binglingzy666/article/details/73558602</link><guid>https://blog.youkuaiyun.com/binglingzy666/article/details/73558602</guid><author>binglingzy666</author><pubDate>Thu, 22 Jun 2017 09:56:17 +0800</pubDate><description><![CDATA[$xz -d ***.tar.xz
$tar -xvf  ***.tar]]></description><category></category></item><item><title><![CDATA[Linux显示文件前几行、拷贝文件前几行、删除文件前几列]]></title><link>https://blog.youkuaiyun.com/binglingzy666/article/details/71436168</link><guid>https://blog.youkuaiyun.com/binglingzy666/article/details/71436168</guid><author>binglingzy666</author><pubDate>Mon, 08 May 2017 21:37:07 +0800</pubDate><description><![CDATA[ll -lrth:按照更改时间倒序排列，最新文件在下边ll -lrSh:按照文件大小倒序排列，最大文件在下边grep --color :高亮查询关键字grep -A 10 xxx : 显示关键字后10行，查异常栈时很有用grep -B 10 xxx : 显示关键字前10行grep -C 10 xxx : 显示关键字前后10行grep -i :不区分大小写egrep ‘aaa|bbb’:可以统计aa]]></description><category></category></item><item><title><![CDATA[深度学习和自然语言处理中的attention和memory机制]]></title><link>https://blog.youkuaiyun.com/binglingzy666/article/details/71172897</link><guid>https://blog.youkuaiyun.com/binglingzy666/article/details/71172897</guid><author>binglingzy666</author><pubDate>Thu, 04 May 2017 17:44:20 +0800</pubDate><description><![CDATA[神经网络里的attention机制是（非常）松散地基于人类的视觉注意机制。人类的视觉注意机制已经被充分地研究过了，而且提出了多个不同的模型，所有的模型归根结底都是按照“高分辨率”聚焦在图片的某个特定区域并以“低分辨率”感知图像的周边区域的模式，然后不断地调整聚焦点。]]></description><category></category></item><item><title><![CDATA[Paragraph Vector学习文章特征及其在Gensim和Tensorflow上的编写以及应用]]></title><link>https://blog.youkuaiyun.com/binglingzy666/article/details/70767121</link><guid>https://blog.youkuaiyun.com/binglingzy666/article/details/70767121</guid><author>binglingzy666</author><pubDate>Tue, 25 Apr 2017 20:45:17 +0800</pubDate><description><![CDATA[原文

Paragraph2vec 是一种非监督学习方式，输入为文本，输出则是文本对应的向量表示。

连续分布式向量表示。文本可以是可变的长度（对应于 sentence 及 documents）。
向量表示可以用来预测文章中的 word。可以连接 paragraph vector和 word vector，预测给定的 context 下将要出现的 word。 word 向量和 para ]]></description><category></category></item><item><title><![CDATA[Sentiment Analysis Using Doc2Vec]]></title><link>https://blog.youkuaiyun.com/binglingzy666/article/details/70766978</link><guid>https://blog.youkuaiyun.com/binglingzy666/article/details/70766978</guid><author>binglingzy666</author><pubDate>Tue, 25 Apr 2017 20:28:58 +0800</pubDate><description><![CDATA[Sentiment Analysis using Doc2Vec
Word2Vec is dope. In short, it takes in a corpus, and churns out vectors for each of those words. What’s so special about these vectors you ask? Well, similar words a]]></description><category></category></item><item><title><![CDATA[word2vec中的数学原理详解]]></title><link>https://blog.youkuaiyun.com/binglingzy666/article/details/70665345</link><guid>https://blog.youkuaiyun.com/binglingzy666/article/details/70665345</guid><author>binglingzy666</author><pubDate>Mon, 24 Apr 2017 21:33:26 +0800</pubDate><description><![CDATA[word2vec 中的数学原理详解




转载自：http://blog.youkuaiyun.com/itplus/article/details/37969519
     word2vec 是 Google 于 2013 年开源推出的一个用于获取 word vector 的工具包，它简单、高效，因此引起了很多人的关注。由于 word2vec 的作者 Tomas Mikolov 在两篇相关的]]></description><category></category></item><item><title><![CDATA[Python的collections模块及namedtuple详解]]></title><link>https://blog.youkuaiyun.com/binglingzy666/article/details/70327803</link><guid>https://blog.youkuaiyun.com/binglingzy666/article/details/70327803</guid><author>binglingzy666</author><pubDate>Fri, 21 Apr 2017 16:21:21 +0800</pubDate><description><![CDATA[转载自：http://www.jb51.net/article/88144.htm


namedtuple顾名思义,就是名字+元组的数据结构,下面就来看一下Python的collections模块中namedtuple结构使用示例


namedtuple 就是命名的 tuple，比较像 C 语言中 struct。一般情况下的 tuple 是 (item1, item2, item3]]></description><category></category></item><item><title><![CDATA[调用python的sklearn实现Logistic Reression算法]]></title><link>https://blog.youkuaiyun.com/binglingzy666/article/details/70304687</link><guid>https://blog.youkuaiyun.com/binglingzy666/article/details/70304687</guid><author>binglingzy666</author><pubDate>Thu, 20 Apr 2017 20:54:20 +0800</pubDate><description><![CDATA[先说如何实现，其中的导入数据库和类、方法的关系，之前不是很清楚，现在知道了。。。   





from numpy import * 
from sklearn.datasets import load_iris     # import datasets

# load the dataset: iris
iris = load_iris() 
samples = iris.da]]></description><category></category></item><item><title><![CDATA[xgboost]]></title><link>https://blog.youkuaiyun.com/binglingzy666/article/details/70254698</link><guid>https://blog.youkuaiyun.com/binglingzy666/article/details/70254698</guid><author>binglingzy666</author><pubDate>Thu, 20 Apr 2017 09:13:27 +0800</pubDate><description><![CDATA[1、xgboost简介

全称为eXtreme Gradient Boosting，作者是华盛顿大学的陈天奇博士 ，由GBDT延伸而来，主要用于分类和回归算法，属于报省厅迭代型和树类算法。 它是Gradient
 Boosting Machine的一个c++实现。创建之由为受制于现有库的计算速度和精度，xgboost最大的特点在于，它能够自动利用CPU的多线程进行并行，同时在算法上加以改进提]]></description><category></category></item><item><title><![CDATA[几种基本的数字正则表达式[转]]]></title><link>https://blog.youkuaiyun.com/binglingzy666/article/details/70243519</link><guid>https://blog.youkuaiyun.com/binglingzy666/article/details/70243519</guid><author>binglingzy666</author><pubDate>Wed, 19 Apr 2017 17:58:35 +0800</pubDate><description><![CDATA[几种基本的数字正则表达式[转]

只能输入1个数字
 
表达式  ^\d$  
描述  匹配一个数字  
匹配的例子  0,1,2,3  
不匹配的例子   
只能输入n个数字
  
表达式  ^\d{n}$ 例如^\d{8}$  
描述  匹配8个数字  
匹配的例子  12345678,22223334,12344321  
不匹配的例子   

只能输入至少n个]]></description><category></category></item><item><title><![CDATA[Pyhton 编辑错误]]></title><link>https://blog.youkuaiyun.com/binglingzy666/article/details/70242789</link><guid>https://blog.youkuaiyun.com/binglingzy666/article/details/70242789</guid><author>binglingzy666</author><pubDate>Wed, 19 Apr 2017 17:04:09 +0800</pubDate><description><![CDATA[一、问题： 

         TabError: Inconsistent use of tabs and spaces in indentation




解决方法：

把Tab都换成空格  

转载：http://www.th7.cn/Program/c/201508/521552.shtml]]></description><category></category></item><item><title><![CDATA[Python数据分析几个比较常用的方法]]></title><link>https://blog.youkuaiyun.com/binglingzy666/article/details/70226087</link><guid>https://blog.youkuaiyun.com/binglingzy666/article/details/70226087</guid><author>binglingzy666</author><pubDate>Tue, 18 Apr 2017 11:11:10 +0800</pubDate><description><![CDATA[原文地址：http://blog.sina.com.cn/s/blog_be2f16060102vkaw.html
1，表头或是excel的索引如果是中文的话，输出会出错​​
解决方法：
python的版本问题！换成python3就自动解决。


2，如果有很多列，如何输出指定的列？
需求情况：有的时候，数据很多，但是只要仅仅对部分列的数据进行分析的话，要怎么做？
解决方法：
d]]></description><category></category></item><item><title><![CDATA[python：pandas模块中的DataFrame结构及常用操作]]></title><link>https://blog.youkuaiyun.com/binglingzy666/article/details/70225865</link><guid>https://blog.youkuaiyun.com/binglingzy666/article/details/70225865</guid><author>binglingzy666</author><pubDate>Tue, 18 Apr 2017 10:56:58 +0800</pubDate><description><![CDATA[转载：http://blog.youkuaiyun.com/u014607457/article/details/51290582

1. 介绍

DataFrame unifies two or more Series into a single data structure.Each Series then represents a named column of the DataFrame, a]]></description><category></category></item><item><title><![CDATA[python：strip()、rstrip()、lstrip()]]></title><link>https://blog.youkuaiyun.com/binglingzy666/article/details/70225509</link><guid>https://blog.youkuaiyun.com/binglingzy666/article/details/70225509</guid><author>binglingzy666</author><pubDate>Tue, 18 Apr 2017 10:33:36 +0800</pubDate><description><![CDATA[转载自：http://www.cnblogs.com/starof/p/4651288.html





Python中strip用于去除字符串的首位字符，同理，lstrip用于去除左边的字符，rstrip用于去除右边的字符。

这三个参数都可以传入一个参数，指定要去除的首尾字符。

需要注意的是，传入的是一个字符数组，编译器去除两端所有匹配的字符，直到没有匹配的字符，比如：]]></description><category></category></item><item><title><![CDATA[Python scikit-learn机器学习工具包学习笔记：cross_validation模块]]></title><link>https://blog.youkuaiyun.com/binglingzy666/article/details/70214032</link><guid>https://blog.youkuaiyun.com/binglingzy666/article/details/70214032</guid><author>binglingzy666</author><pubDate>Mon, 17 Apr 2017 17:38:57 +0800</pubDate><description><![CDATA[转载地址：http://blog.sina.com.cn/s/blog_6a90ae320101a5rc.html


sklearn.cross_validation模块的作用顾名思义就是做cross validation的。


cross validation大概的意思是：对于原始数据我们要将其一部分分为train
 data，一部分分为test data。train data]]></description><category></category></item></channel></rss>