<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[icodeblocks的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/icodeblocks</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; icodeblocks]]></copyright><item><title><![CDATA[安装python的虚拟环境]]></title><link>https://blog.youkuaiyun.com/icodeblocks/article/details/114380338</link><guid>https://blog.youkuaiyun.com/icodeblocks/article/details/114380338</guid><author>icodeblocks</author><pubDate>Thu, 04 Mar 2021 23:06:21 +0800</pubDate><description><![CDATA[使用virtualenv安装python的虚拟环境

下载需要版本的python执行器
安装virtualenv， 使用pip3 install virtualenv -i https:/pypi.douban.com/simple/
直接在命令行输入D:跳转到D盘根目录下；然后使用cd 文件夹名称，跳转到对应的文件夹。
使用virtualenv 虚拟环境名 --python= python path 创建指定的版本的python虚拟环境
激活虚拟环境，跳转到对应的虚拟环境文件夹下，cd Scripts，然]]></description><category></category></item><item><title><![CDATA[线性回归模型的公式推导]]></title><link>https://blog.youkuaiyun.com/icodeblocks/article/details/109993553</link><guid>https://blog.youkuaiyun.com/icodeblocks/article/details/109993553</guid><author>icodeblocks</author><pubDate>Mon, 23 Nov 2020 13:30:36 +0800</pubDate><description><![CDATA[线性回归模型的公式推导
y = θ0+θ1x1+θ2x2+θ3x3+...+θmxm\theta_0 +\theta_1 x_1+\theta_2 x_2+\theta_3 x_3+...+\theta_m x_mθ0​+θ1​x1​+θ2​x2​+θ3​x3​+...+θm​xm​
因为现在需要有n个样本，每个样本有m个特征，为了将常数项加如矩阵，加入一列特征，所以有n行m+1列，矩阵大小为n*(m+1)
为了将常数项θ0\theta_0θ0​包括进参数θ\thetaθ的矩阵中，我们需要将θ\thetaθ]]></description><category></category></item><item><title><![CDATA[数据分箱]]></title><link>https://blog.youkuaiyun.com/icodeblocks/article/details/109907171</link><guid>https://blog.youkuaiyun.com/icodeblocks/article/details/109907171</guid><author>icodeblocks</author><pubDate>Sat, 21 Nov 2020 20:25:11 +0800</pubDate><description><![CDATA[数据分箱
##为什么需要将连续数据做分箱？（为什么要对连续特征做离散化处理）

离散特征的增加与减少都很容易，易于模型的快速迭代，（就是说增加一个或几个离散特征，模型在原先的基础上训练，相对于连续特征，时间花费比较少）
稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展
逻辑回归属于广义线性模型，表达能力受限；单变量散化为N个后，每个变量有单独的权重，相当于为模型引入了非线性，能够提升模型表达能力，加大拟合。
离散化的特征对异常数据有很强的鲁棒性，比如：一个特征是年龄&gt;30是1，否则是0,。如果特]]></description><category></category></item><item><title><![CDATA[k-means]]></title><link>https://blog.youkuaiyun.com/icodeblocks/article/details/109855670</link><guid>https://blog.youkuaiyun.com/icodeblocks/article/details/109855670</guid><author>icodeblocks</author><pubDate>Fri, 20 Nov 2020 17:28:23 +0800</pubDate><description><![CDATA[k-means
   聚类算法是在不知道数据标签的情况下将相似的数据分为一类。K-means是一个经典的聚类算法，在实践中往往得到不错的效果。
K-means的算法流程：

选择K个中心点，计算样本中每个点与这K个点的距离。
比较样本点离那个中心点最近的，并将该样本点划分到离样本点最近的类别中。
根据第2步将每个样本分为K个簇，求每个簇的中心点，将其作为新的中心点。
重复的执行1到3步，直到簇的中心变化小于规定值，或者达到预定的迭代次数，或者MSE小于预定值。

​        算法的可视化如图：
算法的]]></description><category></category></item><item><title><![CDATA[FM模型]]></title><link>https://blog.youkuaiyun.com/icodeblocks/article/details/109815082</link><guid>https://blog.youkuaiyun.com/icodeblocks/article/details/109815082</guid><author>icodeblocks</author><pubDate>Thu, 19 Nov 2020 16:03:16 +0800</pubDate><description><![CDATA[  FM（Factorization Machines，因子分解机）,它是一种通用的预测方法，在即使数据非常稀疏的情况下，依然能估计出可靠的参数进行预测。与传统的简单线性模型不同的是，因子分解机考虑了特征间的交叉，对所有嵌套变量交互进行建模（类似于SVM中的核函数），因此在推荐系统和计算广告领域关注的点击率CTR（click-through rate）和转化率CVR（conversion rate）两项指标上有着良好的表现。此外，FM的模型还具有可以用线性时间来计算，以及能够与许多先进的协同过滤方法（如Bi]]></description><category></category></item><item><title><![CDATA[逻辑回归的损失函数与损失函数的梯度公式推导]]></title><link>https://blog.youkuaiyun.com/icodeblocks/article/details/109757086</link><guid>https://blog.youkuaiyun.com/icodeblocks/article/details/109757086</guid><author>icodeblocks</author><pubDate>Tue, 17 Nov 2020 22:52:05 +0800</pubDate><description><![CDATA[逻辑回归的损失函数
逻辑回归的函数为
f(x)=11+e−θTxf(x) = \cfrac{1} {1+e^{-\theta^T x }}f(x)=1+e−θTx1​
公式满足分布函数的性质
(1)非负有界性 0&lt;=F(x)&lt;=10&lt;= F(x) &lt;=10&lt;=F(x)&lt;=1 (2)单调连续性  (3)右连续性 F(x0+)=F(x)F(x_0^+) = F(x)F(x0+​)=F(x)
所以可以认为是随机变量x的分布函数，即为F(x)=P(x)F(x) = P(x)F(x]]></description><category></category></item><item><title><![CDATA[Adaboost模型公式的参数推导]]></title><link>https://blog.youkuaiyun.com/icodeblocks/article/details/109756475</link><guid>https://blog.youkuaiyun.com/icodeblocks/article/details/109756475</guid><author>icodeblocks</author><pubDate>Tue, 17 Nov 2020 22:29:41 +0800</pubDate><description><![CDATA[假设最后根据各个基模型Gi(x)i∈[1,m]G_i(x) {i\in[1,m]}Gi​(x)i∈[1,m],各个基模型重要程度为αi\alpha_iαi​加权得到的模型为fm(x)f_m(x)fm​(x),其中y∈{−1,1}y\in{\{-1,1\}}y∈{−1,1}
fm(x)=∑i=1mαiGi(x) f_m(x) = \sum_{i = 1}^{m}\alpha_{i} G_i(x) fm​(x)=i=1∑m​αi​Gi​(x)
fm(x)=∑i=1m−1αiGi(x)+αmGm(x) f_m(x]]></description><category></category></item><item><title><![CDATA[sigmoid函数和tanh函数和relu函数和leaky_relu函数]]></title><link>https://blog.youkuaiyun.com/icodeblocks/article/details/109756151</link><guid>https://blog.youkuaiyun.com/icodeblocks/article/details/109756151</guid><author>icodeblocks</author><pubDate>Tue, 17 Nov 2020 22:19:54 +0800</pubDate><description><![CDATA[sigmoid函数，tanh函数，relu函数，leaky_relu函数原理与实现
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

def sigmoid(x):
    return np.exp(x)/sum(np.exp(x))

def tanh(x):
    return (np.exp(x) - np.exp(-x))/(np.exp(x) + np.exp(-x))

def relu(x):
 ]]></description><category></category></item><item><title><![CDATA[逻辑回归的损失函数与损失函数的梯度公式推导]]></title><link>https://blog.youkuaiyun.com/icodeblocks/article/details/109723325</link><guid>https://blog.youkuaiyun.com/icodeblocks/article/details/109723325</guid><author>icodeblocks</author><pubDate>Mon, 16 Nov 2020 16:18:13 +0800</pubDate><description><![CDATA[逻辑回归的损失函数
  逻辑回归的函数为
f(x)=11+e−θTxf(x) = \cfrac{1} {1+e^{-\theta^T x }}f(x)=1+e−θTx1​
  公式满足分布函数的性质
(1)非负有界性 0&lt;=F(x)&lt;=10&lt;= F(x) &lt;=10&lt;=F(x)&lt;=1 (2)单调连续性  (3)右连续性 F(x0+)=F(x)F(x_0^+) = F(x)F(x0+​)=F(x)
所以可以认为是随机变量x的分布函数，即为F(x)=P(x)F(x) = P(x]]></description><category></category></item><item><title><![CDATA[决策树2]]></title><link>https://blog.youkuaiyun.com/icodeblocks/article/details/109089656</link><guid>https://blog.youkuaiyun.com/icodeblocks/article/details/109089656</guid><author>icodeblocks</author><pubDate>Thu, 15 Oct 2020 08:33:41 +0800</pubDate><description><![CDATA[决策树2
  决策树如果一直分类下去，可以直到熵为0或者基尼指数为0。但数据存在噪声，如果把每一个点都分类正确，模型的泛华能力就不够，此时的模型分类效果好就仅仅是一种巧合。对于这种情况，决策树模型一般的处理方法就是将决策树模型进行剪枝操作。
  剪纸操作分为两种，一种是前剪枝，一种是后剪枝。
  前剪枝：在生成决策树的过程中剪枝。在决策树完全分类完成前就进行剪枝操作。这种剪枝一般通过调整

决策树的深度，
节点中最少多少了样本点就不在分裂，
计算每次分裂的准确率，当准确率的提升小于某个阀值时就停止分裂。

]]></description><category></category></item><item><title><![CDATA[决策树]]></title><link>https://blog.youkuaiyun.com/icodeblocks/article/details/109065668</link><guid>https://blog.youkuaiyun.com/icodeblocks/article/details/109065668</guid><author>icodeblocks</author><pubDate>Wed, 14 Oct 2020 09:26:39 +0800</pubDate><description><![CDATA[决策树1
​        在介绍决策树之前，我们需要先学习生成决策树中必不可上的一环—信息熵。
​         熵表示的是混乱的程度，对应在分类问题上可以看做集合中标签不确定的程度。对一个标签的集合，其中个标签的比例相当，没有哪一个标签的比例太高或太低，这样确定某一个标签的种类就越难。或者说这个集合中标签的纯度。
​         为了表示这种不确定的程度，我们引入信息熵的概念。
​         设X是一个取有限个值的离散随机变量，其概率分布为：
​         P(X=xi)=pi,i=1]]></description><category></category></item><item><title><![CDATA[机器学习模型的评估方法]]></title><link>https://blog.youkuaiyun.com/icodeblocks/article/details/109039208</link><guid>https://blog.youkuaiyun.com/icodeblocks/article/details/109039208</guid><author>icodeblocks</author><pubDate>Mon, 12 Oct 2020 23:18:55 +0800</pubDate><description><![CDATA[机器学习分类模型的评估方法
机器学习模型简单分为回归模型与分类模型，回归模型与分类模型的预测类型一个是连续的变量，一个是离散的变量。这使得评估的方法各有不同。
对于分类模型判断一个西瓜是不是成熟的，按照机器学习的方法我们需要采集关于西瓜的一系列数据，这些数据比如西瓜的颜色，大小等特征还有每个西瓜是否成熟的标签，然后选择模型，将数据划分为测试集与训练集，利用测试集训练模型。这个时候我们已经得到了一个根据西瓜的颜色、大小等特征预测西瓜是否成熟的模型了。
为了测试模型的质量，我们将测试集的特征数据输入模型得到一系]]></description><category></category></item><item><title><![CDATA[操作系统进程]]></title><link>https://blog.youkuaiyun.com/icodeblocks/article/details/108766007</link><guid>https://blog.youkuaiyun.com/icodeblocks/article/details/108766007</guid><author>icodeblocks</author><pubDate>Thu, 24 Sep 2020 08:31:40 +0800</pubDate><description><![CDATA[程序：就是一个指令序列
早期的计算机（只支持单道程序）
程序的代码存在程序段（低地址段），产生的数据存放在数据段。
多道程序技术：
操作 系统在每个运行的程序配置一个数据结构，称为PCB。
PCB、程序段、数据段三段构成进程实体（进程印像）
一般我们可以把进程实体就简称为进程
例如：所谓创建进程，实质上是创建进程实体中的PCB，而撤销 进程，实质就是撤销进程实体中的PCB。注意：PCB是进程存在的唯一标志！
从不同的角度，进程可以有不同的定义，比较传统和典型的定义有：


 1.进程是程序的一次执行过程

]]></description><category></category></item><item><title><![CDATA[图解算法读书笔记第五章]]></title><link>https://blog.youkuaiyun.com/icodeblocks/article/details/108740418</link><guid>https://blog.youkuaiyun.com/icodeblocks/article/details/108740418</guid><author>icodeblocks</author><pubDate>Tue, 22 Sep 2020 20:30:44 +0800</pubDate><description><![CDATA[图解算法读书笔记第五章
对于一个随机列表，我们的查找操作需要一个一个的排查，算法的复杂度是OOO(nnn)，随着列表程度的增加，所用的时间也是线性增加的。
但对于一个有顺序的列表，我们可以使用二分查找去做，这样的算法复杂度为OOO(lognlognlogn)，相比较而言，时间的减少了很多。
对于这一点，我们需要有一个函数能将输入的值做某种映射，将一个输入的任意的值转化为一个唯一确定的标识，这样就可以使用有序数列的二分查找去做处理了。
散列函数正好可以实现这样的功能，不论你输入什么，它都可以给你返回一个数字，]]></description><category></category></item><item><title><![CDATA[python基础语法]]></title><link>https://blog.youkuaiyun.com/icodeblocks/article/details/107526007</link><guid>https://blog.youkuaiyun.com/icodeblocks/article/details/107526007</guid><author>icodeblocks</author><pubDate>Wed, 22 Jul 2020 23:22:25 +0800</pubDate><description><![CDATA[#python基础语法
##1.变量的类型
数字
####整数
浮点数
##2.运算符
数值运算加减乘除
​	加 +
减 -
乘 x
除 /
逻辑运算：
​	与 and
或 or
取反 ~
异或 ^
其中除了一般的已知点
and的运算技巧：
a and b 如果a成立，则表达式的值是b;
如果a不成立，那么该表达式不会计算b，直接为0
​	a or b 如果a成立，则不会计算b的值，表达式的值直接为1;
如果a不成立，那么该表达式的值为b;
​	异或运算较为少见，但记住不同为1，相同为0。
取余和取整操作：]]></description><category></category></item><item><title><![CDATA[图解算法读书笔记第四章]]></title><link>https://blog.youkuaiyun.com/icodeblocks/article/details/106767348</link><guid>https://blog.youkuaiyun.com/icodeblocks/article/details/106767348</guid><author>icodeblocks</author><pubDate>Mon, 15 Jun 2020 17:26:56 +0800</pubDate><description><![CDATA[快速排序
分而治之（divide and conquer,D&amp;C）-一种著名的递归式问题解决方法
快速排序的思路就是这样的一种思路。
对5,4,7,9,10,1,2，8，6使用快速排序
快速排序需要选择一个中间值。然后将大于中间值放一边，小于中间值放另外一边。
知道在排序的最长的一侧子序列为2个为止。
例如选择第一个元素5为中间值，则排列后的为4，1，2，|5|，7,9,10,8,6（快速排序具有保序性，原有排列顺序不变）
继续选子序列的第一个元素为子序列中间值，则排列后为1,2，|4|，5,6，|]]></description><category></category></item><item><title><![CDATA[图解算法读书笔记第三章]]></title><link>https://blog.youkuaiyun.com/icodeblocks/article/details/106767284</link><guid>https://blog.youkuaiyun.com/icodeblocks/article/details/106767284</guid><author>icodeblocks</author><pubDate>Mon, 15 Jun 2020 17:25:24 +0800</pubDate><description><![CDATA[算法图解
##1.递归算法的理解
递归在该书上面的例子是一个层层嵌套的盒子，但在其中的一层盒子里面有钥匙。
为了找到钥匙，你需要一层一层的拆盒子。基本的做法是这样：如果打开上一层的盒子看到的还是盒子，那就打开这个盒子。如果开到的是钥匙，那就不用再拆盒子了。
上面的这个过程可以总结成两个条件：
1.基线条件：如果打开盒子看到钥匙，那么过程结束，问题解决
2.递归条件：如果打开盒子没有看到钥匙，而是看到盒子，那么就打开盒子
在递归条件下，我们不断的减小问题的规模，直到找到钥匙。
计算机对应的算法结构
在计算机中]]></description><category></category></item><item><title><![CDATA[看到这个加法求和，我自闭了]]></title><link>https://blog.youkuaiyun.com/icodeblocks/article/details/106767197</link><guid>https://blog.youkuaiyun.com/icodeblocks/article/details/106767197</guid><author>icodeblocks</author><pubDate>Mon, 15 Jun 2020 17:23:39 +0800</pubDate><description><![CDATA[#关于加法求和：
###现在有一个题的条件极为苛刻。要求用python编程做到1到100的求和，但不能使用if,for,while,else等关键字与条件判断语句，同时不能使用乘除法
看到这道题。我首先想到了以前学的递归，所以是优先考虑的递归的写法
根据递归的需要满足的两个条件：
1.基线条件（什么条件下终止递归），当n&lt;=0时，递归必须终止到0
2.递归条件（什么条件下需要递归），当n&gt;0时，summery(n)=n+summery(n-1)
所以可以得到下面的程序
def summery(n]]></description><category></category></item><item><title><![CDATA[图解算法读书笔记1-2章]]></title><link>https://blog.youkuaiyun.com/icodeblocks/article/details/106608589</link><guid>https://blog.youkuaiyun.com/icodeblocks/article/details/106608589</guid><author>icodeblocks</author><pubDate>Sun, 07 Jun 2020 22:13:56 +0800</pubDate><description><![CDATA[图解算法读书笔记
1.一些常见的大O运行时间

O（log n）也叫对数时间，这样的算法包括二分查找
O（n）也叫线性时间，这样的算法包括简单查找
O（n*log n）也叫对数时间，这样的算法包括快速排序，较快
O（n²）也叫对数时间，这样的算法包括选择排序，较慢
O（n!）非常慢

算法的速度指的并非是时间，而是操作数的增速
讨论算法的速度时，我们说的是随着输入的增加，其运行时间将以什么样的速度增加
##2.链表与数组
数组在内存中的空间是连续的。
就是像是一个一个横向紧邻有标号的格子。
好处是：读取第n]]></description><category></category></item><item><title><![CDATA[再画三角形]]></title><link>https://blog.youkuaiyun.com/icodeblocks/article/details/106506881</link><guid>https://blog.youkuaiyun.com/icodeblocks/article/details/106506881</guid><author>icodeblocks</author><pubDate>Tue, 02 Jun 2020 22:37:40 +0800</pubDate><description><![CDATA[上一节利用线性规划的知识画了三角形。
这次依然需要画三角形

picture 1
根据上一节的结论可以发现，同样建立坐标系，可以得到的边界方程为
f(x)={x+y−6=0x−y+4=0 f(x)=\left\{
\begin{aligned}
x +y-6 = 0 \\
x-y+4 = 0 \\
\end{aligned}
\right.
f(x)={x+y−6=0x−y+4=0​
对应的区域为
f(x)={x+y−6&gt;=0x−y+4&gt;=0 f(x)=\left\{
\begin{aligne]]></description><category></category></item></channel></rss>