ikhui7的博客

地震是一种自然灾害，会造成重大损失和人员伤亡。准确预测地震对于开发预警系统、灾害规划、风险评估和科学研究至关重要。该数据为美国加利福尼亚州的历史数据，可用于预测该地区发生地震的震级和概率。The Statistics Online Computational Resource (SOCR) 地震数据集包含有关美国加利福尼亚州发生的 3.0 级或更大地震的信息。

使用了 speedtest 库来测试网络的下载速度上传速度和 ping 延迟。注意，这里需要先卸载speedtest，再安装speedtest-cli。

使用psutil库来获取笔记本电脑电池的状态信息，并输出电池的百分比、电源插入状态以及电池剩余时间。首先安装psutil库。

假如我们需要提取下图中的颜色，可以通过使用 K-means 聚类算法对图像进行颜色聚类分析，并生成一个基于聚类中心(即最具代表性的颜色)的RGB值和调色板。

分级着色地图常用于可视化地理数据，比如人口密度、经济数据、气候变化等。其原理是使用颜色或阴影的渐变来表示不同区域(如国家、省份、城市等)中的数据差异。例如，地图上的每个区域根据其代表的数值被着色，通常数值越大，颜色越深。

System.TypeInitializationException:""Delegates"的类型初始值设定项引发异常。**原因：**由于Anconda没有设置环境变量，导致无法识别到路径下的python文件。出现问题是找不到“python310.dll”，但是我明明设置了。完成后即可正常使用C#调用python代码。

Jupyter Notebook 是一个基于 Web 的交互式计算环境，主要功能是将代码、文本、数学方程式、可视化和其他相关元素组合在一起，用于数据分析、机器学习、科学计算和数据可视化等方面。支持多种编程语言，如 Python、R、Julia 等。Jupyter Notebook的交互式界面使用户能够以增量和可视化的方式构建和执行代码，同时支持 Markdown 格式的文本和 LaTeX 数学符号。

RunModel 既可以用作转换实用程序（将 UQpy 中的信息转换为软件输入），也可以用作计算分析的驱动程序（它将执行代码，并在必要时重复执行，就像在蒙特卡洛分析中一样）。该代码被组织为一组以不确定性量化（UQ）的核心功能为中心的模块，如下所示。StochasticProcess: StochasticProcess 模块包含一组用于模拟（合成生成）随机过程和随机场的类。Inference (Coming soon): 推理模块包含一组用于模型选择（贝叶斯和信息理论）和贝叶斯参数估计的类。

代理模型工具箱 (surrogate modeling toolbox, SMT) 是一个基于Python开发的第三方包，其中包含代理模型方法、采样技术和基准测试函数。SMT | 代理模型Python工具包推荐Kriging (KRG)：经典的高斯过程回归。KPLS and KPLSK： 使用PLS降维来处理高维训练数据的KRG变体。GPX：是使用 Rust 重新实现的 KRG 和 KPLS，以实现更快的训练/预测操作。GEKPLS：利用衍生品训练数据来提高替代模型质量。

用于分析、设计优化和探索的克里金法 (Kriging for Analysis, Design optimization, And expLoration, KADAL) 是由万隆理工学院 (Institut Teknologi Bandung, ITB) 的流动诊断研究小组（Flow Diagnostics Research Group）[1]开发的 Python 程序，其中包含贝叶斯优化工具集合，包括各种代理模型方法、采样技术和优化方法。目前，该程序正在开发中，尚未在 Pypi 上提供。Kriging。

Burgers方程产生于应用数学的各个领域，包括流体力学、非线性声学、气体动力学和交通流。它是一个基本的偏微分方程，可以通过删除压力梯度项从速度场的Navier-Stokes方程导出。对于黏度系数较小的情况()，Burgers方程会导致经典数值方法难以解决的激波形成。

在数值分析中，龙格-库塔法（Runge-Kutta methods）是用于非线性常微分方程的解的重要的一类隐式或显式迭代法。这些技术由数学家卡尔·龙格和马丁·威尔海姆·库塔于1900年左右发明。龙格-库塔(Runge-Kutta)方法是一种在工程上应用广泛的高精度单步算法，其中包括著名的欧拉法，用于数值求解微分方程。由于此算法精度高，采取措施对误差进行抑制，所以其实现原理也较复杂。在各种龙格-库塔法当中有一个方法十分常用，以至于经常被称为“RK4”或者就是“龙格－库塔法”。

代理模型工具箱 (surrogate modeling toolbox, SMT) 是一个基于Python开发的第三方包，其中包含代理模型方法、采样技术和基准测试函数。SMT使用自定义工具来记录，用于嵌入自动测试的代码和动态生成的图表，从而以贡献者最少的努力生成高质量的用户指南。SMT与现有的代理模型库不同，它强调导数，包括用于梯度增强建模的训练导数、预测导数和相对于训练数据的导数。有关如何使用 SMT的示例，您可关注微信公众号"UQLearner"，后期将逐步更新SMT使用教程，或查看。

在系统建模中很有用，可以计算模型输入或外生因素对感兴趣的输出的影响。SALib是常用灵敏度分析方法的Python实现，包括。

Kriging是一种基于高斯过程建模的代理模型，也称为高斯过程回归，是一种用于空间插值和预测的统计方法。最早由丹尼斯·克里金在地质学中提出，通过已知数据点来预测未知点的值，适用于具有空间相关性的情况。Kriging用于回归问题，具体原理的解释可参考SMT工具箱[1]或在微信公众号、优快云和B站等网站检索学习。笔者认为，对于代理模型/机器学习算法理论的学习应配合具体案例代码。因此，本文将通过一个钢筋混凝土梁长期挠度预测实验数据集，使用python来展示Kriging的回归建模效果。

支持向量回归(SVR, Support Vector Regression)是一种监督学习算法，用于预测离散值，背后的基本思想是找到最佳拟合线，即点数最多的超平面。SVR的主要优点之一是计算复杂度不依赖于输入变量的维数，此外，它还具有出色的泛化能力，具有很高的预测精度。SVR用于回归问题，具体原理的解释可下载原文或在微信公众号、优快云和B站等网站检索学习。笔者认为，对于代理模型/机器学习算法理论的学习应配合具体案例代码。

LightGBM (Light Gradient Boosting Machine)是微软[1]于2017年首次发布的一种基于决策树的梯度增强方法，是另一种梯度增强方法。与其他boosting方法的关键区别在于它是基于叶子进行树的分裂，即它可以通过关键点位检测和停计算（其他boosting算法是基于深度或基于级别的）,如下图所示。但是它不支持字符串类型的数据，需要使用特殊算法拆分分类数据，因为必须输入整数值（例如索引）而不是列的字符串名称。

XGBoost(eXtreme Gradient Boosting)[1]是经过优化的分布式梯度提升库，旨在高效、灵活且可移植，是Boosting算法的其中一种，其思想是将许多弱分类器集成在一起，形成一个强分类器。它可以很好地解决工业界大规模数据的问题。XGBoost可用于分类和回归问题，具体原理的解释可下载原文或在微信公众号、优快云和B站等网站检索学习。笔者认为，对于机器学习/深度学习算法理论的学习应配合具体案例代码。

该文详细说明了在指定路径下创建Python工作虚拟环境

本文总结了使用matplotlib绘制多个图片分格显示绘制方法，图中图（即：局部放大图）绘制方法以及次坐标轴绘制方法。多图合并绘制1. Subplot多图合一显示2. 图中图3. 次坐标轴1. Subplot多图合一显示## method 1：subplotplt.figure()plt.subplot(2,2,1)plt.plot([0,1],[0,1])plt.subplot(2,2,2)plt.plot([0,1],[0,2])plt.subplot(2,2,3)plt.plo

转换代码如下：import syssys.getdefaultencoding()import pickleimport numpy as npnp.set_printoptions(threshold=1000000000000000)path = 'F:/Python_File/beam/MCS_results_006.pkl'file = open(path,'rb')inf = pickle.load(file,encoding='iso-8859-1') #读取pkl文

1、定义一维数组import numpy as npmy_array = np.array([1,2,2,3,4])print (my_array)========================================================================[1 2 2 3 4]

文章目录1、Python数据类型2、Python内置函数3、程序控制结构4、文件操作5、函数6、Python计算生态1、Python数据类型2、Python内置函数3、程序控制结构4、文件操作5、函数6、Python计算生态...

1、元组类型转换成字符串时，字符串中默认包含一个空格字符。>>> a = divmod(10, 3)>>> a(3, 1)>>> type(a)<class 'tuple'>>>> len(a) # 元组数据a的长度是22>>> b = str(a) # 将...

字典类型字典类型理论及应用实例一、字典类型理论二、字典类型应用实例一、字典类型理论1、使用大括号（{}）建立，每一个元素是一个键值对，使用方法如下：{<键1>:<值1>, <键2>:<值2>, ... ,<键n>:<值n>}可以简单地把字典看成元素是键值对的集合。字典的索引<值> = <字典变量...

1、sorted(iterable[, key][, reverse])从Iterable中的项返回新的排序列表。有两个指定关键字的可选参数：[, key]、[, reverse]。key指定一个参数的函数，该函数用于从每个列表元素中提取比较key：key=str.lower。默认值为None(直接比较元素)。reverse是一个布尔值。如果设置为True，则列表元素将进行排序，就好像每个...

当我们使用pip安装第三方库时，出现Read Time Out的问题，无法正常安装。可以使用pipy国内镜像来安装第三方库，速度非常快。使用方法：> pip3 install --index-url https://pypi.douban.com/simple wordcloud一些可用的pipy 国内镜像有：豆瓣 ：http://pypi.douban.com/华中理工大学 ...

Python程序练习题第一章第一章1、Hello World>>> print("Hello World")Hello World2、斐波那契数列的计算# CalFibonacci.pa, b = 0, 1while a < 1000 : # 输出不大于1000的序列 print(a, end = ',') a, b...

Python学习笔记第1章 程序设计基本方法Python是一种解释类型的编程语言；Python语言通过缩进来体现语句之间的逻辑关系；Python解释器在语法上不支持自然语言编写方式；IPO模式（Input，Process，Output）输入（Input） ：文件输入、网络输入、控制台输入、交互界面输入、随机数据输入、内部参数输入等输出（Output） ：控制台输出、图...