js010111的博客

StratifiedShuffleSplit()实现分层抽样交叉验证1. K-折交叉验证法交叉验证通常采用K-折交叉验证法–将训练数据拆分成K份，用其中K-1份进行训练，剩下的一份进行预测，从而检测模型的数据泛化能力。使用cross_val_score可以实现交叉验证，但在某些场景下，为了解决不同类别的样本间数量差异较大的问题，可以引入sklearn.model_selection下的StratifiedShuffleSplit类进行分层抽样验证和测试数据的分割，从而提高模型的说服力。2. St

Pandas时序数据前言在数据分析中，时序数据是一类非常重要的数据。事物的发展总是伴随着时间的推移，数据也会在各个时间点上产生。一、python中的时间表示-datetime模块​ Python的标准库datetime支持创建和处理时间，Pandas的时间时序模块是在datetime的基础上建立的。换取当前时间import datetimenow = datetime.datetime.now() # 2022-03-06 18:43:49.506048其中now的全貌如下，

A*算法及迪杰斯特拉算法求解最短路径问题一、题目最短路径问题：求各节点到Bucharest的最小距离。二、数据表示在表示图的数据结构中，需要涵盖节点的相连关系和相连节点间的距离，以下为python数据结构表示记录图中的全部节点，用于循环遍历：vertex_list_ = ['Oradea', 'Zerind', 'Arad', 'Sibiu', 'Fagaras', 'Timisoara', 'Rimnicu Vilcea', 'Lugoj', 'Mechadia', 'Pitesti',

一、AHPA为对比矩阵def AHP(A) -> np.array: # 平均随机一致性指标。 RI_dict = {1: 0, 2: 0, 3: 0.58, 4: 0.90, 5: 1.12, 6: 1.24, 7: 1.32, 8: 1.41, 9: 1.45, 10: 1.49} n = len(A) for i in range(1, n): for k in range(i): A[i][k] = 1 / A[k][

**导言：**回归（Regression）模型属于经典的统计学模型，该模型的应用场景是根据已知的变量（自变量）来预测某个连续的数值变量（因变量）。站在数据挖掘的角度看待线性回归模型，它属于一种有监督的学习算法，即在建模过程中必须同时具备自变量x和因变量y。站在机器学习的角度看待线性回归模型，它与分簇、分类和标注任务不同，回归任务预测的不是有限的离散的标签值，而是无限的连续值。在这篇文章中，讨论使用Python的sklearn、statsmodels模块实现一元线性回归、多元线性回归和非线性回归。一、