<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[karmacode的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/karmacode</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; karmacode]]></copyright><item><title><![CDATA[RASA踩坑系列-交互式学习出现Error : This event loop is already running]]></title><link>https://blog.youkuaiyun.com/karmacode/article/details/108334997</link><guid>https://blog.youkuaiyun.com/karmacode/article/details/108334997</guid><author>karmacode</author><pubDate>Tue, 01 Sep 2020 10:03:22 +0800</pubDate><description><![CDATA[学习RASA Core中的交互式学习
执行命令
python -m rasa interactive -m models/20200828-110015.tar.gz --endpoints configs/endpoints.yml --config configs/zh_jieba_supervised_embeddings_config.yml 

出现
Error : This event loop is already running

错误

解决方案
将questionary版本降低到1.4.]]></description><category></category></item><item><title><![CDATA[Ubuntu修改apt镜像源+安装GCC]]></title><link>https://blog.youkuaiyun.com/karmacode/article/details/104902656</link><guid>https://blog.youkuaiyun.com/karmacode/article/details/104902656</guid><author>karmacode</author><pubDate>Mon, 16 Mar 2020 16:55:56 +0800</pubDate><description><![CDATA[Ubuntu 18.04修改apt镜像源
官方镜像源实在慢的可怜，，，只怪国内墙太高，挂梯子都过不去了
遂直接换个镜像源吧

找到 sources.list文件
先备份一下，免得改崩

sudo cp /etc/apt/sources.list /etc/apt/sources.list.bak


修改可读权限

chmod 777 /etc/apt/sources.list


修改文件内容
...]]></description><category></category></item><item><title><![CDATA[XGBoost相关常见面试题]]></title><link>https://blog.youkuaiyun.com/karmacode/article/details/102937885</link><guid>https://blog.youkuaiyun.com/karmacode/article/details/102937885</guid><author>karmacode</author><pubDate>Wed, 06 Nov 2019 16:34:30 +0800</pubDate><description><![CDATA[XGBoost相关常见面试题
1 简单介绍一下XGBoost
首先需要说一说GBDT，它是一种基于boosting增强策略的加法模型，训练的时候采用前向分布算法进行贪婪学习，每次迭代都学习一棵CART树来拟合之前t-1棵树的预测结果与训练样本真实值的残差。
XGBoost对GBDT进行了一系列的优化，比如损失函数进行了二阶泰勒展开，目标函数加入了正则项，支持并行和默认缺失值处理等等，在可扩展性和训...]]></description><category></category></item><item><title><![CDATA[一些常用的机器学习算法]]></title><link>https://blog.youkuaiyun.com/karmacode/article/details/102937830</link><guid>https://blog.youkuaiyun.com/karmacode/article/details/102937830</guid><author>karmacode</author><pubDate>Wed, 06 Nov 2019 16:33:20 +0800</pubDate><description><![CDATA[一些常用的机器学习算法
逻辑回归
逻辑回归是假设数据服从伯努利分布，通过极大似然估计的方法，运用梯度下降算法作为求解方法求解参数，达到对数据进行二分类或者多分类(softmax多项逻辑回归)目的,本质上还是线性回归，属于广义线性回归，只是在特征的映射中加入了一层逻辑函数g(z)，即先把线性特征求和，然后使用函数g(z)作为假设函数来预测，g(z)可以将连续值映射到0和1 .g(z)就是sigmoi...]]></description><category></category></item><item><title><![CDATA[关于使用Pyinstaller打包生成可执行文件所遇到的问题]]></title><link>https://blog.youkuaiyun.com/karmacode/article/details/90256460</link><guid>https://blog.youkuaiyun.com/karmacode/article/details/90256460</guid><author>karmacode</author><pubDate>Thu, 16 May 2019 09:11:12 +0800</pubDate><description><![CDATA[受老师委托，写一个表格转换word文档的小程序，并打包发布，前期业务实现倒未遇到太多问题，基本上 可以满足需求，只是最后使用Pyinstaller打包生成exe可执行文件的时候遇到了众多问题，下面主要把这次遇到的问题以及踩到的坑记录一下，免得下次继续踩坑
1 使用Pyinstaller打包软件的基本使用方法
安装好pyinstaller就可以在打包的目录下面执行下面命令
pyinstaller o...]]></description><category></category></item><item><title><![CDATA[特征归一化相关问题]]></title><link>https://blog.youkuaiyun.com/karmacode/article/details/88933285</link><guid>https://blog.youkuaiyun.com/karmacode/article/details/88933285</guid><author>karmacode</author><pubDate>Sun, 31 Mar 2019 18:45:30 +0800</pubDate><description><![CDATA[为什么要对数值类型的特征做归一化
常用的归一化方法

线性函数归一化(原始数据线性变换，映射到[0,1]范围，)
Xnorm=X−XminXmax−XminX_{norm} = \frac{X-X_{min}}{X_{max} - X_{min}}Xnorm​=Xmax​−Xmin​X−Xmin​​
X为原始数据，Xmax,XminX_{max},X_{min}Xmax​,Xmin​表示的是最大和...]]></description><category></category></item><item><title><![CDATA[熵，联合熵，条件熵，相对熵，互信息的定义]]></title><link>https://blog.youkuaiyun.com/karmacode/article/details/88879020</link><guid>https://blog.youkuaiyun.com/karmacode/article/details/88879020</guid><author>karmacode</author><pubDate>Fri, 29 Mar 2019 11:36:41 +0800</pubDate><description><![CDATA[预备基础概念

X : 随机变量
x : 随机变量X的具体取值
P(X) : 随机变量X的概率分布
P(X,Y) : 随机变量X,Y的联合概率分布
P(Y|X) : 已知随机变量X的情况下，随机变量Y的条件概率分布
P(X=x) =&gt; p(x) : 随机变量取某个值的概率
P(X=x,Y=y) =&gt; p(x,y)  : 联合概率
P(X=x|Y=y) =&gt;p(y|x) :  条件...]]></description><category></category></item><item><title><![CDATA[Windows 7安装GPU版本tensorflow(CUDA 9.0+cudnn7.4.1)GPU(NVIDIA Quarter K2000)]]></title><link>https://blog.youkuaiyun.com/karmacode/article/details/85055075</link><guid>https://blog.youkuaiyun.com/karmacode/article/details/85055075</guid><author>karmacode</author><pubDate>Mon, 17 Dec 2018 21:13:00 +0800</pubDate><description><![CDATA[由于学习需要，手上有一台图形工作站，GPU是NVIDIA Quarter K2000的，就试着看看装个GPU环境训练
1 安装前准备工作
在官网可以查到自己的GPU是否支持CUDA加速
一般算力在3.0的才可以支持cudnn加速,如果自己的显卡版本没在这上面，还是老老实实使用CPU训练吧(不过一般N卡好像都支持cuda)
2 所需的软件

CUDA Tookit 9.0
cuDNN 7.4.1
注...]]></description><category></category></item><item><title><![CDATA[Windows 7中为anaconda添加python2内核]]></title><link>https://blog.youkuaiyun.com/karmacode/article/details/85013695</link><guid>https://blog.youkuaiyun.com/karmacode/article/details/85013695</guid><author>karmacode</author><pubDate>Sat, 15 Dec 2018 13:50:42 +0800</pubDate><description><![CDATA[
创建Python2的虚拟环境
打开anaconda prompt输入

conda create -n py27 python=2.7


会在anaconda 的 envs目录下创建此目录

安装ipykernel
在  anaconda prompt 里输入命令

conda install --prefix=D:\anaconda\envs\py27 ipykernel


激活Pytho...]]></description><category></category></item><item><title><![CDATA[服务器集群安装matlab2015]]></title><link>https://blog.youkuaiyun.com/karmacode/article/details/83930598</link><guid>https://blog.youkuaiyun.com/karmacode/article/details/83930598</guid><author>karmacode</author><pubDate>Sun, 11 Nov 2018 21:29:20 +0800</pubDate><description><![CDATA[1 安装JDK
安装matlab的前提条件是要将JDK装好，这里主要是为了记录一下matlab的安装的过程，因此，JDK的安装不在多叙
2 安装MATLAB
2.1下载MATLAB镜像
链接：镜像相关资料 密码：gj7e
该文件中没有镜像，吐槽百度网盘不是会员不能上传超过4G以上的文件，真恶心
不过资料中有镜像下载地址，有需要自行下载。
2.2创建所需目录，上传镜像
创建挂载目录 ，可以按照自己需...]]></description><category></category></item><item><title><![CDATA[Parallels Desktop 虚拟机(Red Hat/Centos)配置桥接网络]]></title><link>https://blog.youkuaiyun.com/karmacode/article/details/83717332</link><guid>https://blog.youkuaiyun.com/karmacode/article/details/83717332</guid><author>karmacode</author><pubDate>Sun, 04 Nov 2018 16:46:52 +0800</pubDate><description><![CDATA[最近因为Linux网络管理实验课有些实验的问题，有重新倒腾了一下Linux系统。对望网络配置这一块还是有点问题的。特别是关于桥接网络的设置，pd虚拟机某些方面跟Vmware虚拟机有些不一样，在VMware上配置虚拟系统的桥接网络，只需要两三步，主要是在修改写系统中的网络配置文件中的IP地址，子网掩码，GATE以及DNS服务器域就好了。
虚拟机三种网络模式
1、桥接，相当于虚拟机和主机连接在同一个交...]]></description><category></category></item><item><title><![CDATA[Window7使用虚拟桌面]]></title><link>https://blog.youkuaiyun.com/karmacode/article/details/83661987</link><guid>https://blog.youkuaiyun.com/karmacode/article/details/83661987</guid><author>karmacode</author><pubDate>Fri, 02 Nov 2018 21:42:45 +0800</pubDate><description><![CDATA[Virgo软件，只需要8KB就可以像windows10使用虚拟扩展桌面
软件下载地址Virgo
这款 Virgo 是一款轻量到极致的虚拟桌面软件，这款软件采用 C 语言编写，只有 323 行代码。整个软件大小仅为 8KB，却能实现完善的虚拟桌面功能。
初次打开 Virgo，没有任何提示，也没有菜单和选项，只有一个任务栏的常驻图标显示当前的桌面序号。
在 Virgo 中，最多可以分为 4 个虚拟桌面...]]></description><category></category></item><item><title><![CDATA[国能日新太阳辐射指数预测大赛个人baseline(0.17)]]></title><link>https://blog.youkuaiyun.com/karmacode/article/details/83446966</link><guid>https://blog.youkuaiyun.com/karmacode/article/details/83446966</guid><author>karmacode</author><pubDate>Sat, 27 Oct 2018 15:54:45 +0800</pubDate><description><![CDATA[刚接触这种比赛也没多久，大佬太多，主要是学习大佬的trick吧，拿奖是没想过了。
该baseline是本人自己写的，跟大佬的baseline没法比的。
特征基本上没有做，就清洗了下数据，模型采用的是最简单的线性回归模型。
目前线上成绩 0.17339
提升空间：做特征，换模型，做下融合。用深度学习应该也没问题。
比赛地址
完整代码
import pandas as pd
import numpy ...]]></description><category></category></item><item><title><![CDATA[关于Windows上使用 import keras 错误的问题]]></title><link>https://blog.youkuaiyun.com/karmacode/article/details/83150316</link><guid>https://blog.youkuaiyun.com/karmacode/article/details/83150316</guid><author>karmacode</author><pubDate>Thu, 18 Oct 2018 17:41:30 +0800</pubDate><description><![CDATA[首先安装Keras
Keras中文官方文档
按照这上面的步骤安装就好
其实就是pip install keras
安装完成后 import keras 出现user TensorFlow backend问题

去 D:\anaconda\Lib\site-packages\keras\backend 找到_init_.py文件
修改该文件


之后打开jupyter notebook测试完成。

...]]></description><category></category></item><item><title><![CDATA[sklearn 逻辑回归库的基本使用]]></title><link>https://blog.youkuaiyun.com/karmacode/article/details/81545996</link><guid>https://blog.youkuaiyun.com/karmacode/article/details/81545996</guid><author>karmacode</author><pubDate>Thu, 09 Aug 2018 23:39:48 +0800</pubDate><description><![CDATA[1. 概述

　　　　在scikit-learn中，与逻辑回归有关的主要是这3个类。LogisticRegression， LogisticRegressionCV 和logistic_regression_path。其中LogisticRegression和LogisticRegressionCV的主要区别是LogisticRegressionCV使用了交叉验证来选择正则化系数C。而Logist...]]></description><category></category></item><item><title><![CDATA[scikit-learn Adaboost类库使用小结]]></title><link>https://blog.youkuaiyun.com/karmacode/article/details/81545974</link><guid>https://blog.youkuaiyun.com/karmacode/article/details/81545974</guid><author>karmacode</author><pubDate>Thu, 09 Aug 2018 23:36:24 +0800</pubDate><description><![CDATA[1. Adaboost类库概述

　　　　scikit-learn中Adaboost类库比较直接，就是AdaBoostClassifier和AdaBoostRegressor两个，从名字就可以看出AdaBoostClassifier用于分类，AdaBoostRegressor用于回归。

　　　　AdaBoostClassifier使用了两种Adaboost分类算法的实现，SAMME和SAMME....]]></description><category></category></item><item><title><![CDATA[特征工程之特征选择]]></title><link>https://blog.youkuaiyun.com/karmacode/article/details/81545872</link><guid>https://blog.youkuaiyun.com/karmacode/article/details/81545872</guid><author>karmacode</author><pubDate>Thu, 09 Aug 2018 23:25:47 +0800</pubDate><description><![CDATA[特征工程是数据分析中最耗时间和精力的一部分工作，它不像算法和模型那样是确定的步骤，更多是工程上的经验和权衡。因此没有统一的方法。这里只是对一些常用的方法做一个总结。本文关注于特征选择部分。后面还有两篇会关注于特征表达和特征预处理。

1. 特征的来源 
     在做数据分析的时候，特征的来源一般有两块，一块是业务已经整理好各种特征数据，我们需要去找出适合我们问题需要的特征；另一块是我们从业务特征...]]></description><category></category></item><item><title><![CDATA[关于No module named PyQt5.QtWebKitWidgets的解决方案]]></title><link>https://blog.youkuaiyun.com/karmacode/article/details/80558153</link><guid>https://blog.youkuaiyun.com/karmacode/article/details/80558153</guid><author>karmacode</author><pubDate>Sun, 03 Jun 2018 17:15:21 +0800</pubDate><description><![CDATA[PyQt中的WebKit是一个非常强大的库，其主要作用就是可以通过此库开发一个简易的浏览器，真的很强大，这里我主要是想用这个包来讲某个网站的网页界面显示在Qt用户界面中。 
在 PyQt 5.6(+) 版本中, Qt 移除了对 QtWebKitWidgets 模块的支持, 新增 QtWebEngineWidgets 作为代替, 以提供更好的和最新的 HTML, CSS 以及 JavaScript ...]]></description><category></category></item><item><title><![CDATA[Windows 7安装后anaconda 命令行jupyter lab 出现404页面]]></title><link>https://blog.youkuaiyun.com/karmacode/article/details/80444684</link><guid>https://blog.youkuaiyun.com/karmacode/article/details/80444684</guid><author>karmacode</author><pubDate>Thu, 24 May 2018 22:10:06 +0800</pubDate><description><![CDATA[jupyter serverextension enable --py jupyterlab --user
conda install -c conda-forge nodejs]]></description><category></category></item><item><title><![CDATA[MAC平台安装lightgbm遇到的各种坑]]></title><link>https://blog.youkuaiyun.com/karmacode/article/details/80375138</link><guid>https://blog.youkuaiyun.com/karmacode/article/details/80375138</guid><author>karmacode</author><pubDate>Sat, 19 May 2018 16:00:26 +0800</pubDate><description><![CDATA[本来想着lightgbm跟其他Python第三方库一样，pip install 就行了，没想到Lightgbm没有这么简单。 
首先还是看官方教程吧，主要也是按照官方教程上安装的 
lightgbm安装教程

然后，我是按照MPI版本安装的，MAC平台上不支持GPU版本

以下是安装的命令：



brew install open-mpi
brew install cmake

如果本机平台有安...]]></description><category></category></item></channel></rss>