- 博客(18)
- 收藏
- 关注
RSS订阅原创 有影响力的分析报告怎么写？
大家在平时学习工作中，有没有遇到一些通过文字材料或者是ppt汇报的场景呢？遇到这些场景，有没有一种不知如何开始的感觉呢？或者写着写着，发现自己的观点比较分散，表达的内容难以令别人理解呢？笔者也遇到了以上这些问题，想通过这篇文章来和大家分享一下自己解决上述问题的方法，笔者阅读了一些书籍，受《金字塔原理》的启发，写了本文，本文注重方法与实例的结合，希望它对大家有所帮助。
2023-10-31 23:45:12
299
原创 假设检验中的显著性水平与p值
假设检验的原理假设检验是根据样本信息，提出对于总体信息的假设，并且对假设的正确性进行推断。判断原假设的方法推断的依据是假设成立发生的概率，并且设置显著性水平 α\alphaα (取值一般为0.01，0.05，0.1)。在判断原假设过程中，有两种方法。第一、值的比较。由样本数值生成对应的统计量，由显著性水平会生成统计量的边界。如果统计量与显著性水平的边界数值的大小关系与原假设不符合，即可拒绝原假设。第二、概率的比较。p值是通过统计量得到的边界处，向拒绝域方向延申范围的概率数值，表明观测结果偏向异
2022-04-15 00:45:39
10118
原创 leecode 最长公共前缀解法
编写一个函数来查找字符串数组中的最长公共前缀。如果不存在公共前缀，返回空字符串 “”。示例1输入：strs = [“flower”,“flow”,“flight”]输出：“fl”示例2输入：strs = [“dog”,“racecar”,“car”]输出：""解释：输入不存在公共前缀。代码 python3解法：class Solution: def longestCommonPrefix(self, strs: List[str]) -> str: str
2022-01-07 23:58:27
145
原创 李宏毅机器学习复习——第6章：集成学习
概述集成学习包括两个方面：bagging和boosting。这两种方法的共同点是需要多个模型融合，并且模型融合之后的效果优于单个模型效果。差异在于：bagging融合的模型比较强，属于强学习器，而且模型之间是并行的。boosting融合的是弱学习器，多个模型依次训练数据集。bagging这种集成方式适用于融合容易过拟合的模型，比如决策数。典型的Bagging 模型就是随机森林。boostingboosting按照顺序可以训练弱学习器，使融合的模型最终效果变得很好。具体思路是，通过第一个
2021-09-09 22:42:28
302
原创 李宏毅机器学习复习——第5章：支持向量机（SVM）
概述本节主要是通过支持向量机模型，完成二分类问题。正例记为1：负例记为-1。支持向量机的核心有两点：合页损失函数以及核函数。合页损失函数可以通过梯度下降方法优化模型参数。核函数可以将线性不可分问题，转化为线性问题进行求解。同时影响参数的样本点数量较少，因此支持向量机模型也可以用于深度模型中。逻辑回归中每一个样本点都会对结果产生影响，不适用于深度模型中。合页损失函数（hinge loss）：该函数的函数式如上图所示。当实际值与预测值同号且大于1时，损失函数最小。且该损失函数是一个凸函数，因此可
2021-09-09 17:09:33
551
原创 李宏毅机器学习复习——第4章：分类
概述本节主要是采用朴素贝叶斯法，完成二分类问题。什么是朴素贝叶斯法呢？先不讲它的具体概念，先给出一个数据集，基于这个数据集，使用贝叶斯估计方法来估算一组特征属于现有分类的概率。数据集特点：特征之间互相独立，A特征的分布丝毫不影响B特征的分布。每一行特征的取值，会产生一个标记。（1或者-1）举例如下图所示：使用朴素贝叶斯法解决分类问题的实例：上表中，每一列为一个样本，总共有10个样本。每个样本，有两个特征X1和X2。10个样本中，Y值是1的有6个，也就是说出现Y = 1的概率为6/10。
2021-09-01 01:46:19
200
原创 李宏毅机器学习复习——第三章：梯度下降
概述梯度下降是寻找损失函数最小的一种方法。参数调整在使用这个方法中，学习率这个参数很重要，学习率高，往往容易跨过最小的损失函数。学习率低，模型提升效果不明显。因此需要使用adagrad方法来改变学习率，刚开始学的快一些，接近于损失函数时，学习率低一些。adagrad更新学习率的方式，可以通过损失函数参数变化程度来影响学习率。一个参数的一次微分 / 它自身的二次微分，用来消除参数的不同，对学习率的影响。特征对损失函数的影响。降低特征的影响就可以使用特征缩放功能。feature scaling,特征
2021-08-31 01:10:04
345
原创 李宏毅机器学习复习——第二章：线性回归
1、基本线性回归问题的解决思路线性回归问题的输入是数据集，输出是一个标量。下图展示了，使用一次函数为模型，寻找使损失函数最小的函数的过程。关于梯度下降，后面会尽量用简洁的语言解释一下。2、线性回归问题的优化为了解决一次函数模型比较简单，损失函数比较大的问题，可以提高函数的最高项次数，来降低模型的损失函数，使模型更好地符合训练集数据的分布。同时导致模型过拟合，测试集的误差变大。为了解决这一问题。在损失函数中，引入正则项。改变正则项系数，通过梯度下降法，最终得到模型简单，损失函数小的模型来估计
2021-08-27 02:06:59
185
原创 李宏毅机器学习复习——第一章：机器学习介绍
李宏毅机器学习复习——第一章：机器学习介绍机器学习的流程机器学习就是寻找一个函数，在函数中输入数据，最终会得到预期的函数值。这么一个简单的过程。数据的范围很广泛，可以理解为可数据化的信息。机器学习的分类：按照学习方式基本分为5大类：监督学习，半监督学习，无监督学习，迁移学习和强化学习。将监督学习，再细分为回归问题和分类问题。根据解决对应问题的方法，细分到线性模型，深度学习，支持向量机，K近邻，决策树。思维导图如下所示...
2021-08-26 00:46:16
159
原创 MySQL以及Spark SQL函数的查阅与学习
最近在看一些SQL语句时，遇到了一些不熟悉的函数，这些函数能够在网上快速找到，同时作者还是希望自己可以查阅官方文档，方便日后学习查找更多不熟悉的函数。现在将链接放在下面，方便看到这篇文章的人查阅。MySQL函数查找链接:https://dev.mysql.com/doc/refman/8.0/en/functions.html.Spark SQL函数查找链接:http://spark.apache.org/docs/2.4.0/api/sql/#get_json_object....
2021-07-25 16:00:38
301
1
原创 伪分布式大数据分析流程总结
伪分布式大数据分析流程总结总结一下今天分析的总体流程，并且记录一下作者踩过的坑。按照时间顺序记录。作者打算按照某位博主的流程建立伪分布式大数据环境，分析数据。首先先下载好需要用的所有文件。#2020年Windows系统在虚拟机上安装ubuntu时，电脑蓝屏重启问题。一、情况基于以下几点：1、windows系统也比较新。2、安装的虚拟机的版本是VMware-workstation-full-15.5.2-15785246。3、安装ubuntu-16.04.6-desktop-amd64之后，
2021-07-05 16:47:23
172
原创 Altair库在jupyter notebook安装后不显示问题的解决办法
Altair库是一个强大的数据可视化库，然而今天通过官网上的安装方法，安装好之后，在jupyter notebook运行示例代码后，发现并没有图片显示。 后来在jupyterlab运行同样的示例代码后，出现**JavaScript Error: require is not defined这一错误**。为了解决这一问题，在安装node.js文件之后，重启jupyter notebook即可显示出原有图像。node.js文件的安装方式，读者可自行查找答案。...
2021-03-18 22:47:48
1065
4
原创 8.0 MySQL-win10 secure-file-priv参数设置及CSV大文件上传
今天白天一直在找修改secure-file-priv参数的办法。直到阅读了这偏博文，链接如下https://blog.youkuaiyun.com/qwertyuiod/article/details/90751088?utm_source=app&app_version=4.5.4博主提到在修改my.ini文件时,需要按照如下格式修改secure-file-priv=注意这三个单词组之间不是下划线，是‘-’。本人修改好，重启MySQL·之后，还是没有修改成功。然后将my.ini文件放在mysql-8
2021-03-14 18:16:48
750
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人