Tansy_z-优快云博客

原创 fbprophet与prophet，安装prophet

参考最后一篇，注意holidays的版本，作者并没有指定其他库的版本，以及holidays。fbprophet与prophet，fbprophet这个名字已被弃用。出现问题后重装holidays版本。

2025-04-01 18:17:29 110

原创 XGBoost 分类模型

XGBoost 是一种强大的梯度提升算法，用于处理分类和回归任务，尤其适合大规模数据和复杂特征。这里创建了一个 XGBoost 分类器对象，配置了超参数。，并评估其在训练集和测试集上的性能。

2024-12-26 15:26:42 202

原创 paper阅读记录11.11-SWAT； machine learning techniques

本研究旨在评估数据驱动机器学习技术与过程驱动 SWAT 模型相比的有效性，具有以下三个目标：（1）评估模型在各种时间尺度上的性能;E 表示每日蒸散量;过程驱动的 SWAT 模型需要将流域划分为多个水文响应单元，以检查流域的数字高程模型（DEM）、土壤类型和土地利用之间的相互关系。在模拟溪流之前，SWAT 模型的输入数据集需要数字高程模型（DEM）、土地利用/土地覆被（LULC）、土壤类型和气象数据。ML 技术主要有两种架构：传统的 ML 技术（如 XGBoost 和随机森林）和 DL 技术。

2024-11-26 20:49:08 320 1

原创 paper阅读记录10.21-Shapley Additive exPlanations、random forest regression

Shapley Additive exPlanations （SHAP）是一种可加性特征归因方法，其计算性能有所提高，与人类直觉的一致性更好（Lundberg and Lee, 2017）。与其他解释方法相比，SHAP不仅解决了多重共线性问题，而且考虑了变量之间可能存在的协同效应（Lundberg et al, 2020）。构建了流域特征与水质监测数据之间的经验关系，并在此基础上进行了水质异质性评价。2)利用训练好的模型对研究区域的水质空间分布进行预测和评价；影论响特征的平均绝对SHAP值的柱状图。

2024-11-26 20:48:50 170

原创 paper阅读记录10.28- positive matrix factorization models、random forest model☆

该方法的基本思想是随机排列或删除特征，然后比较模型性能的差异，计算每个特征的%IncMSE值，该值反映了特征在模型中的相对重要性。一般来说，较大的%IncMSE值表明特征对模型的影响越大，因此特征的重要性越高。在本研究中，80%的可用数据分配给随机森林决策树模型的训练集，剩下的20%用于验证和评估模型的准确性。使用Python 3.11中的Scikit-learn库来实现随机森林模型，并使用归一化的%IncMSE（均方误差增加百分比）方法来评估WQI中各变量的重要性。

2024-11-26 20:48:31 262

原创水质预测模型学习记录11.26主要记录arima模型

该 ARIMA(0,1,1) 模型主要是通过差分（使数据平稳）和移动平均部分来建模变量的动态行为。模型的关键参数是移动平均部分，其值为 0.4264，表明过去的误差对当前值有较强的影响。常数项并不显著，这意味着它对模型的影响可以忽略不计。AIC 和 BIC 值为负，说明该模型的拟合效果较好，可以用于预测和分析。进一步优化模型或进行预测，可能需要尝试其他的 ARIMA 参数组合，或者考虑进行残差分析，确保模型适当拟合数据。

2024-11-26 20:47:47 620

原创 LSTM模型与神经网络模型

前馈神经网络（FNN）：适用于处理没有时间依赖的数据，结构简单，训练速度较快，适合静态任务。LSTM：适用于处理有时间依赖关系的数据，能够捕捉长期的依赖信息，适合处理时序数据，如时间序列预测、语音识别等。选择使用哪种模型取决于数据的性质和任务的需求。如果数据具有时间依赖性，LSTM 通常是一个更好的选择；如果数据是静态的，则前馈神经网络可能更合适。

2024-11-26 19:56:22 712

原创 lstm模型

LSTM（长短期记忆网络）是一种非常强大的循环神经网络（RNN）架构，广泛应用于处理和预测时间序列数据、自然语言处理（NLP）、语音识别等任务。LSTM 通过引入“记忆单元”（cell state）来有效地捕捉长期依赖关系，解决了传统 RNN 在长序列训练中的梯度消失问题。

2024-11-26 19:53:35 1671

原创 ARMIA和LSTM

ARIMA 模型假设数据是线性和基于过去观测值的，且通过自回归（AR）和移动平均（MA）项来建模时间序列中的关系。ARIMA 和 LSTM（长短期记忆网络）是两种常用于时间序列预测的模型，但它们的工作原理和应用场景有显著的区别。- **LSTM** 是一种深度学习模型，能够处理复杂的非线性和长期依赖关系，适用于复杂的时间序列数据，如金融数据、气象数据等。这是因为 ARIMA 假设输入数据是平稳的。- **ARIMA** 是一种统计模型，适合线性、平稳时间序列的建模和预测，适用于较简单的时间序列数据。

2024-11-26 19:42:18 344

m0_61541845的博客

原创 fbprophet与prophet，安装prophet

原创 XGBoost 分类模型

原创 paper阅读记录11.11-SWAT； machine learning techniques

原创 paper阅读记录10.21-Shapley Additive exPlanations、random forest regression

原创 paper阅读记录10.28- positive matrix factorization models、random forest model☆

原创水质预测模型学习记录11.26主要记录arima模型

原创 LSTM模型与神经网络模型

原创 lstm模型

原创 ARMIA和LSTM

原创报错：The import org.apache.poi.xxx cannot be resolved myeclipse

原创 eclipse里面替换jar包

原创安装cuda和cudnn

原创 idea2022报错： No appropriate protocol (protocol is disabled or cipher suites are inappropriate)

原创 MySQL Workbench 报错：Could not acquire management access for administration

空空如也

空空如也