我不爱机器学习的博客

原创 推荐两个有趣的统计可视化网站

该网站也是以可视化和交互式的方式向大家呈现统计学，主要有6个章节：基础概率论、进阶概率论、概率分布、统计推断：频率学派、统计推断：贝叶斯学派和回归分析。目前有：大数定理、贝叶斯定理、凯利公式、统计陷阱和经典趣题五个模块。点击贝叶斯定理，可以看到该定理的理论知识、应用案例以及人生启示录。网址：https://seeing-theory.brown.edu/cn.html。网址：https://probability.visualized.fun/这两个网站都很有趣，感兴趣可以看看哦。

原创 python 图片融合HSV/IHS/PCA

HSV可进行RGB图像到HSV色度空间的变换，用高分辨率的图像代替颜色亮度值波段，自动用最近邻、双线性或三次卷积技术将色度和饱和度重采样到高分辨率像元尺寸，然后再将图像变换回RGB色度空间。输出的RGB图像的像元将与高分辨率数据的像元大小相同。利用IHS变换进行融合，通过正反变换矩阵操作，用高分辨率图像的第一波段替换低分辨率图像，以达到融合效果。结果如下：左边是高分辨率，中间是低分辨率，右边是融合图像。

原创 pyinstaller打包fastapi遇到的各种bug及解决

如果要写一个 Python 项目，打包成 exe 运行（方便在没有 Python 的电脑上使用），需要打包出的根目录结构美观，没有多余的、杂乱的依赖文件在那里碍眼，而且需要在发现 bug 时，能够修改里面的代码后，无需再次打包，就能正常运行，该怎么做呢？如果仍然报错，可能是 PyInstaller 未正确打包某些 DLL（如 vcruntime140.dll、msvcp140.dll）。复制到pyinstaller.exe同文件夹下，并修改pyinstaller产生的。Windows 致命异常错误代码。

原创 颜色一致性指数

原创 基础的色彩学

原创 CFIHL: 水培生菜的多种叶绿素 a 荧光瞬态图像数据集

本文介绍了水培生菜幼苗 ChlF 数据集。该数据集包含不同栽培状态下 ChlF 的各种瞬态图像，并带有标注，标记了整个生菜冠层投影的位置。该数据集大小约为 1.3 G。数据集包含 300 多组图像，每组包含十张瞬态 ChlF 图像。

原创 Python 高光谱分析工具（PyHAT）

Python 高光谱分析工具（PyHAT）为光谱应用提供数据处理、分析和机器学习功能。它包含一个图形用户界面，无需编写任何代码即可直接分析数据。或者，导入到代码里直接调用。

原创 探索 LiDAR 栅格数据中的不确定性(python)

主要是针对阴天和晴天获取的雷达数据的不确定性进行查看，预期是这两次收集之间没有任何变化。

原创 HypPy高光谱图像处理工具包(python)

工具包：https://github.com/wimhbakker/hyppy。高光谱 Python（HypPy）是由特温特大学开发的一系列工具集合。HypPy 采用了 ENVI 文件格式作为图像格式。

原创 根据 LiDAR 株高数据计算植被生物量

本文基于。

原创 基于地形数据计算山体阴影

山体阴影用于可视化给定指定光源的表面上每个像素的假设照明值（从 0 到 255）。要计算山体阴影，需要照明源的天顶（高度）和方位角，以及地形的坡度和坡向。其中所有角度均以弧度为单位。

原创 yaml读取写入常见错误 (‘cannot represent an object‘, 117)

后面发现它只支持基本的数据类型，对于自定义对象或某些复杂对象（如 NumPy 数组、自定义类实例等），不知道如何序列化。是因为PyYAML 库，默认情况下。出现这个问题一直没找到原因，后面把。需要加载所有文档，可以使用。只会加载第一个文档。

原创 基于pysptools实现端元提取及无监督光谱分类

本文通过一个光谱分解示例来对 SERC文件进行，使用PySpTools包进行，绘制光谱，并使用(Spectral Angle Mapping)和(Spectral Information Divergence)对光谱端元进行。

原创 c++调用matplotlibcpp环境打包，能在其他环境独立运行

【代码】c++调用matplotlibcpp环境打包，能在其他环境独立运行。

原创 [windows]c++调用matplotlibcpp详细过程及错误排查

c++调用matplotlib(二): https://blog.mangoeffect.net/cpp/call-matplotlib-on-cpp-2-html。c++调用matplotlib(三): https://blog.mangoeffect.net/cpp/call-matplotlib-on-cpp3。c++调用matplotlib(一)：https://blog.mangoeffect.net/cpp/call-matplotlib-on-cpp。后面发现把它删了，仍能正常运行。

原创 Windows环境中Python脚本开机自启动及其监控自启动

原因分析：win10系统，只要是图标右下角带盾牌标志的软件，加入系统的启动文件夹：如：C:\ProgramData\Microsoft\Windows\Start Menu\Programs\StartUp 里面，每次开机后都会启动失败！2 依次展开：计算机配置-》Windows设置-》安全设置-》本地策略-》安全选项-》用户账户控制：以管理员批准模式运行所有管理员，设置为已禁用。加入到白名单中的文件目录，文件，安全防护工具将信任该软件，可以直接使用。要在Windows启动时运行脚本，先使用。

原创 《集合滤波数据同化方法及其应用》(附代码链接)

书籍代码：

原创 用于分析高光谱图像的开源软件(python)

HSI-PP 是一个独立的、自动化的、开源的高光谱图像处理平台，适用于植物表型分析中的各种应用，为植物研究界服务。下载并解压后从子文件夹中运行“HSI-PP.exe”文件。今天给大家分享一个用 python 写的用于分析高光谱图像和其他植物表型数据集的开源软件 HSI-PP。HSI-PP 集成了先进的图像处理程序，可以从不同类型的高光谱图像中提取有意义的信息，从而改进决策过程。此外，HSI-PP 还能够准备用于深度学习分析的高光谱图像，并训练机器学习模型进行分类和回归。

原创 如何理解多元回归(多因变量)?(python)

【代码】如何理解多元回归(多因变量)?(python)

原创 《应用多元统计分析》(附代码链接)

R代码：

原创 如何理解岭回归模型?(python)

值的选取原则：如下图所示，当。

原创 如何处理多重共线性?(python)

若变量x1和x2的相关性增强，则β1和β2的方差会逐渐增大。当两者完全相关r=1时，方差变得无穷大。注意，多重共线性不影响拟合效果，但会造成系数的估计值不稳定，在回归方程高度显著的情况下，有些与因变量高度相关的自变量回归系数通不过显著性检验，甚至出现回归系数的正负号得不到合理解释的情况，变量间的经济结构关系产生了扭曲。

原创 如何处理异常值和强影响点？(python)

异常值分为两种情况：因变量异常和自变量异常。

原创 Python实现BOX-COX变换

参考：https://blog.youkuaiyun.com/DL11007/article/details/128670981。BOX-COX变换是由博克斯与考克斯在1964年提出的一种应用非常广泛的变换，是对因变量。时，对数据做对数变换后其就服从正态分布。从数据看，如果数据中一些数值很大，但是。从概率分布角度看，当数据本身服从。，可以尝试对其做对数变换。BOX-COX变换是一个。对于回归问题，可以考虑。，则认为无异方差性。

原创 如何处理回归模型中的异方差性和自相关性问题?(python)

在回归模型中，一般假设误差的均值为0，且不同误差项之间的方差相等、独立或者不相关但实际建模过程中，误差项的方差可能不等，即异方差性或者误差项间的协方差不为0，即存在自相关性这里的自相关不是指两个或两个以上的变量之间的相关关系，而是指一个变量前后期数值之间的相关关系。

原创 分享 Unidata 的大气科学和气象学 Python 教程

该教程旨在供任何经验水平的人学习如何使用 Python 进行大气科学和气象学的研究。

原创 如何利用残差对数据进行诊断？

如有异常值出现、周期性因素干扰等。的，或者说线性回归方程是有效的，但。一个线性回归方程通过了。时，才能运用回归模型。

原创 如何对回归方程进行统计(显著性)检验？

在多元回归中，F检验显著，说明y对所有自变量的整体的线性回归效果是显著的，但不等于y对每个自变量x的回归效果都显著。反之，某个或几个x的系数不显著，回归方程的F检验仍有可能是显著的。基于Python回归模型的BOX-COX变换和强影响点分析https://blog.youkuaiyun.com/DL11007/article/details/128670981。对于多元线性回归，三者不一致。一般表示样本相关系数，总体样本相关系数一般用。注意，相关系数的t检验，只是表示。，其将平方和公式进行分解，得到。

原创 如何从头开始建立回归模型？

比如，因变量与某些自变量的偏回归系数应该是正的，但是模型中却是负的，那这个模型即使通过了统计检验，也是没有意义的，更不能应用。对于一个具体的问题，当研究目的确定后，被解释变量容易确定，其一般直接表达研究的目的。通常，希望因变量(内生变量、被解释变量)和自变量(外生变量、解释变量)之间存在。，可以理解为同一时间采集的不同(随机)样本数据可能存在较大的差异。不论哪种数据，样本量的多少都要与设置的解释变量的数目匹配。建立初步模型后，不能直接拿来应用，需要对模型进行。时序数据的收集需要注意数据的。

原创 如何理解回归分析和相关分析以及两者的区别？

回归分析的基本思想和方法以及回归的名称是由英国统计学家F·高尔顿提出。，如下图1-2所示。这种对应点不能分布在一条直线上的变量间的关系，即。回归方程的建立依赖于观察或实验积累的数据，又称为经验回归方程。，如下图1-1所示，统计上将这种关系的研究称为回归分析。，将这种变量间的关系称为相关关系或统计关系。：可以看到确定性的函数关系，参考：《应用回归分析》

原创 python实现各种描述统计/概率分布/假设检验/置信区间/回归/方差分析/卡方检验

最近在学习统计方面的知识，看到一个不错的学习网站，分享给大家，网址链接在文末。

原创 一文详解高光谱数据python处理包spectral(SPy)

解决方案：ASD（Analytical Spectral Devices）是一种用于地面光谱测量的设备，可以测量多个波长范围内的反射率。，然后保留足够的特征值(相应的特征向量)来捕获总图像方差的所需部分。然后，将图像像素投影到剩余的特征向量上，以降低图像像素的维数。上图中误差图中的五个连续区域对应于 GaussianClassifier 忽略的真值类，因为它们的样本太少。支持向量机（SVM）是一种常用的分类算法，可以用于高光谱数据的分类、识别和回归。上面的分类图显示了整个图像的分类结果。

原创 气候服务平台ClimateSERV2.0简介(python)

ClimateSERV 2.0允许开发从业者、科学家/研究人员和政府决策者可视化和下载历史降雨数据、植被状况数据以及180 天的降雨和温度预报，以增进对农业和水资源供应相关问题的理解并做出改进的决策。这些数据可以通过Web 应用程序直接访问，也可以使用Python应用程序中的通过应用程序API 进行访问。Python 3.9.5 或更高版本 (建议使用 3.9.5)PostgreSQL (版本 13)THREDDS (版本 4.6.14)Linux 服务器具体安装需要使用两个环境。

原创 scikit-eo: 用于遥感数据分析的Python包

如今，遥感数据急剧增加。可以使用具有不同空间和时间分辨率的微波和光学图像，用于监测各种环境问题，例如森林砍伐、土地退化、土地利用和土地覆盖变化等。尽管人们做出了努力（即 Python 包、论坛、社区等）来提供用于卫星图像预处理、处理和分析的代码行工具，但仍存在需要填补的空白。换句话说，许多用户仍然花费了太多时间来开发 Python 代码行。通过植被指数的线性趋势绘制土地退化地图的算法、融合光学和雷达图像以对植被覆盖进行分类以及机器学习算法的校准等尚不可用。

原创 如何看方差分析表格?

案例：分析结果：

原创 测量误差相关知识(四)

平方俗称“二乘”，因此得名最小二乘。其原理是在测量误差无偏(排除了系统误差影响)、正态分布和相互独立的条件下推导出的，但在不严格服从正态分布的情况下也常被使用。最小二乘可用于线性参数以及非线性参数处理。其中，线性参数处理流程首先根据具体问题列出误差方程式再按最小二乘法原理，利用求极值(最大和最小)的方法将误差方程转化为正规方程然后求解正规方程，得到待求的估计量最后给出精度估计(标准差)对于非线性参数，可先将其线性化，然后按上述线性参数的最小二乘法处理程序去处理。

原创 测量误差相关知识(三)

这一节主要讲解误差的合成与分配。

原创 测量误差相关知识(二)

对自然界的任何量进行实验和测量时，由于参与测量的5个要素–测量装置(测量仪器)、测量人员、测量方法、测量环境和被测对象自身都不够做到完美无缺，使得测量结果与其真实值之间存在差异，这个差异在数学上叫做测量误差。任何测量必然会产生误差，不含误差的测量结果是不存在的。

原创 测量误差相关知识(一)

误差=测得值-真值。

原创 《空间计量经济学：从横截面数据到空间面板》(书籍推荐)

这种数据类型的主要特点是所有观测对象的数据都是在同一时间截面上获取的，从而允许对不同统计单位（如国家、地区、公司、个人等）在同一时间点上的相同统计指标进行比较和分析。之间潜在的相互依赖性。Tobler的“地理学第一定律”指出：“任何东西与别的东西之间都是相关的，但近处的东西比远处的东西相关性更强”，这正是空间自相关概念的基础。可以使用最大似然估计得到。是空间计量经济学中的一个重要模型，它将空间滞后模型（SAR）和杜宾模型（Durbin Model）的特点结合起来，同时考虑了空间滞后项和空间误差项的影响。