- 博客(44)
- 资源 (10)
- 收藏
- 关注
RSS订阅原创 通俗易懂之梯度提升树(GBDT)原理及其python实现（不依赖高级库）
**梯度提升树（Gradient Boosting Trees）**是一种集成学习方法，通过逐步构建多个弱学习器（通常为决策树），并将它们组合成一个强大的预测模型。梯度提升树通过优化一个损失函数，使模型逐步逼近目标函数，实现高精度的预测。梯度提升树的核心优势：**集成学习（Ensemble Learning）**是一种将多个学习器组合在一起，以提升整体性能的方法。集成学习主要分为两类：提升（Boosting）的核心思想：**梯度提升（Gradient Boosting）**是一种逐步构建模型的集成方法，通过
2025-03-14 10:43:54
385
原创 通俗易懂之随机森林及其Python案例实现（不依赖高级库）
*随机森林（Random Forest）**是由和于2001年提出的集成学习方法。它通过创建多个决策树，并在决策过程中引入随机性，从而提升模型的性能和泛化能力。随机森林广泛应用于分类、回归以及特征选择等任务中，因其高准确率、抗过拟合能力强、实现简便而受到广泛欢迎。随机森林的核心优势高准确性：通过集成多棵决策树的预测结果，随机森林通常比单棵决策树具有更高的预测准确性。抗过拟合能力强：随机森林通过引入多种随机性降低了模型的方差，从而减少了过拟合的可能性。处理高维数据。
2025-03-14 10:43:37
630
原创 通俗易懂之决策树原理及其可解释性的python案例实现（不使用高级库）
决策树（Decision Tree）是一种基于树结构的监督学习算法，广泛应用于分类和回归任务中。它通过一系列的决策规则将数据逐步划分成不同的子集，最终在叶节点上给出预测结果。决策树具有易于理解、解释性强的特点，适用于处理数值型和分类型数据。应用场景分类：垃圾邮件检测、疾病诊断、客户细分等。回归：房价预测、销售预测等。特征选择：识别重要特征，进行特征工程等。**特征重要性（Feature Importance）**衡量的是各个特征在决策树中对预测结果的重要程度。
2025-03-14 10:43:21
349
原创 通俗易懂之决策树算法的原理与python案例实现
决策树是一种树形结构的预测模型，用于从数据中学习简单的决策规则，进行分类或回归。每个内部节点表示一个特征的测试，分支代表测试结果，每个叶节点表示一个类别或数值预测。应用领域分类任务（如垃圾邮件识别、疾病预测）回归任务（如房价预测）特征选择和可解释性强的模型构建决策树是一种直观且强大的机器学习算法，适用于分类和回归任务。通过不同的分裂标准（如信息增益、信息增益率、基尼指数），决策树能够有效地选择最优特征进行分裂。然而，决策树也存在过拟合、稳定性差等缺点。
2025-03-13 11:06:26
1021
原创 通俗易懂之朴素贝叶斯（Naive Bayes）原理及其python实现（不依赖高级库）
*朴素贝叶斯（Naive Bayes）**是一类基于贝叶斯定理并假设特征之间相互独立的概率分类算法。尽管这个独立性假设在实际应用中往往不成立，但朴素贝叶斯在许多实际任务中表现出色，尤其在文本分类（如垃圾邮件检测）和情感分析中具有广泛应用。主要类别高斯朴素贝叶斯（Gaussian Naive Bayes）：假设特征服从高斯分布，适用于连续特征。多项式朴素贝叶斯（Multinomial Naive Bayes）：适用于多项式分布的数据，常用于文本文档的词频统计。
2025-03-13 11:05:38
1174
原创 全国主要城市气象站编码
大兴安岭,50442。齐齐哈尔,50745。克拉玛依,51243。乌鲁木齐,51463。呼和浩特,53463。河池地区,59023。贺州地区,59065。
2025-02-14 15:47:42
1227
原创 通俗易懂之最小二乘法求解广义加性模型
通过上述手工计算和Python编程实现，展示了如何使用最小二乘法求解包含多项式基函数的广义加性模型。手工计算适合于理解基本原理，但实际应用中，推荐使用编程工具（如Python的numpy和）来处理更复杂的模型和数据。
2025-01-19 13:02:10
55
原创 通俗易懂之广义加性模型中的三次样条函数
样条函数是一类分段定义的多项式函数，用于在数据点之间进行平滑插值或逼近。它们特别适用于捕捉复杂的非线性关系，同时保持计算的简便性和灵活性。样条函数是一种强大的工具，能够在广义加性模型中有效地捕捉特征与目标变量之间的非线性关系。通过理解样条函数的原理、数学表达式和编程实现，您可以更好地应用和改进GAM模型。
2025-01-19 13:01:35
94
原创 可解释机器学习XAI技术概览
可解释机器学习作为人工智能的重要分支，旨在弥合复杂模型与用户理解之间的鸿沟。通过内在可解释模型和后期解释方法等多条技术路线，XAI提供了丰富的工具和方法来增强模型的透明度和可信度。同时，不同的分类方法帮助研究者和实践者从多维度理解和应用XAI技术。随着应用需求的不断增长和技术的持续进步，XAI将在未来的人工智能发展中扮演更加关键的角色。
2025-01-18 17:16:55
815
原创 通俗易懂之样条函数的原理、计算、案例、python实现
理解样条函数（Spline Functions）是掌握广义加性模型（GAMs）及其他非线性回归技术的关键。样条函数通过分段多项式的形式，在不同区间内灵活地拟合数据，从而捕捉复杂的非线性关系。本文将更为详细地讲解样条函数的原理、具体示例以及在Python中的实现方法。在介绍各种样条函数之前，先介绍一下样条函数中涉及的一些常用术语：样条函数（Spline Function）：定义：一种特殊的函数，由多项式分段定义，用于近似给定函数，并保证在分段点处的平滑过渡。起源：最早可追溯至1756年，其名
2025-01-16 19:46:50
706
原创 通俗易懂之B样条原理、手工计算、python代码实现
B样条（B-splines）是一种灵活而强大的样条类型，广泛应用于计算机图形学、数据拟合和数值分析等领域。手动计算B样条的过程涉及到基函数的构造、节点向量的选择、系数的求解等步骤。为了更好地理解B样条的原理，本文将通过一个具体的示例，手动详细演示每一步的计算。如果这篇文章对你有一点点的帮助，欢迎点赞、关注、收藏、转发、评论、打赏哦！我也会在微信公众号“智识小站”坚持分享更多内容，以期记录成长、普及技术、造福后来者！一个B样条函数S(x)S(x)S(x) 可以表示为：S(x)=∑i=0nNi,
2025-01-15 20:55:59
674
原创 通俗易懂之广义加性模型GAM时序预测(pyGAM)
广义加性模型（GAM）在时间序列预测中是一种强大的工具，能够捕捉数据中的非线性趋势和复杂模式。本文将详细介绍如何在Python中实现广义加性模型进行时间序列预测，包括所需的库、数据预处理、模型构建、训练以及评估。
2025-01-14 19:38:20
1020
原创 通俗易懂之使用reduce和operator.add自动构建PyGAM模型
reduceoperator在处理高维数据时，手动构建模型参数既繁琐又容易出错。通过结合使用reduce函数和操作符，可以轻松实现 PyGAM 模型的自动化构建。这不仅提升了代码的简洁性和可读性，还增强了模型的灵活性和可扩展性，是数据分析过程中值得掌握的重要技巧。
2025-01-13 16:35:05
820
原创 通俗易懂之基于B样条的广义加性模型python手动实现(不依赖高级库)
在实际应用中，B-样条基函数（B-spline Basis Functions）因其良好的数学性质和计算效率而被广泛使用。B-样条基函数是一组局部支持的基函数，能够通过线性组合灵活地表示复杂的曲线。给定一个节点向量tt0t1tmtt0t1tm，其中mnk1mnk1nnn是样条的阶数，kkk是多项式的阶数。B-样条基函数NikxN_{i,k}(x)Nikx零阶基函数（k=1）Ni1x1ifti≤xti。
2025-01-12 22:14:20
1079
原创 通俗易懂之极限学习机ELM
极限学习机（ELM）作为一种高效的单隐层前馈神经网络训练方法，以其快速的训练速度和良好的泛化性能在机器学习领域占有一席之地。
2025-01-11 10:56:21
1333
原创 Python学习之函数带括号和不带括号
不带括号：当你不希望立即执行函数，而是希望将函数本身（作为一个值）作为另一个函数的参数或者返回值，或者将其作为一个变量赋值时，你可以不在函数名后面加括号。如果函数不需要任何参数，你可以选择是否使用括号。但是，一旦你的函数定义包含了参数列表，你就必须在调用时使用括号。在Python中，定义函数时括号内的参数列表是函数签名的一部分，而函数调用时是否带括号决定了调用方式的不同。带括号：当你希望立即执行函数，并获取其返回值或执行其副作用时，你应该在函数名后面加上括号。
2025-01-09 17:44:01
190
原创 通俗易懂之广义加性模型GAM概述
广义加性模型（Generalized Additive Models，简称GAM）是一类灵活的统计模型，扩展了传统的广义线性模型（Generalized Linear Models，GLM）。GAM通过将响应变量与多个预测变量的平滑函数相加的方式，捕捉数据中的非线性关系，从而提供更为精确和灵活的建模能力。
2025-01-09 17:35:45
601
原创 通俗易懂之线性回归时序预测PyTorch实践
线性回归是一种用于预测因变量（目标变量）与一个或多个自变量（特征变量）之间关系的统计方法。其目标是在数据点之间找到一条最佳拟合直线，使得预测值与实际值之间的误差最小。基本形式简单线性回归：只有一个自变量。多元线性回归：包含多个自变量。本文将聚焦于简单线性回归，即仅考虑一个自变量的情况。本文从线性回归的基本概念出发，详细介绍了其数学原理和应用场景，并通过一段PyTorch代码演示了线性回归模型的实现过程。从数据生成、参数初始化、模型训练到结果可视化，全面展示了线性回归的实际应用。
2025-01-08 23:49:48
1246
1
原创 mac miniforge3替代miniconda3，pip使用出错pip: bad inteno such file or directory
将文件的第一行（shebang）从： #!/Users/**/apppath/miniconda3/envs/**/bin/python修改为： #!脚本中的 shebang 行，使其指向当前环境的 Python 解释器。无法解决问题，您可以手动编辑。在激活环境后，强制重新安装。脚本仍然引用了已删除的。
2024-12-05 16:15:57
541
原创 可解释AI论文常用术语
interpretability 可解释性。comprehensible 可理解的。understandable 易懂的。parsimonious 简约的。transparent 透明的。black boxes 黑盒。
2024-11-01 15:58:16
159
原创 时序预测的一些术语
特征变量，一般可称为input variables, predictors, features。数据集有n个样本，一般可称为observations，examples，instances。目标变量，一般可称为response, outcome。
2024-08-29 14:40:35
175
原创 Markdown编辑器使用说明
你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：撤销：Ctrl/Command + Z重做：Ctrl/Command + Y加粗：Ctrl/Command + B斜体：Ctrl/Command + I标题：Ctrl/Command + S
2024-08-02 10:54:43
843
原创 广义加性模型的参数、半参数、非参数形式
在统计学中，广义加性模型（GAM）是一种广义线性模型，其中线性响应变量线性地依赖于一些预测变量的未知光滑函数，并且人们对这些光滑函数的推理很感兴趣。GAM最初由Trevor Hastie和Robert Tibshirani[1]开发，用于将广义线性模型的性质与加性模型相结合。它们可以被解释为朴素贝叶斯生成模型的判别推广。该模型将一个单变量响应变量Y和一些预测变量联系起来。为Y指定指数族分布，例如正态分布、二项分布或者泊松分布，以及通过如下结构。
2024-07-01 11:47:46
2813
原创 Vscode flake8插件 python代码语法格式检测/代码过长等误报设置
在vscode中python格式检测使用flake8插件很方便，但是经常会报出一些不必要错误，影响开发效率，忽略这些错误可以帮助减少对于特定项目可能不太关键的PEP 8警告或代码风格问题的干扰，特别是在项目有自己的格式化和编码标准时。选项来忽略特定的错误和警告，是一种常见的做法，以使代码检查更加符合特定项目的标准或个人偏好。时合理选择忽略哪些规则，可以确保它成为一个有用的工具，帮助而不是阻碍开发过程。
2024-06-15 16:33:47
1179
原创 git保持本地自有分支与团队分支的更新一致
远程仓库的shandong_sys_develop是团队开发主分支，我本地的分支是shandong_sys_cqm,我本地的分支显示Your branch is ahead of ‘origin/shandong_sys_develop’ by 2 commits。在这里，git checkout shandong_sys_develop 切换到你的主分支，然后 git pull origin shandong_sys_develop 会从远程仓库抓取最新的提交并合并到你的本地主分支。
2024-06-13 11:00:13
366
原创 在远程服务器上使用jupyter运行代码，使用配置好的conda环境
这将会安装 Jupyter 和 IPython 内核，并且为你的 Conda 环境添加一个 Jupyter 内核。–display-name 是你在 Jupyter 中见到的环境名称。确保在你的 Conda 环境中安装了 Jupyter，并为该环境创建了一个 Jupyter 内核。激活 Conda 环境。
2024-06-07 16:44:55
372
原创 git 从远程仓库拉取分支到本地开发再推送到远程的流程
首先，确保你的本地仓库与远程仓库同步。是远程仓库的默认名称；如果你的远程仓库有不同的名称，请替换为实际名称。更改完成并提交后，你可以把这些更改推送回远程仓库。使用 rebase 时，请谨记，如果你的本地分支。，可以用下面的命令创建它，并设置为跟踪远程的。有未推送的更改，这些改动将会被重新定位到。已存在并且你想要更新它以包含远程。如果你之前没有创建过本地分支。分支的代码，并在本地的。
2024-06-07 14:53:36
174
原创 在两台电脑上对同一个分支进行开发，用git进行版本管理保持二者同步的流程
使用这样一种流程，你可以确保在两台电脑上进行开发时，代码保持同步，同时利用Git提供的分支管理和合并功能来高效协作。这个命令会获取远程分支的最新变更，并自动合并（merge）到你的本地分支。如果在你提交后其他变更已被推送到远程仓库，可能需要再次拉取（: 编辑文件，新增功能或者修复bugs等。写一个清晰的提交信息，说明你做了哪些更改。
2024-05-24 11:41:03
848
原创 vscode中调试debug的路径设置
但是当前路径经常是在根目录，只需要把"cwd": "${fileDirname}"添加进去即可。在vscode中通过launch.json配置调试器，但是当前路径经常是在根目录。
2024-04-10 16:17:07
2841
原创 git 将本地分支推送到远程分支
要将本地分支推送到远程仓库的某个分支（可以是同名的分支，也可以是不同名的分支），你可以使用。： 如果你想在以后的推送中不再每次都指定远程分支名（即设置默认的上游分支），你可以使用。： 如果你需要覆盖远程分支（这很危险，因为它会丢失远程分支上的更改！在推送到远程仓库之前，你也可能想要先执行。但是，请只在真正必要且明确了解后果的情况下使用强制推送。如果远程分支不存在，Git 会创建一个新的远程分支。将你的改动添加到暂存区，并且使用。即可将更改推送到关联的远程分支。以确保你的本地分支是最新的。
2024-04-07 11:35:47
9177
原创 xarray库（版本‘2023.1.0‘）报错TypeError: __init__() got an unexpected keyword argument ‘base‘
估计是由于与pandas版本不兼容引起的，尤其是pandas'2.0.3'版本，我改为 pip install pandas==1.5.3就可以了。
2024-04-02 15:24:41
491
1
原创 vim 中的复制、粘贴、删除快捷操作
这条命令会删除光标所在的整行，并且会将删除的内容存放到 Vim 的寄存器中，这样你可以在需要的时候粘贴它。来粘贴刚才删除的内容，因为删除的内容实际上是被“剪切”的，就像我们在复制（yank）操作中提到的那样。命令前面加上一个数字来指定要删除的行数。将删除光标所在的行以及其下面的两行，共计三行。请注意，在 Vim 中执行删除操作后，可以使用。后，该行就会被复制到 Vim 的寄存器中。如果你想删除多行，你可以在。
2024-03-27 16:34:52
3355
原创 苹果电脑压缩的zip文件在windows上打开文件名乱码
我发现用7-zip解压文件，然后通过选中需要的文件复制也可以让文件名不乱码。在这个博客中有了两个解决方案。
2024-03-20 11:33:38
2967
原创 变分自编码器（Variational Autoencoder, VAE）学习笔记
本文主要是参照苏大神的博客https://kexue.fm/archives/5253记录的学习笔记，因为VAE很不好懂，数学概率比较多，所以特意记录一下看看自己到底有没有看明白VAE.符号说明真实数据：,；样本的分布：;潜变量：从潜变量采样生成的数据VAE的传统理解当我们有一批数据样本时，我们希望根据得到的分布，那样就可以根据来采样，生成所有的可能的样本。但是根据得到...
2023-10-16 16:05:19
214
1
原创 VS C++调用python进行画图matplotlib，找不到python36.dll的解决
这篇博文给出了VS C++调用python进行画图matplotlib的过程，非常好！只是我在按照他的说明进行时提示找不到python36.dll，我们在此解决这个问题。https://blog.youkuaiyun.com/a19990412/article/details/85079329?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.nonecase&depth_1-utm_sour
2020-07-08 19:54:17
1464
1
原创 （在pytorch首页找不到对应的版本时）pytorch安装
https://blog.youkuaiyun.com/water19111213/article/details/104352503?utm_medium=distribute.pc_relevant.none-task-blog-baidujs-1给出了详细的win10+cuda10.0+pytorch的安装方式。但有时候我们所需的版本不太容易找到对应的版本。pytorch的官网首页https://pytorch.org/提供了对应的根据自己的电脑配置，选择相应的选项的分类表但是呢，有时候我们所需要的版
2020-06-29 17:55:08
7919
原创 图模型中条件独立的三种典型情况的概率密度推导
在图模型中，条件独立有以下三种典型情况的联合概率均可以从条件概率中推导出条件独立的定义,A和B关于C条件独立，那么，这一条即可通过条件独立定性理解（BC同时发生对A的影响与只有C发生对A的影响是一样的），也可通过公式推导(百度百科条件独立性)两个变量的条件概率公式三个变量的条件概率公式，将其中两项看作一项即可（1）头尾相接因为头尾相接的情况时X,Z关于Y条件独立，根据条件独立的定义，所以（2）尾尾相接这种情况因为Y和Z是条件独立的，所以,所
2020-05-31 23:05:29
1305
MinGW64离线安装包(gcc-5.3)，适用于MATLAB R2017b and R2018a
2020-03-05
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人