- 博客(18)
- 收藏
- 关注
RSS订阅原创 后台管理员账户相关页面
1.账户登录相关界面 新建user这样一个对象文件 会有登录，编辑，重置密码的方法 2.账户管理相关界面 新建一个account，里面有账户列表，新建或者编辑账户，info是账户详情的方法 第一步：搭建管理员登录的模块 common文件夹，里面有两个layout,是统一布局 重构了flask的某些方法 ...
2019-02-18 22:30:33
1186
原创 Python+flask小程序---打造高可用的flask MVC框架
1.先把整个框架结构的目录建立好如下图： 2.先在application.py中进行封装 3.我们的配置如何去加载不同环境的配置 4.将所有的配置进行统一的规划
2019-02-12 16:04:59
1490
原创 flask蓝图路由规划
flask官方文档 flask蓝图路由1 flask蓝图路由2 关于链接管理规划的原因解释 使用默认的方式来注入路由，这使得路由没有规划，链接地址没有规划，这样为了使同一前缀的路由放在一起，就使用蓝图功能，然后通过注入的方式，将其注入进来，就可以进行访问，这样就可以将链接进行管理起来比较好比较方便。 统一使用蓝图功能进行url的规划。 ...
2019-02-10 18:18:11
840
原创 挖掘建模--关联规则
关联规则分析也称购物篮分析。 常用关联规则分析 算法名称 算法描述 Apriori 最经典的挖掘频繁项集的算法，其核心思想是通过连接产生候选项及其支持度然后通过剪枝生成频繁项集 FP-Tree 针对Apriori算法固有的多次扫描事物数据集的缺陷，提出的不产生候选频繁项集的方法，也是寻找频繁项集的算法 Eclat算法 一种深度优先算法，采用垂直数据表示形式，在概念格理论的举...
2019-02-02 20:25:33
392
原创 挖掘建模--聚类分析
与分类不同，聚类分析是在没有给定划分类别的情况下，根据数据相似度进行样本分组的一种方法。，聚类模型可以建立在无类标记的数据上，是一种非监督的学习算法。聚类的输入是一组为被标记的样本，聚类根据数据自身的距离或相似度将其划分为若干组，划分的原则是组内距离最小化而组间距离最大化。 常用聚类方法 类别 包括的主要算法 划分方法 K-Means算法，K-MEDOIDS算法，CLARANS算法...
2019-02-02 12:08:04
698
原创 挖掘建模--分类与预测
1.分类与预测 1.1实现过程 分类是构造一个分类模型，输入样本的属性值，输出对应的类别，将每个样本映射到预先定义好的类别。 分类属于有监督学习。 分类算法有两步过程：第一步是学习步，通过归纳分析训练样本集来建立分类模型得到分类规则，第二步是分类步，先用已知的测试样本集评估分类规则的准确率，如果准确率是可以接受的则使用该模型对未知类标号的待测样本集进行预测。 1.2常用的分类与预测算法 ...
2019-01-30 15:26:15
583
原创 挖掘与建模--分类与预测--人工神经网络
人工神经网络（Artificial Neural Networks,ANN）是模拟生物神经网络进行信息处理的一种数学模型。 人工神经元是人工神经网络操作的基本信息处理单位。 一个人工神经元对输入信号X=[x1,x2,…xm]的输出为y为y=f(u+b)，其中u为wi*xi所有的和。 激活函数主要有以下几种 人工神经网络的学习也称为训练，指的是神经网络在受到外部环境的刺激下调整神经网络的参数，使...
2019-01-30 15:24:33
2442
1
原创 挖掘建模--分类与预测--决策树
决策树是一个树状结构，它的每一个叶节点对应着一个分类，非叶节点对应着在某个属性上的划分，根据样本在该属性上的不同取值将其划分成若干个子集。构造决策树的核心问题是在每一步如何选择适当的属性对样本做拆分，对一个分类问题，从已知类标记的训练样本中学习并构造出决策树是一个自上而下，分而治之的过程。 常用的决策树算法 决策树算法 算法描述 ID3算法 其核心是在决策树的各级节点上，使用信息增...
2019-01-29 17:40:50
547
原创 挖掘建模--分类与预测--回归分析
回归分析 回归分析是通过建立模型来研究变量之间相互关系的密切程度，结构状态及进行模型预测的一种有效工具。 常用的回归模型： 回归模型名称 适用条件 算法描述 线性回归 因变量与自变量是线性关系 对一个或多个自变量与因变量之间的线性关系进行建模，用最小二乘法求解模型系数 非线性回归 因变量与自变量之间不都是线性关系 能转化为线性关系用线性回归的思想求解，不能的时候，用非线性最小...
2019-01-28 13:34:42
597
原创 数据预处理
数据预处理的主要内容包括：数据清洗，数据集成，数据变换，数据规约。 数据清洗 缺失值处理 分为3类：删除记录，数据插补，不处理 常用的插补方法有以下： 插补方法 方法描述 均值/中位数/众数 根据属性值的类型，用该属性取值的平均数/中位数/众数进行插补 使用固定值 将缺失的属性用一个常量替换 最近临插补 在记录中找到与缺失样本最接近的样本的该属性值插补 回归方法 对带有...
2019-01-26 23:29:29
389
原创 数据探索
数据探索有两个角度：数据质量分析和数据特征分析 数据质量分析 数据质量分析的主要任务是检查原始数据中是否存在脏数据，脏数据包括：缺失值，异常值，不一致的值，重复数据及含有特殊符号的数据。 缺失值分析 缺失值的处理有三个：删除存在缺失值的记录，对可能值进行插补，不处理。 异常值分析（离群点分析） 异常值分析是检验数据是否有录入错误以及含有不合常理的数据。 （1）简单统计量分析：最大值，最小值 （2）...
2019-01-24 20:13:55
370
原创 python数据分析简介
pyhton以最短的代码完成任务，因此运行效率并不高，又称“胶水语言”，因为它允许我们把耗时的核心部分用C/C++等更高效率的语言编写，然后由它来“黏合”，来解决了运行效率的问题。 数据结构 python有四个内建的数据结构——List（列表），Tuple（元组），Dictionary（字典），Set（集合），它们统称为“容器（container）”。 列表和元组都是序列结构，列表用方括号标记[]...
2019-01-24 18:02:46
597
原创 读文献《时序数据挖掘在电站设备中的监测中的应用研究》
关于OLTP(在线事务处理）： OLTP 关于时序数据库： 时序数据库 关于空间数据库： 空间数据库 关于多媒体数据库： 多媒体数据库 关于数据仓库： 数据合库是一个面向主题的、相对稳定的、集成的、反映历史变化的数据集合，用于支持管理决策。 数据仓库的显著特点是面向集成性、主题性、稳定性和时变性等。 数据仓库体系结构如图所示： 关于ETL（Extraction-Transformation-L...
2019-01-18 21:34:56
210
原创 Python学习笔记3
list Python内置的一种数据类型是列表：list。list是一种有序的集合，可以随时添加和删除其中的元素。 示例：classmates = [‘wangjie’,‘bob’,‘liming’] 用len()函数可以获得list元素的个数。 用索引来访问list中每一个位置的元素，记得索引是从0开始的。 list里面的元素的数据类型也可以不同。 list元素也可以是另一个list。 tupl...
2019-01-16 21:31:53
174
原创 python学习笔记2
注释语句以 # 开头 当语句以冒号==：结尾时，缩进的语句视为代码块 始终坚持使用4个空格的缩进 python程序对大小写敏感== Python使用缩进来组织代码块，请务必遵守约定俗成的习惯，坚持使用4个空格的缩进。 在文本编辑器中，需要设置把Tab自动转换为4个空格，确保不混用Tab和空格。 数据类型 在python中，能够直接处理的数据类型有以下几种： 整数： 1 ， 100 ， -80 ， ...
2019-01-16 16:06:17
178
原创 python学习笔记1
python简介 Python适合开发哪些类型的应用呢？ 首选是网络应用，包括网站、后台服务等等； 其次是许多日常需要的小工具，包括系统管理员需要的脚本任务等等； 另外就是把其他语言开发的程序再包装起来，方便使用。 Python的缺点： 第一个缺点就是运行速度慢，和C程序相比非常慢，因为Python是解释型语言，你的代码在执行时会一行一行地翻译成CPU能理解的机器码，这个翻译过程非常耗时，所以很慢...
2019-01-16 12:18:43
136
原创 读文献“大数据可视分析综述”
大数据具有4V特征，即:体量巨大(volume)、类型繁多(variety)、时效性高(velocity)以及价值高密度低(value)。 大数据分析的理论和方法研究可以从两个维度展开:一是从机器或计算机的角度出发,强调机器的计算能力和人工智能,以各种高性能处理算法、智能搜索与挖掘算法等为主要研究内容,例如基于 Hadoop 和 MapReduce 框架的大数据处理方法以及各类面向大数据的机器学习...
2019-01-15 11:25:24
2107
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