<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[水果的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_38630608</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_38630608]]></copyright><item><title><![CDATA[解决Error loading MySQLdb module. Did you install mysqlclient]]></title><link>https://blog.youkuaiyun.com/qq_38630608/article/details/89188339</link><guid>https://blog.youkuaiyun.com/qq_38630608/article/details/89188339</guid><author>qq_38630608</author><pubDate>Wed, 10 Apr 2019 17:12:58 +0800</pubDate><description><![CDATA[解决django.core.exceptions.ImproperlyConfigured: Error loading MySQLdb module.Did you install mysqlclient?问题
一、 前言：
1、本人使用的Mac系统
2、本人将完成好的Django项目移到到另外一个环境中遇到的问题⬇️

二、问题的关键点与解决问题的过程
后经过查资料，发现解决问题的关键：
1、...]]></description><category></category></item><item><title><![CDATA[07特征选择与降维]]></title><link>https://blog.youkuaiyun.com/qq_38630608/article/details/88087873</link><guid>https://blog.youkuaiyun.com/qq_38630608/article/details/88087873</guid><author>qq_38630608</author><pubDate>Sun, 03 Mar 2019 14:24:42 +0800</pubDate><description><![CDATA[一、特征选择
当数据预处理完成后，我们需要选择有意义的特征输入机器学习的算法和模型进行训练。通常来说，从两个方面考虑来选择特征：
特征是否发散：如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。  
特征与目标的相关性：这点比较显见，与目标相关性高的特征，应当优选选择。除方差法外，本文介绍的其他方法均从相关性考虑。  

根据特征选择...]]></description><category></category></item><item><title><![CDATA[06词特征表示实践]]></title><link>https://blog.youkuaiyun.com/qq_38630608/article/details/86597581</link><guid>https://blog.youkuaiyun.com/qq_38630608/article/details/86597581</guid><author>qq_38630608</author><pubDate>Tue, 22 Jan 2019 16:56:21 +0800</pubDate><description><![CDATA[读取数据
import pandas as pd
corpus=list(pd.read_table('words.txt').iloc[:,0])
#提取语料中的十个句子进行演示
corpus=corpus[10:20]
词特征表示方法
Common Vectorizer usage
sklearn
from sklearn.feature_extraction.text import Coun...]]></description><category></category></item><item><title><![CDATA[05词向量表示理论篇]]></title><link>https://blog.youkuaiyun.com/qq_38630608/article/details/86479770</link><guid>https://blog.youkuaiyun.com/qq_38630608/article/details/86479770</guid><author>qq_38630608</author><pubDate>Mon, 14 Jan 2019 16:38:36 +0800</pubDate><description><![CDATA[一、离散表示
1、词离散表示：One-hot 表示
语料库：
李杏 喜欢 喝 奶茶 
诗雅 也 喜欢 喝 奶茶
李杏 同样 喜欢 喝 果汁  

词典：
{“李杏”:1,”喜欢”:2,”喝”:3,”奶茶”:4,”诗雅”:5,”也”:6,”同样”:7,”果汁”:8}

One-hot 表示：
李杏:[1,0,0,0,0,0,0,0] 
喜欢:[0,1,0,0,0,0,0,0] 
… 
果汁:[0,0...]]></description><category></category></item><item><title><![CDATA[03数据清洗与自定义函数]]></title><link>https://blog.youkuaiyun.com/qq_38630608/article/details/85336207</link><guid>https://blog.youkuaiyun.com/qq_38630608/article/details/85336207</guid><author>qq_38630608</author><pubDate>Sat, 29 Dec 2018 11:21:20 +0800</pubDate><description><![CDATA[前言
1）本节课学习正则表达式的用法，为数据清洗打下基础
2）学习函数相关知识，提高代码的重用性以及可读性
python知识的补充
1、字符替换与正则表达式


简单的字符替换
str.replace()


print(help(str.replace))
Help on method_descriptor:

replace(...)
    S.replace(old, new[, coun...]]></description><category></category></item><item><title><![CDATA[02结巴分词和打标任务代码设计]]></title><link>https://blog.youkuaiyun.com/qq_38630608/article/details/85228542</link><guid>https://blog.youkuaiyun.com/qq_38630608/article/details/85228542</guid><author>qq_38630608</author><pubDate>Mon, 24 Dec 2018 09:07:33 +0800</pubDate><description><![CDATA[前言
1）处理的数据越大，对性能的要求越高，我们需要逐步学习python代码编写的性能方面的知识
2）学习程序设计，可以将一些机械化的人工操作让代码代劳
python知识补充
1、时间
查看当前时间：datetime.datetime.now()

import datetime
#查看当前时间
now_time = datetime.datetime.now()
print(now_time)
...]]></description><category></category></item><item><title><![CDATA[01文本文件读取和CSV文件的读取]]></title><link>https://blog.youkuaiyun.com/qq_38630608/article/details/84958637</link><guid>https://blog.youkuaiyun.com/qq_38630608/article/details/84958637</guid><author>qq_38630608</author><pubDate>Fri, 14 Dec 2018 15:55:38 +0800</pubDate><description><![CDATA[前言
1、为了进行下一步的分词操作，我们需要读取停用词表（分词中需去除的无用词）、评论数据。
2、停用词表的文件格式为txt，评论数据的文件格式为csv。我们通常使用open()函数读取txt,使用pandas库的read_csv方法读取csv文件。
文本文件的输入输出
文本文件的读写主要通过**open()**所构建的文件对象来实现。
help(open)
重点掌握参数
file : 一个包含了...]]></description><category></category></item><item><title><![CDATA[网络基础之网络协议篇]]></title><link>https://blog.youkuaiyun.com/qq_38630608/article/details/80138262</link><guid>https://blog.youkuaiyun.com/qq_38630608/article/details/80138262</guid><author>qq_38630608</author><pubDate>Sat, 28 Apr 2018 18:25:23 +0800</pubDate><description><![CDATA[1、物理层2、数据链路层功能：定义了电信号的分组方式以太网协议、mac地址、广播3、网络层IP协议、子网掩码（知道”子网掩码”，我们就能判断，任意两个IP地址是否处在同一个子网络。）arp协议功能：广播的方式发送数据包，获取目标主机的mac地址4、传输层我们通过ip和mac找到了一台特定的主机，如何标识这台主机上的应用程序，答案就是端口，端口即应用程序与网卡关联的编号。tcp协议：可靠传输， ud...]]></description><category></category></item><item><title><![CDATA[GBDT原理]]></title><link>https://blog.youkuaiyun.com/qq_38630608/article/details/77455376</link><guid>https://blog.youkuaiyun.com/qq_38630608/article/details/77455376</guid><author>qq_38630608</author><pubDate>Mon, 21 Aug 2017 19:29:10 +0800</pubDate><description><![CDATA[GBDT主要由三个概念组成：Regression Decistion Tree（即DT)，Gradient Boosting（即GB)，Shrinkage (算法的一个重要演进分枝，目前大部分源码都按该版本实现）。
一、 DT：回归树 Regression Decision Tree
GBDT的核心在于累加所有树的结果作为最终结果
GBDT中的树都是回归树，不是分类树，这点对理解GBDT相当]]></description><category></category></item><item><title><![CDATA[特征选择之python实战（一）]]></title><link>https://blog.youkuaiyun.com/qq_38630608/article/details/77145946</link><guid>https://blog.youkuaiyun.com/qq_38630608/article/details/77145946</guid><author>qq_38630608</author><pubDate>Sun, 13 Aug 2017 16:29:03 +0800</pubDate><description><![CDATA[前言：实际应用中特征作用远大于模型。
声明：本文为读书笔记，原文地址：http://www.tuicool.com/articles/ieUvaq



特征选择主要有两个功能：
1.减少特征数量、降维，使模型泛化能力更强，减少过拟合
2.增强对特征和特征值之间的理解


特征选择方法总览




1 去掉取值变化小的特征 Removing features with]]></description><category></category></item><item><title><![CDATA[如何选择合适的机器算法解决问题]]></title><link>https://blog.youkuaiyun.com/qq_38630608/article/details/76577316</link><guid>https://blog.youkuaiyun.com/qq_38630608/article/details/76577316</guid><author>qq_38630608</author><pubDate>Wed, 02 Aug 2017 17:19:32 +0800</pubDate><description><![CDATA[step 1：对问题进行分类
            法一：



            法二：
  


step 2：寻找可用的算法
根据分类结果，寻找对应合适的算法
2.1 分类
      2.1.1 SVM
               （1）可用于找到尽可能宽的分类的边界：当两个分类不能被清楚地分开时，该算法会找到其所能找到的最]]></description><category></category></item><item><title><![CDATA[学习路径之机器学习（1）]]></title><link>https://blog.youkuaiyun.com/qq_38630608/article/details/76571819</link><guid>https://blog.youkuaiyun.com/qq_38630608/article/details/76571819</guid><author>qq_38630608</author><pubDate>Wed, 02 Aug 2017 10:17:43 +0800</pubDate><description><![CDATA[1.大概学习路径图



2.数学基础


2.1 微积分：
知识：微积分的计算及物理意义，凸优化和条件最优化
运用：梯度下降法、牛顿法等。能理解“梯度下降是用平面来逼近局部，牛顿法是用曲面逼近局部”.


2.2 线性代数
知识：矩阵乘法，向量的内积运算
运用：矩阵乘法与分解主要运用在主成分分析（PCA)和奇异值分解（SVD）


2.3 概率与统计
知识：极]]></description><category></category></item></channel></rss>