qq_44497516的博客

原创 【开源】STM32H7-UART+DMA配置测试【含源码】

STM32H7串口DMA+CubeMX+HAL库

原创 电流检测电路公式推导

原创 python3使用pip安装jupyter

python3使用pip安装jupyter 管理员权限打开cmd命令行 将python3安装文件夹权限提升，右键选择“属性”，点击“安全”栏，编辑权限在“完全控制”后面打勾，点击应用。随后在python3安装文件夹里按住shift键加鼠标右键，选择“在此次打开Powershell窗口” 升级pip至最新版 在cmd命令行输入以下指令升级pip pip3 install --upgrade pip 安装jupyter 在cmd命令行输入以下指令安装jupyter pip3 install jupy

原创 读书笔记-统计学习方法-逻辑斯谛回归与最大熵模型

读书笔记-统计学习方法-逻辑斯谛回归与最大熵模型 逻辑斯谛回归模型 逻辑斯谛分布定义 设XXX是连续随机变量， XXX服从逻辑斯谛分布是指XXX具有下列分布函数和密度函数： F(x)=P(X≤x)=11+e−(x−μ)/γf(x)=F′(x)=e−(x−μ)/γγ(1+e−(x−μ)/γ)2 F(x) = P(X\le x) = \frac{1}{1+e^{-(x-\mu)/\gamma}} \\ f(x) = F'(x) = \frac{e^{-(x-\mu)/ \gamma }}{\gamma (1+e

原创 读书笔记-统计学习方法-决策树

读书笔记-统计学习方法-决策树 决策数模型与学习 定义 分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点(node)和有向边（directed edge）组成。结点有两种类型：内部结点（internal node）和叶结点（leaf node）。内部结点表示一个特征或属性，叶结点表示一个类。 特征选择 **熵（entropy）**表示随机变量不确定行的度量。 设XXX是一个取有限个值的离散随机变量，其概率分布为 P(X=xi)=pi,i=1,2,...,n P(X=x_i)=p_i,i=1

原创 读书笔记-统计学习方法-朴素贝叶斯法

读书笔记-统计学习方法-朴素贝叶斯法 朴素贝叶斯法的学习与分类 输入空间：X⊆Rn\mathcal{X}\sube R^nX⊆Rn 输出空间：Y={c−1,c2,...,cK}\mathcal{Y}=\{c-1,c_2,...,c_K\}Y={c−1,c2​,...,cK​} 输入为特征向量：x∈Xx \in \mathcal{X}x∈X 输出类标记：y∈Yy\in \mathcal{Y}y∈Y XXX是定义在输入空间上的随机向量 YYY是定义在输出空间上的随机向量 P(X,Y)P(X,Y)P(X,Y)是X

原创 读书笔记-统计学习方法-k近邻法

读书笔记-统计学习方法-kkk近邻法 kkk近邻 算法： ​ 输入：训练数据集 T={(x1,y1),(x2,y2),...,(xN,y(N))} T = \{(x_1,y_1),(x_2,y_2),...,(x_N,y(N))\} T={(x1​,y1​),(x2​,y2​),...,(xN​,y(N))} 其中，xi∈X⊆Rnx_i \in \mathcal{X} \sube \bold R^nxi​∈X⊆Rn为实例的特征向量，yi∈Y={c1,c2,...,cK}y_i \in \mathcal{Y

原创 西瓜书——决策数相关笔记

ECOC——纠错输出码 ECOC工作过程主要分两步 编码：对N个类别做M次划分，每次划分将一部分类别划为正类，一部分划为反类，从而形成一个二分类训练集；这样一共产生M个训练集，壳训练出M个分类器。 解码：M个分类器分别对测试样本进行预测，这些预测标记组成一个编码，将这个预测编码与每个类别各自的编码进行比较，返回其中距离最小的类别作为最终预测结果 类别不平衡问题 令m+m^{+}m+表示正例数目，m−m^{-}m−表示反例数目， 若y1−y>m+m−则预测为正例 若 \frac{y}{1-y} &g

原创 一图流学习python爬虫

由本人整理的mooc嵩天老师的python基础语法课程，以一图流的思维导图形式展开，方便学习和使用

原创 一图流学习python基础语法

一图流学习python基础语法 由本人整理的mooc精品课程嵩天老师的python基础语法课程，以一图流的思维导图形式展开，方便学习和使用 图片太大了导不进来只能放下载链接了，等我调整完图片大小再发一次 ...