<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_44949310的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_44949310</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_44949310]]></copyright><item><title><![CDATA[Tensorflow2.0学习笔记（4）:鸢尾花分类（sequential搭建）]]></title><link>https://blog.youkuaiyun.com/qq_44949310/article/details/108352313</link><guid>https://blog.youkuaiyun.com/qq_44949310/article/details/108352313</guid><author>qq_44949310</author><pubDate>Wed, 02 Sep 2020 00:21:35 +0800</pubDate><description><![CDATA[Tensorflow2.0学习笔记（4）:鸢尾花分类（sequential搭建）
概述
上一篇笔记使用了一步一步搭建的方法，搭建了一个神经网络，下面将使用keras中打包好的函数搭建一个神经网络。使用keras搭建可以把上一篇笔记中的100多行代码，缩减到20多行，大大提高了开发效率。
搭建六步法
1. import
导入函数库
2. data
导入数据，观察数据，异常与缺失处理，数据乱序，数据类型转换
3. model=tf.keras.model.Sequential
搭建神经网络，相当于一个前向传播过]]></description><category></category></item><item><title><![CDATA[Tensorflow2.0学习笔记（3）:鸢尾花分类]]></title><link>https://blog.youkuaiyun.com/qq_44949310/article/details/108326322</link><guid>https://blog.youkuaiyun.com/qq_44949310/article/details/108326322</guid><author>qq_44949310</author><pubDate>Mon, 31 Aug 2020 22:31:58 +0800</pubDate><description><![CDATA[Tensorflow2.0学习笔记（3）:鸢尾花分类
概述
本文将会以鸢尾花分类为例子，展示一个简单的分类框架。
框架主要分为5个步骤：
1. 准备数据

数据集读入
观察数据
缺失与异常处理
数据类型转换
数据集乱序
生成训练集和测试集
特征与标签配对，分成batch（数据分成几个小部分）

2. 搭建网络

定义网络中所有可训练参数

3. 参数优化

利用训练集更新参数，显示当前loss

4. 测试效果

计算准确率，显示当前acc

5. acc/loss可视化
准备数据
import panda]]></description><category></category></item><item><title><![CDATA[Tensorflow2.0学习笔记（2）:常用函数]]></title><link>https://blog.youkuaiyun.com/qq_44949310/article/details/108292384</link><guid>https://blog.youkuaiyun.com/qq_44949310/article/details/108292384</guid><author>qq_44949310</author><pubDate>Mon, 31 Aug 2020 17:24:34 +0800</pubDate><description><![CDATA[Tensorflow2.0学习笔记（1）:常用函数
tf.cast(张量名，dtype=数据类型)  转换数据类型
a=tf.constant([1,2,3,4,5])
print(a)
print(tf.cast(a,tf.float32))


tf.reduce_min(张量名)  找最小值
print(tf.reduce_min(a))
print(tf.reduce_max(a))


tf.reduce_max(张量名)  找最大值
print(tf.reduce_min(a))
print(t]]></description><category></category></item><item><title><![CDATA[Tensorflow2.0学习笔记（1）：张量]]></title><link>https://blog.youkuaiyun.com/qq_44949310/article/details/107622598</link><guid>https://blog.youkuaiyun.com/qq_44949310/article/details/107622598</guid><author>qq_44949310</author><pubDate>Fri, 28 Aug 2020 17:36:21 +0800</pubDate><description><![CDATA[Tensorflow2.0学习笔记（1）：张量
张量
张量是Tensorflow（以下简称‘ tf ’ ）中基本的数据结构，与numpy的array大致相同。实际上，张量继承了numpy数据结构array的很多属性与方法。下面将介绍张量的基本结构与相关操作
张量维数




阶
l例子




0
S=1 2 3


1
v=[1,2,3]


2
m=[[ 1,2,3],[4,5,6],[7,8,9 ]]


n
t=[ [ …[     (此处有n个“[”)


数据类型




dtype
数据类型
]]></description><category></category></item><item><title><![CDATA[数据挖掘之特征工程简要流程]]></title><link>https://blog.youkuaiyun.com/qq_44949310/article/details/105165791</link><guid>https://blog.youkuaiyun.com/qq_44949310/article/details/105165791</guid><author>qq_44949310</author><pubDate>Sat, 28 Mar 2020 19:47:00 +0800</pubDate><description><![CDATA[1.特征工程是什么
相信很多人都听说过这么一句话，数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。顾名思义，特征工程的目的是最大限度地从原始数据中提取特征以供算法和模型使用；特征工程的核心部分是特征处理，包括数据标准化，数据归一化，特征筛选，降维等。
2.数据预处理
2.1异常值处理
在一个数据集里面往往会存在一些异常值，孤立值。虽说它们是数据集的一部分，但是相对于数据集整体来说...]]></description><category></category></item><item><title><![CDATA[numpy库常用解析]]></title><link>https://blog.youkuaiyun.com/qq_44949310/article/details/105080231</link><guid>https://blog.youkuaiyun.com/qq_44949310/article/details/105080231</guid><author>qq_44949310</author><pubDate>Tue, 24 Mar 2020 21:46:30 +0800</pubDate><description><![CDATA[numpy常用解析numpy简介创建数组数组的基本属性数组的切片
最近使用到numpy库比较多，所以就想着做一个常用解析来梳理一下numpy的常用功能
numpy简介
numpy是常用的科学计算标准库，它与pandas的区别在于，pandas更擅长于数据挖掘，numpy擅长于科学计算。
numpy 库处理的最基础数据类型是由同种元素构成的多维数组 (ndarray), 简称” 数组＂。
创建数组
...]]></description><category></category></item><item><title><![CDATA[数据挖掘之数据预分析的简单流程]]></title><link>https://blog.youkuaiyun.com/qq_44949310/article/details/105047707</link><guid>https://blog.youkuaiyun.com/qq_44949310/article/details/105047707</guid><author>qq_44949310</author><pubDate>Mon, 23 Mar 2020 20:58:39 +0800</pubDate><description><![CDATA[1.什么是EDA
EDA即数据探索性分析，在数据挖掘建立模型解决问题之前对数据集进行探索性分析，熟悉数据集，了解数据集各属性之间的大致关系和基本特征，为之后的建模，调试做准备。
2.载入数据
常用的库有pandas、numpy、matplotlib、seabon。pandas、numpy为数据科学库，matplotlib、seabon为数据可视化库。其中pandas侧重于数据分析，numpy侧重于...]]></description><category></category></item><item><title><![CDATA[数据分析缺失值与异常值常见处理方法]]></title><link>https://blog.youkuaiyun.com/qq_44949310/article/details/105033866</link><guid>https://blog.youkuaiyun.com/qq_44949310/article/details/105033866</guid><author>qq_44949310</author><pubDate>Sun, 22 Mar 2020 20:00:48 +0800</pubDate><description><![CDATA[数据分析缺失值与异常值常见处理方法
在数据分析中常常会遇到数据残缺不全或异常的情况，下面介绍几种常见的处理方法
丢弃
这种效率最高，操作最简单，但是丢弃数据会损失部分信息。主要适用于，丢弃缺失大量数据的行或列，或者丢弃大量数据项中极少的数据缺失项
补全
顾名思义即使用科学的方法补全数据，这种方法对后续的建模大有好处

统计法
使用均值，加权均值，众数等统计量进行补全
模型法
基于现有数据使用神经网...]]></description><category></category></item><item><title><![CDATA[Android Studio程序运行时去掉顶部标题栏]]></title><link>https://blog.youkuaiyun.com/qq_44949310/article/details/100837915</link><guid>https://blog.youkuaiyun.com/qq_44949310/article/details/100837915</guid><author>qq_44949310</author><pubDate>Sat, 14 Sep 2019 22:47:18 +0800</pubDate><description><![CDATA[As创建新程序时，默认顶部标题栏存在。在具体的开发中这个标题栏往往会占用很多空间，影响美感。

删去顶部标题栏的方法很简单

打开styles.xml文件

增加语句：
&lt;item name="windowNoTitle"&gt;true&lt;/item&gt;

标题栏即可去掉


...]]></description><category></category></item></channel></rss>