studyvcmfc的专栏

重点提一点的是，从图形中我们可以发现：预测输出与 y 差得越多，L 的值越大，也就是说对当前模型的 “ 惩罚 ” 越大，而且是非线性增大，是一种类似指数增长的级别。这是由 log 函数本身的特性所决定的。这样的好处是模型会倾向于让预测输出更接近真实样本标签 y。https://blog.youkuaiyun.com/red_stone1/article/details/80735068...

https://www.zhihu.com/question/19734616

https://blog.youkuaiyun.com/qq_36783389/article/details/107339312

https://blog.youkuaiyun.com/qq_43468729/article/details/84797399?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-3.base&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommen

调整模型 与 提纯样本的关系过程有点类似EM算法过程，不知道这样理解是否是正确理解，固定A调B,B调到最优后，固定B再调A,循环往复，直至最优。 个人理解

https://zhuanlan.zhihu.com/p/26293316

warnings.warn(f"Pass {args_msg} as keyword args. From versionFutureWarning: Pass threshold=18 as keyword args. From version 0.25 passing these as positional arguments will result in an error FutureWarning)看了看代码，问题应该是这里：# 创建二值化器binarizer = Binari.

https://zhidao.baidu.com/question/67666978.html

http://frankchen.xyz/2018/01/30/Understanding-TSNE/

https://blog.youkuaiyun.com/u011734144/article/details/80277225

https://blog.youkuaiyun.com/vesper305/article/details/44927047

https://baike.baidu.com/item/%E9%95%BF%E5%B0%BE%E5%88%86%E5%B8%83/3291892?fr=aladdin

特征重要性评估现实情况下，一个数据集中往往有成百上前个特征，如何在其中选择比结果影响最大的那几个特征，以此来缩减建立模型时的特征数是我们比较关心的问题。这样的方法其实很多，比如主成分分析，lasso等等。不过，这里我们要介绍的是用随机森林来对进行特征筛选。用随机森林进行特征重要性评估的思想其实很简单，说白了就是看看每个特征在随机森林中的每颗树上做了多大的贡献，然后取个平均值，最后比一比特征之间的贡献大小。好了，那么这个贡献是怎么一个说法呢？通常可以用基尼指数（Gini index）或者袋外数据（O

https://baijiahao.baidu.com/s?id=1595694479923195400&wfr=spider&for=pc

https://blog.youkuaiyun.com/zhulingchen/article/details/2123129

https://blog.youkuaiyun.com/weixin_34279246/article/details/90102855

https://blog.youkuaiyun.com/weixin_34279246/article/details/90102855

https://blog.youkuaiyun.com/qq_24591139/article/details/100328640

https://blog.youkuaiyun.com/mengjiexu_cn/article/details/97008269

https://www.jiqizhixin.com/articles/2017-11-13-7

https://blog.youkuaiyun.com/wchstrife/article/details/103292158

https://zhuanlan.zhihu.com/p/49073961

https://scikit-learn.org/stable/modules/generated/sklearn.manifold.TSNE.html

https://zhuanlan.zhihu.com/p/110207817

原来的数据结构（4，）对应原型[0,1,2,3]经过reshape(-1,1)后变为：原来的数据结构（4，1）对应原型[[0],[1],[2],[3]]说明：1每个里面的[]构成的二维数组的一行行，2 每个里面[]的数字（中间无,区别与list的[],list无论[]里外，均要用,作为分隔符）构成了具体的一列列...

https://zhuanlan.zhihu.com/p/113379115

https://www.cnblogs.com/bonelee/p/7849867.html

https://blog.youkuaiyun.com/qq_37344125/article/details/103996344

https://blog.youkuaiyun.com/made_in_china_too/article/details/106314632?utm_term=%E4%B8%80%E7%BB%B4%E5%90%91%E9%87%8F%E6%95%A3%E7%82%B9%E5%9B%BE&utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2~all~sobaiduweb~default-1-106314632&spm=3001.4

imblearn.base.py中调用output = self._fit_resample(X, y)注意 _fit_resample（）的定义位置只在base.py中而在RandomUnderSampler 无

Try replacing the 'Ratio' with 'sampling_strategy' :from imblearn.over_sampling import SMOTEsm = SMOTE(random_state=42, sampling_strategy=0.6)https://stackoverflow.com/questions/62225793/typeerror-init-got-an-unexpected-keyword-argument-ratio-when..

https://blog.youkuaiyun.com/weixin_35275162/article/details/112955985?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_title-0&spm=1001.2101.3001.4242

https://blog.youkuaiyun.com/aiaiai010101/article/details/73350990

https://baike.baidu.com/item/%E6%AC%A7%E5%87%A0%E9%87%8C%E5%BE%97%E5%BA%A6%E9%87%8F?fromtitle=%E6%AC%A7%E5%87%A0%E9%87%8C%E5%BE%97%E8%B7%9D%E7%A6%BB&fromid=2701459

https://baike.baidu.com/item/%E6%9B%BC%E5%93%88%E9%A1%BF%E8%B7%9D%E7%A6%BB/743092?fr=aladdin

https://zhuanlan.zhihu.com/p/61448727

https://www.cnblogs.com/bigdata-stone/p/10464243.html

https://zhuanlan.zhihu.com/p/88544122

数据结构AOE网关键路径问题，不算活动差，直接看事件最迟最早差，差为0的就是关键路径，这样做对么？数据结构AOE网关键路径问题，不算活动差，直接看事件最迟最早差，差为0的就是关键路径，这样做对么？我做了几道6，7个点的简单题，得出的结论是和计算活动时间差的答案一样。既然一样为什么要计算活动的时间差呢？不对，这个只是图比较简单，或者关键路径只有一条时可以如果关键路径并行的比较多，光计算顶点就不行了，只能一条一条弧（有向边）去检验https://zhidao.baidu.com/question/

https://www.cnblogs.com/wangyuliang/p/9216365.html