<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[w_shuo的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/w_shuo</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; w_shuo]]></copyright><item><title><![CDATA[范数的概念]]></title><link>https://blog.youkuaiyun.com/w_shuo/article/details/119061541</link><guid>https://blog.youkuaiyun.com/w_shuo/article/details/119061541</guid><author>w_shuo</author><pubDate>Sat, 24 Jul 2021 17:37:06 +0800</pubDate><description><![CDATA[（1）向量范数
如果定义一个向量为：a=[-5，6，8, -10]
向量的1范数即：向量的各个元素的绝对值之和，上述向量a的1范数结果就是：29；
向量的2范数即：向量的每个元素的平方和再开平方根，上述a的2范数结果就是：15；
向量的负无穷范数即：向量的所有元素的绝对值中最小的：上述向量a的负无穷范数结果就是：5；
向量的正无穷范数即：向量的所有元素的绝对值中最大的：上述向量a的负无穷范数结果就是：10；
（2）矩阵范数
定义矩阵A = [ -1  2 -3；
      4 -6  6]
矩阵的1范数（]]></description><category></category></item><item><title><![CDATA[西瓜书把书读薄之决策树]]></title><link>https://blog.youkuaiyun.com/w_shuo/article/details/116130706</link><guid>https://blog.youkuaiyun.com/w_shuo/article/details/116130706</guid><author>w_shuo</author><pubDate>Thu, 06 May 2021 16:11:10 +0800</pubDate><description><![CDATA[目录
一、串联
决策树（多个判定条件的分类问题）–&gt; 如何判定（划分选择）
二、决策树概念
概念：属于分类问题（在用基尼指数的时候，也有回归树）。
组成部分：一颗决策树一般包括一个根节点（样本全集）、若干个内部节点（测试属性）、若干个子节点（决策结果）。算法如下：

返回的判定条件：

当前节点包含的样本全部属性属于同一类别，无需划分。
当前属性集为空，或是所有样本在所有属性上取值相同，无法划分。（把节点标记为叶节点，类别为样本中类别占比最大的）
当前节点包含的样本集合为空，不能划分。

三、划分选择]]></description><category></category></item><item><title><![CDATA[jieba切词的函数区别]]></title><link>https://blog.youkuaiyun.com/w_shuo/article/details/114696942</link><guid>https://blog.youkuaiyun.com/w_shuo/article/details/114696942</guid><author>w_shuo</author><pubDate>Fri, 12 Mar 2021 16:26:56 +0800</pubDate><description><![CDATA[jieba包分词函数
#jieba.cat()函数
#jieba.lcat()函数
#jieba.posseg.cut()函数
#jieba.posseg.lcut()函数

]]></description><category></category></item><item><title><![CDATA[数据处理之pandas 中unique()函数与nunique()函数区别]]></title><link>https://blog.youkuaiyun.com/w_shuo/article/details/109285325</link><guid>https://blog.youkuaiyun.com/w_shuo/article/details/109285325</guid><author>w_shuo</author><pubDate>Mon, 26 Oct 2020 10:45:54 +0800</pubDate><description><![CDATA[pandas 之unique()函数与nunique()函数区别.
区别：
（1）unique()是以 数组形式（numpy.ndarray）返回所选列的所有唯一值（特征的所有唯一值）

（2）nunique() Return number of unique elements in the object.即返回的是唯一值的个数；
等同于用法：len(ratings_df[‘title’].unique())


...]]></description><category></category></item><item><title><![CDATA[数据处理之数据去重]]></title><link>https://blog.youkuaiyun.com/w_shuo/article/details/109278661</link><guid>https://blog.youkuaiyun.com/w_shuo/article/details/109278661</guid><author>w_shuo</author><pubDate>Mon, 26 Oct 2020 10:44:57 +0800</pubDate><description><![CDATA[基本方法：
Pandas中数据去重一般是用duplicated()和drop_duplicates()两个方法进行相结合
函数介绍：

duplicated 返回一个布尔向量，其长度为行数，表示行是否重复。
drop_duplicates 删除重复的行。

用法示例：
movies_df.shape

(45463, 2)
movies_df.duplicated(['id', 'title']).sum() #返回重复项总数

30
movies_df.drop_duplicates(['id'], in]]></description><category></category></item><item><title><![CDATA[数据处理之Pandas中数据类型转换]]></title><link>https://blog.youkuaiyun.com/w_shuo/article/details/109245461</link><guid>https://blog.youkuaiyun.com/w_shuo/article/details/109245461</guid><author>w_shuo</author><pubDate>Fri, 23 Oct 2020 20:36:38 +0800</pubDate><description><![CDATA[Pandas中进行数据类型转换有三种基本方法：

使用astype()函数进行强制类型转换
自定义函数进行数据类型转换
使用Pandas提供的函数如to_numeric()、to_datetime()

举例数据
import numpy as np
import pandas as pd
 
data = pd.read_csv('data.csv', encoding='gbk') #因为数据中含有中文数据
data


使用astype()函数进行强制类型转换
data['客户编号'].astype(]]></description><category></category></item><item><title><![CDATA[Dropout]]></title><link>https://blog.youkuaiyun.com/w_shuo/article/details/106645355</link><guid>https://blog.youkuaiyun.com/w_shuo/article/details/106645355</guid><author>w_shuo</author><pubDate>Tue, 09 Jun 2020 16:49:17 +0800</pubDate><description><![CDATA[Dropout原理解析
##1.Dropout 原理理解
在对于神经网络的每个训练批次中，通过忽略一半的特征检测器（让一半的隐层节点值为0），可以明显地减少过拟合现象。这种方式可以减少特征检测器（隐层节点）间的相互作用，检测器相互作用是指某些检测器依赖其他检测器才能发挥作用。
Dropout说的简单一点就是：我们在前向传播的时候，让某个神经元的激活值以一定的概率p停止工作，这样可以使模型泛化性更强，因为它不会太依赖某些局部的特征，如图1所示。

##2.Dropout 的工作流程


...]]></description><category></category></item><item><title><![CDATA[《机器学习实战之kNN海伦约会》]]></title><link>https://blog.youkuaiyun.com/w_shuo/article/details/101677729</link><guid>https://blog.youkuaiyun.com/w_shuo/article/details/101677729</guid><author>w_shuo</author><pubDate>Sun, 29 Sep 2019 10:58:00 +0800</pubDate><description><![CDATA[《机器学习实战之kNN海伦约会》
问题阐述：TypeError: ufunc ‘multiply’ did not contain a loop with signature matching types dtype(’&lt;U32’) dtype(’&lt;U32’) dtype(’&lt;U32’)
网上找了很多资料，一直没有找到到底怎么回事。查看树上给的代码发现：
因为类型原因在读取文件的...]]></description><category></category></item></channel></rss>