<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[worther的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/worther</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; worther]]></copyright><item><title><![CDATA[hyperopt使用]]></title><link>https://blog.youkuaiyun.com/worther/article/details/127026267</link><guid>https://blog.youkuaiyun.com/worther/article/details/127026267</guid><author>worther</author><pubDate>Sun, 25 Sep 2022 16:38:14 +0800</pubDate><description><![CDATA[贝叶斯调参]]></description><category></category></item><item><title><![CDATA[sklearn交叉验证函数cross_val_score用法及参数解释]]></title><link>https://blog.youkuaiyun.com/worther/article/details/126909270</link><guid>https://blog.youkuaiyun.com/worther/article/details/126909270</guid><author>worther</author><pubDate>Sat, 17 Sep 2022 20:00:40 +0800</pubDate><description><![CDATA[交叉验证]]></description><category></category></item><item><title><![CDATA[miceforest插补]]></title><link>https://blog.youkuaiyun.com/worther/article/details/125485013</link><guid>https://blog.youkuaiyun.com/worther/article/details/125485013</guid><author>worther</author><pubDate>Tue, 28 Jun 2022 16:14:30 +0800</pubDate><description><![CDATA[miceforest]]></description><category></category></item><item><title><![CDATA[目标编码_一般形式和函数封装]]></title><link>https://blog.youkuaiyun.com/worther/article/details/125074860</link><guid>https://blog.youkuaiyun.com/worther/article/details/125074860</guid><author>worther</author><pubDate>Tue, 31 May 2022 22:51:05 +0800</pubDate><description><![CDATA[结果如下表所示]]></description><category></category></item><item><title><![CDATA[多变量特征衍生]]></title><link>https://blog.youkuaiyun.com/worther/article/details/125011540</link><guid>https://blog.youkuaiyun.com/worther/article/details/125011540</guid><author>worther</author><pubDate>Tue, 31 May 2022 22:39:53 +0800</pubDate><description><![CDATA[1.多项式特征衍生
import pandas as pd
pd.set_option('display.max_columns',None)#显示所有列
data=pd.read_csv(r"C:\Users\15187\Desktop\games1.csv")
input=data[["gameDuration","firstBlood"]]#这里要嵌套两个列表

下图是使用的数据结构

1.1使用sklearn中PolynomialFeatures方法进行特征衍生
from sklearn.prepr]]></description><category></category></item><item><title><![CDATA[单变量数据衍生]]></title><link>https://blog.youkuaiyun.com/worther/article/details/124951750</link><guid>https://blog.youkuaiyun.com/worther/article/details/124951750</guid><author>worther</author><pubDate>Fri, 27 May 2022 20:33:14 +0800</pubDate><description><![CDATA[1.连续变量重编码
连续变量所用数据格式

1.1标准化
a.0-1标准化
import pandas as pd
pd.set_option('display.max_columns',None)#显示所有列
data=pd.read_csv(r"C:\Users\15187\Desktop\games1.csv")
input=data["gameDuration"]

自编函数
def max_min(input):
    output=(input-input.min())/(input.max(]]></description><category></category></item><item><title><![CDATA[MYSQL——round函数]]></title><link>https://blog.youkuaiyun.com/worther/article/details/124366509</link><guid>https://blog.youkuaiyun.com/worther/article/details/124366509</guid><author>worther</author><pubDate>Sat, 23 Apr 2022 17:00:33 +0800</pubDate><description><![CDATA[ROUND(数字,保留位数)
round(x,2)保留两位小数：round(gdp/population,2)
Australia	66442.38
round(x,0)保留0位小数：round(gdp/population,0)
Australia	66442
round(x,-3)保留两位小数：round(gdp/population,0)
Australia	66000

]]></description><category></category></item><item><title><![CDATA[MSQL面试的一些问题]]></title><link>https://blog.youkuaiyun.com/worther/article/details/123504140</link><guid>https://blog.youkuaiyun.com/worther/article/details/123504140</guid><author>worther</author><pubDate>Sat, 19 Mar 2022 10:32:18 +0800</pubDate><description><![CDATA[1.存储引擎（面试很爱考）
1.1什么是存储引擎？其作用是？
存储引擎实质上就是一个表的存储/组织数据的方式，不同的存储引擎，表储存数据的方式不同
存储引擎是MySQL中特有的术语，在其他数据库中是没有的额（Oracle中有该功能，但是不叫存储引擎）
1.2如何给表添加存储引擎？
在建表的时候,可以在最后小括号的")"的右边使用添加存储引擎:
ENGINE来指定存储引擎。
CHARSET来指定这张表的字符编码方式。

create table t_students(no int primary key,na]]></description><category></category></item><item><title><![CDATA[mysql入门语句——DDL语句，DML语句]]></title><link>https://blog.youkuaiyun.com/worther/article/details/123163564</link><guid>https://blog.youkuaiyun.com/worther/article/details/123163564</guid><author>worther</author><pubDate>Tue, 15 Mar 2022 15:22:43 +0800</pubDate><description><![CDATA[1. 建表
create table 表明（字段名1 数据类型，字段名2 数据类型）
1.1表名：以 t_或者tbl_开始，可读性强，见名知意
表明和字段名都是标识符
1.2mysql中数据类型




字符类型
含义
例子




varchar
可变长度的字符串
根据传来数据的实际长度分配空间，节省空间，但是速度慢，最长255


char
定长字符串
不管实际数据长度，都分配固定长度的空间去存储数据，使用不恰当会导致空间浪费，但速度快，如性别字段就可以固定，最长255


int
整数型
最长11位
]]></description><category></category></item><item><title><![CDATA[mysql入门基础笔记——DQL查询语句]]></title><link>https://blog.youkuaiyun.com/worther/article/details/123073404</link><guid>https://blog.youkuaiyun.com/worther/article/details/123073404</guid><author>worther</author><pubDate>Sun, 27 Feb 2022 13:52:39 +0800</pubDate><description><![CDATA[数据库中的基本单元：表 table
查看数据库下表：mysql&gt; show tables;
·数据库中是以表来储存数据的，表较为直观且每一行都有行和列
行（row）：数据/字段
列（colum）:字段 ，每一个字段都有字段名，数据类型和约束条件等属性


SQL语句分类
DQL:数据查询语言（凡是带有select关键字的都是查询语句）

DML:数据操作语言（凡是对标志那个数据进行增删改的都是DML）
	insert    增
	delete   删
	updata  改

DDL：数据定义语言（凡是]]></description><category></category></item><item><title><![CDATA[多元回归——梯度下降法]]></title><link>https://blog.youkuaiyun.com/worther/article/details/115731535</link><guid>https://blog.youkuaiyun.com/worther/article/details/115731535</guid><author>worther</author><pubDate>Thu, 15 Apr 2021 17:10:13 +0800</pubDate><description><![CDATA[多元回归
加载包
import openpyxl
from sympy import *#求导函数用得包
import matplotlib.pyplot as plt

读取数据
wd = openpyxl.load_workbook('E:\机器学习数据\线性回归梯度下降.xlsx')
wd.sheetnames #查看工作表名字
ws = wd['多维']
data = []
for i in ws.values:
    data.append(i)
print(data)

定义格式函数
def ]]></description><category></category></item><item><title><![CDATA[一元线性回归梯度下降法]]></title><link>https://blog.youkuaiyun.com/worther/article/details/115676643</link><guid>https://blog.youkuaiyun.com/worther/article/details/115676643</guid><author>worther</author><pubDate>Tue, 13 Apr 2021 19:58:25 +0800</pubDate><description><![CDATA[线性回归梯度下降
单变量梯度下降
选择20年标准化后GDP数据和时间进行回归
加载包
import matplotlib.pyplot as plt #画图使用
import openpyxl #读取excel文件

数据读取
wd = openpyxl.load_workbook('E:\机器学习数据\线性回归梯度下降.xlsx')
wd.sheetnames #查看工作表名字
ws = wd['一维']
#查看工作表内容
for i in ws.values:
    print(i)
#将其转换为列表]]></description><category></category></item></channel></rss>