<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[yang1015661763的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/yang1015661763</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; yang1015661763]]></copyright><item><title><![CDATA[【稳定可落地】马尔科夫链归因分析：抗扰动+正负贡献守恒]]></title><link>https://blog.youkuaiyun.com/yang1015661763/article/details/159525451</link><guid>https://blog.youkuaiyun.com/yang1015661763/article/details/159525451</guid><author>yang1015661763</author><pubDate>Fri, 27 Mar 2026 13:00:00 +0800</pubDate><description><![CDATA[在特征归因、营销归因、风控建模、绩效分析等场景中，我们经常需要量化每个特征 / 渠道对最终目标的贡献大小。传统马尔科夫链归因算法虽然直观，但存在极易受小样本扰动、结果波动大、正负贡献无法守恒、难以业务汇报等痛点。本文将带你实现工业级稳定版马尔科夫链归因算法正向贡献权重之和严格等于 100%（便于汇报展示）正向贡献 + 负向贡献之和严格等于整体基线概率（数学自洽、结果可信）抗小样本扰动、结果高度稳定本文实现的稳定抗扰动马尔科夫链归因算法✅ 抗小样本扰动，结果高度稳定；]]></description><category></category></item><item><title><![CDATA[基于shap归因分析的蒙特卡洛反事实模拟模型算法]]></title><link>https://blog.youkuaiyun.com/yang1015661763/article/details/159460103</link><guid>https://blog.youkuaiyun.com/yang1015661763/article/details/159460103</guid><author>yang1015661763</author><pubDate>Wed, 25 Mar 2026 08:50:51 +0800</pubDate><description><![CDATA[本文实现的「个性化SHAP归因+单人蒙特卡洛优化」，核心价值在于“摒弃全局平均，聚焦个体差异”——通过SHAP值精准定位每个乘客的核心影响特征，再通过随机模拟找到专属最优方案，解决了传统优化“一刀切”的问题。代码已全部调试通过，可直接运行，适合初学者学习SHAP归因、蒙特卡洛模拟的实战应用，也适合用于泰坦尼克号数据集的深度分析。如果需要进一步优化（如批量导出、模型更换），可根据拓展方向自行调整，或留言交流。]]></description><category></category></item><item><title><![CDATA[Python调用豆包大模型实现图片文字识别]]></title><link>https://blog.youkuaiyun.com/yang1015661763/article/details/159289113</link><guid>https://blog.youkuaiyun.com/yang1015661763/article/details/159289113</guid><author>yang1015661763</author><pubDate>Mon, 23 Mar 2026 09:15:00 +0800</pubDate><description><![CDATA[本文将介绍如何使用Python调用字节跳动的豆包大模型API来实现图片文字识别功能。]]></description><category></category></item><item><title><![CDATA[使用大模型智能判断期货交易时间：一个Python实战示例]]></title><link>https://blog.youkuaiyun.com/yang1015661763/article/details/158344487</link><guid>https://blog.youkuaiyun.com/yang1015661763/article/details/158344487</guid><author>yang1015661763</author><pubDate>Tue, 24 Feb 2026 08:30:36 +0800</pubDate><description><![CDATA[本文演示了如何利用yangth库调用大语言模型，通过自然语言问答的方式智能判断期货交易时间。这种方法将复杂的规则判断任务转化为模型的理解任务，提供了更高的灵活性和潜在的智能化水平。开发者可以在此基础上，扩展其功能，例如判断特定交易所、特定品种的交易时间，或结合其他金融数据进行更复杂的监控与决策。请注意：示例中的yangth库为示意所用，实际开发中你需要替换为真实可用的大模型API（如OpenAI GPT、DeepSeek、文心一言等）的SDK，并根据其接口文档调整调用方式。核心思想——]]></description><category></category></item><item><title><![CDATA[智能新闻数据处理实战：三行代码获取实时新闻与AI摘要]]></title><link>https://blog.youkuaiyun.com/yang1015661763/article/details/157899554</link><guid>https://blog.youkuaiyun.com/yang1015661763/article/details/157899554</guid><author>yang1015661763</author><pubDate>Mon, 09 Feb 2026 08:53:16 +0800</pubDate><description><![CDATA[方法将新闻获取与AI摘要生成完美结合，是系统的核心价值所在。# 生成单条新闻的摘要# 生成多条新闻的综合摘要summary = yth.get_lst_news_summary(limit=3, prompt="请总结主要观点")# 专注于投资角度的摘要limit=3,prompt="从投资角度分析潜在机会和风险"# 专注于技术趋势的摘要limit=2,prompt="提取关键技术点和创新点"技术特点：多新闻融合分析：当limit>1时，系统会自动将多条新闻内容融合，生成综合性摘要。]]></description><category></category></item><item><title><![CDATA[三行代码获取金融类新闻实时数据：yangth库使用完全指南]]></title><link>https://blog.youkuaiyun.com/yang1015661763/article/details/157840182</link><guid>https://blog.youkuaiyun.com/yang1015661763/article/details/157840182</guid><author>yang1015661763</author><pubDate>Sat, 07 Feb 2026 12:31:57 +0800</pubDate><description><![CDATA[实时金融数据调用接口yangth库]]></description><category></category></item><item><title><![CDATA[Hive日期函数应用之月份差值计算]]></title><link>https://blog.youkuaiyun.com/yang1015661763/article/details/135731730</link><guid>https://blog.youkuaiyun.com/yang1015661763/article/details/135731730</guid><author>yang1015661763</author><pubDate>Sun, 21 Jan 2024 17:04:00 +0800</pubDate><description><![CDATA[一个常见的方法是首先将日期转换为 Unix 时间戳（如果它们还不是的话），然后通过计算时间戳之间的差值，并将这个差值转换为月份。然而，这种方法并不总是准确的，因为它假设每个月都有相同的天数（30或31天），而实际上不同月份的天数是不同的。或其他适当的函数来将它们转换为日期类型，或者确保它们是以 Hive 可以解析的日期格式存储的。函数来分别提取日期中的年份和月份部分，然后进行相应的计算。所以上面的代码输出后的数值是有小数点的，还需要进行转换。另外，请注意，这种方法不会考虑日期中的日部分。]]></description><category></category></item><item><title><![CDATA[Hive表生成函数详细讲解]]></title><link>https://blog.youkuaiyun.com/yang1015661763/article/details/135645612</link><guid>https://blog.youkuaiyun.com/yang1015661763/article/details/135645612</guid><author>yang1015661763</author><pubDate>Thu, 18 Jan 2024 08:45:00 +0800</pubDate><description><![CDATA[在Hive中，表生成函数（Table-Generating Functions, TGFs）允许用户从一行输入数据生成多行输出数据。这些函数特别有用于处理数组、映射和其他复杂数据类型。以下是EXPLODE()函数的详细讲解，包括案例和使用注意事项。需要注意的是，INLINE()函数在Hive中并不直接存在；相反，它可能是对其他数据库系统中类似功能的引用，或者是对EXPLODE()与结合使用时的概念性描述。]]></description><category></category></item><item><title><![CDATA[Hive聚合函数详细讲解]]></title><link>https://blog.youkuaiyun.com/yang1015661763/article/details/135632711</link><guid>https://blog.youkuaiyun.com/yang1015661763/article/details/135632711</guid><author>yang1015661763</author><pubDate>Wed, 17 Jan 2024 10:30:00 +0800</pubDate><description><![CDATA[Hive中的聚合函数用于在数据上进行计算并返回单个值，这些值通常是基于一组行或列的汇总。]]></description><category></category></item><item><title><![CDATA[Hive转换函数详细讲解]]></title><link>https://blog.youkuaiyun.com/yang1015661763/article/details/135632629</link><guid>https://blog.youkuaiyun.com/yang1015661763/article/details/135632629</guid><author>yang1015661763</author><pubDate>Wed, 17 Jan 2024 10:00:00 +0800</pubDate><description><![CDATA[在Hive中，转换函数用于将一个数据类型转换为另一个数据类型。以下是CAST()函数的详细讲解，包括案例和使用注意事项。需要注意的是，Hive中并没有CONVERT()函数，通常在其他数据库系统（如SQL Server）中使用CONVERT()，但在Hive中应使用CAST()来实现类型转换。]]></description><category></category></item><item><title><![CDATA[Hive条件函数详细讲解]]></title><link>https://blog.youkuaiyun.com/yang1015661763/article/details/135632493</link><guid>https://blog.youkuaiyun.com/yang1015661763/article/details/135632493</guid><author>yang1015661763</author><pubDate>Tue, 16 Jan 2024 18:53:21 +0800</pubDate><description><![CDATA[Hive 中的条件函数允许你在查询中基于某些条件执行逻辑操作。]]></description><category></category></item><item><title><![CDATA[Hive日期函数详细讲解]]></title><link>https://blog.youkuaiyun.com/yang1015661763/article/details/135632418</link><guid>https://blog.youkuaiyun.com/yang1015661763/article/details/135632418</guid><author>yang1015661763</author><pubDate>Tue, 16 Jan 2024 18:49:42 +0800</pubDate><description><![CDATA[Hive 提供了一系列的内建日期函数，用于处理日期和时间数据。]]></description><category></category></item><item><title><![CDATA[Hive字符串函数讲解]]></title><link>https://blog.youkuaiyun.com/yang1015661763/article/details/135632325</link><guid>https://blog.youkuaiyun.com/yang1015661763/article/details/135632325</guid><author>yang1015661763</author><pubDate>Tue, 16 Jan 2024 18:44:59 +0800</pubDate><description><![CDATA[在使用这些字符串函数时，请确保输入的数据类型与函数的要求相匹配，并注意处理可能的 NULL 值和边界情况。此外，由于 Hive 运行在 Hadoop 集群上，对于大规模数据的字符串处理可能会有一定的性能考虑，因此在使用这些函数时要考虑到这一点。Hive 提供了许多内建的字符串函数来处理文本数据。]]></description><category></category></item><item><title><![CDATA[Hive数学函数讲解]]></title><link>https://blog.youkuaiyun.com/yang1015661763/article/details/135632239</link><guid>https://blog.youkuaiyun.com/yang1015661763/article/details/135632239</guid><author>yang1015661763</author><pubDate>Tue, 16 Jan 2024 18:41:22 +0800</pubDate><description><![CDATA[在使用这些函数时，请确保输入的数据类型与函数的要求相匹配，并注意处理可能的异常值和边界情况。此外，由于 Hive 运行在 Hadoop 集群上，对于大规模数据的计算可能会有一定的性能考虑，因此在使用这些函数时要考虑到这一点。Hive 是一个基于 Hadoop 的数据仓库工具，它支持类似于 SQL 的查询语言 HiveQL，并且提供了许多内建的数学函数来处理数值数据。下面我将逐一讲解您提到的这些数学函数，并提供一些使用案例和注意事项。]]></description><category></category></item><item><title><![CDATA[什么是欧拉筛？？]]></title><link>https://blog.youkuaiyun.com/yang1015661763/article/details/135607734</link><guid>https://blog.youkuaiyun.com/yang1015661763/article/details/135607734</guid><author>yang1015661763</author><pubDate>Mon, 15 Jan 2024 18:03:21 +0800</pubDate><description><![CDATA[欧拉筛（Euler's Sieve），又称线性筛法或欧拉线性筛，是一种高效筛选素数的方法。它的核心思想是从小到大遍历每个数，同时标记其倍数为合数，但每个合数只被其最小的质因数标记一次，从而避免了重复标记，实现了线性时间复杂度的素数筛选。，用于标记每个数是否为素数。然后，函数从 2 开始遍历到。最终，函数返回素数列表。在这个例子中，我们调用。来找出 100 以内的所有素数，并打印结果。小的数的倍数已经被之前的素数标记过了）。加入到素数列表中，并标记。的所有倍数为合数（从。，对于每个遍历到的数。]]></description><category></category></item><item><title><![CDATA[Hive窗口函数整理]]></title><link>https://blog.youkuaiyun.com/yang1015661763/article/details/135607207</link><guid>https://blog.youkuaiyun.com/yang1015661763/article/details/135607207</guid><author>yang1015661763</author><pubDate>Mon, 15 Jan 2024 17:40:14 +0800</pubDate><description><![CDATA[Hive 中的窗口函数允许你在结果集的一个特定“窗口”内对行进行计算。这些窗口可以是物理的（基于行在数据中的实际位置）或逻辑的（基于行的一些排序标准）。窗口函数在处理排名、计算累计和或计算移动平均值等问题时特别有用。这只是 Hive 中窗口函数的一个简短列表。当与其他 SQL 功能（如分区、排序和子查询）结合使用时，窗口函数可以非常强大。时，通常需要指定窗口范围，因为默认窗口可能不会包括所有行。]]></description><category></category></item><item><title><![CDATA[基于讯飞星火大语言模型开发的智能插件：小策问答]]></title><link>https://blog.youkuaiyun.com/yang1015661763/article/details/134324579</link><guid>https://blog.youkuaiyun.com/yang1015661763/article/details/134324579</guid><author>yang1015661763</author><pubDate>Fri, 10 Nov 2023 08:59:26 +0800</pubDate><description><![CDATA[在大语言模型中，比如ChatGPT，"Token"这一概念具有重要的意义，是模型处理和理解文本的最小单位。而在中文中，通常以字或词作为token。其次，小策问答的使用方式非常灵活，用户不需要会员充值，只需要根据自己的使用量进行充值，而且积分永久有效，这大大降低了用户的使用成本。这种模型的训练过程涉及到大量的数据和复杂的算法，但最终的目标是让机器能够像人一样理解和使用语言。总的来说，小策问答是一款非常实用的GPT插件小工具，无论你是需要进行内容创作，还是需要进行语言理解，都可以从小策问答中找到帮助。]]></description><category></category></item><item><title><![CDATA[机器学习算法-集成学习]]></title><link>https://blog.youkuaiyun.com/yang1015661763/article/details/134318001</link><guid>https://blog.youkuaiyun.com/yang1015661763/article/details/134318001</guid><author>yang1015661763</author><pubDate>Thu, 09 Nov 2023 19:16:28 +0800</pubDate><description><![CDATA[Stacking，也被称为堆叠，是一种集成学习策略，它主要利用多个不同的基学习器进行模型的集成。其核心思想是，首先将数据集分成训练集和测试集，然后使用训练集训练得到多个初级学习器。接着，让这些初级学习器对测试集进行预测，并将输出值作为下一阶段训练的输入值，最终的标签作为输出值，用于训练次级学习器。为了尽可能降低过拟合的风险并提高模型的泛化能力，通常在Stacking算法中会采用交叉验证法或留一法来进行训练。]]></description><category></category></item><item><title><![CDATA[人工智能领域迎来了一场革命性的变革，这场变革的主角就是ChatGPT]]></title><link>https://blog.youkuaiyun.com/yang1015661763/article/details/134309260</link><guid>https://blog.youkuaiyun.com/yang1015661763/article/details/134309260</guid><author>yang1015661763</author><pubDate>Thu, 09 Nov 2023 13:15:02 +0800</pubDate><description><![CDATA[传统的搜索引擎往往只能根据关键词进行简单的匹配，而ChatGPT则能够理解用户的需求，提供更加精准的答案。例如，当用户询问“如何煮意大利面”时，ChatGPT不仅能够给出详细的步骤，还能根据用户的口味和需求提供个性化的建议。传统的客服模式往往需要大量的人工干预，而ChatGPT则能够通过自然语言处理技术，自动回答用户的问题，解决用户的问题。作为一种基于大规模预训练的语言模型，ChatGPT凭借其强大的自然语言处理能力，为我们的生活带来了前所未有的便利。]]></description><category></category></item><item><title><![CDATA[风险风控-逻辑回归理论基础]]></title><link>https://blog.youkuaiyun.com/yang1015661763/article/details/134245473</link><guid>https://blog.youkuaiyun.com/yang1015661763/article/details/134245473</guid><author>yang1015661763</author><pubDate>Mon, 06 Nov 2023 15:10:15 +0800</pubDate><description><![CDATA[在求解逻辑回归模型参数时，常用的方法是极大似然估计，该方法通过最大化似然函数来估计模型参数，使得模型对训练数据的预测尽可能接近实际观察到的结果。在这个过程中，我们得到的计算结果通常是0-1之间的连续数字，这些数字代表了事件发生的可能性或概率。在逻辑回归中，最大似然估计是一种优化策略，其目标是寻找一组参数，可以最大化观察到的数据出现的概率。具体来说，这意味着我们希望找到一组参数，使得在给定这组参数的情况下，我们所预测的样本出现的概率是最高的。，其中p是事件发生的概率，x是特征的线性函数。]]></description><category></category></item></channel></rss>