<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ys1305的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ys1305</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ys1305]]></copyright><item><title><![CDATA[软件测试笔记]]></title><link>https://blog.youkuaiyun.com/ys1305/article/details/100750703</link><guid>https://blog.youkuaiyun.com/ys1305/article/details/100750703</guid><author>ys1305</author><pubDate>Wed, 11 Sep 2019 21:58:24 +0800</pubDate><description><![CDATA[1、测试定义：
1)通过人工或自动的手段，对被测对象进行检测的活动，目的在于发现被测对象是否实现用户的需求，或者弄清实际结果与预期结果之间的差异。
2)需要理解什么软件：源代码、用户手册、配置数据。
2、测试目的：
发现被测对象与用户需求间的差异——俗称找bug;
通过测试活动发现并解决缺陷，增加人们对被测对象的质量信心；
通过测试活动，获取被测对象的质量信息，为决策提供数据依据；
通过测试活动，...]]></description><category></category></item><item><title><![CDATA[C++继承中的特点]]></title><link>https://blog.youkuaiyun.com/ys1305/article/details/100663972</link><guid>https://blog.youkuaiyun.com/ys1305/article/details/100663972</guid><author>ys1305</author><pubDate>Mon, 09 Sep 2019 15:39:55 +0800</pubDate><description><![CDATA[有public, protected, private三种继承方式，它们相应地改变了基类成员的访问属性。


1.public 继承：基类 public 成员，protected 成员，private 成员的访问属性在派生类中分别变成：public, protected, private


2.protected 继承：基类 public 成员，protected 成员，private 成员的访...]]></description><category></category></item><item><title><![CDATA[C++二维数组初始化的形式]]></title><link>https://blog.youkuaiyun.com/ys1305/article/details/100071389</link><guid>https://blog.youkuaiyun.com/ys1305/article/details/100071389</guid><author>ys1305</author><pubDate>Mon, 26 Aug 2019 09:36:23 +0800</pubDate><description><![CDATA[数据类型 数组名[整常量表达式][ 整常量表达式]={ 初始化数据 }；
在{ }中给出各数组元素的初值，各初值之间用逗号分开。把{ }中的初值依次赋给各数组元素。
有如下几种初始化方式：
⑴ 分行进行初始化
int a[2][3]={{1,2,3},{4，5，6}};

在{ }内部再用{ }把各行分开，第一对{ }中的初值1，2，3是0行的3个元素的初值。第二对{ }中的初值4，5，6是1行的...]]></description><category></category></item><item><title><![CDATA[LR为什么使用sigmoid函数]]></title><link>https://blog.youkuaiyun.com/ys1305/article/details/100049222</link><guid>https://blog.youkuaiyun.com/ys1305/article/details/100049222</guid><author>ys1305</author><pubDate>Sat, 24 Aug 2019 09:48:13 +0800</pubDate><description><![CDATA[两个方面的原因
Sigmoid 函数自身的性质


sigmoid 函数连续，单调递增


sigmiod 函数关于（0，0.5） 中心对称


对sigmoid函数求导
p′=p∗(1−p)p′=p∗(1−p)p′=p∗(1−p)
计算sigmoid函数的导数非常的快速


LR可以推出来sigmod函数
用 指数簇分布推导出来的sigmod函数
p(y;η)=b(y)exp(ηT(y)−α(η...]]></description><category></category></item><item><title><![CDATA[特征选择]]></title><link>https://blog.youkuaiyun.com/ys1305/article/details/99580174</link><guid>https://blog.youkuaiyun.com/ys1305/article/details/99580174</guid><author>ys1305</author><pubDate>Wed, 14 Aug 2019 16:21:22 +0800</pubDate><description><![CDATA[Filter
**先进行特征选择，然后去训练学习器，所以特征选择的过程与学习器无关。**相当于先对特征进行过滤操作，然后用特征子集来训练分类器。
主要思想：对每一维特征“打分”，即给每一维的特征赋予权重，这样的权重就代表着该特征的重要性，然后依据权重排序。
主要方法：

Chi-squared test（卡方检验）
Information gain（信息增益）
Correlation coeffi...]]></description><category></category></item><item><title><![CDATA[Pandas之drop_duplicates：去除重复项]]></title><link>https://blog.youkuaiyun.com/ys1305/article/details/99541912</link><guid>https://blog.youkuaiyun.com/ys1305/article/details/99541912</guid><author>ys1305</author><pubDate>Wed, 14 Aug 2019 09:34:38 +0800</pubDate><description><![CDATA[DataFrame.drop_duplicates(subset=None, keep='first', inplace=False)

参数
去除特定列下面的重复行。返回DataFrame格式的数据。
subset : column label or sequence of labels, optional 
用来指定特定的列，默认所有列
keep : {‘first’, ‘last’, Fal...]]></description><category></category></item><item><title><![CDATA[面试笔试整理5：项目问题准备]]></title><link>https://blog.youkuaiyun.com/ys1305/article/details/99459843</link><guid>https://blog.youkuaiyun.com/ys1305/article/details/99459843</guid><author>ys1305</author><pubDate>Tue, 13 Aug 2019 18:30:15 +0800</pubDate><description><![CDATA[1、课题：
从目的-》意义-》难点-》如何解决的-》用了什么方法为什么要用这些方法-》创新点。
2、实习
实习期间主要负责华为HC大会的推荐算法以及数据分析，用过SQL Server，制作过报表。
3、自己曾经做过一些比赛，但是结果不是很好，不过还是准备写到简历里了，毕竟也算是自己做过的项目。
做了一些数据挖掘的比赛，面试会问到的常见问题其实也没有多少，无非是从数据预处理、特征和模型几个内容。以j...]]></description><category></category></item><item><title><![CDATA[随机森林填补缺失值]]></title><link>https://blog.youkuaiyun.com/ys1305/article/details/99459530</link><guid>https://blog.youkuaiyun.com/ys1305/article/details/99459530</guid><author>ys1305</author><pubDate>Tue, 13 Aug 2019 18:26:19 +0800</pubDate><description><![CDATA[任何回归都是从特征矩阵中学习，然后求解连续型标签y的过程，之所以能够实现这个过程，是因为回归算法认为，特征矩阵和标签之前存在着某种联系。实际上，标签和特征是可以相互转换的，比如说，在一个“用地区，环境，附近学校数量”预测“房价”的问题中，我们既可以用“地区”，“环境”，“附近学校数量”的数据来预测“房价”，也可以反过来，用“环境”，“附近学校数量”和“房价”来预测“地区”。
而回归填补缺失值，正是...]]></description><category></category></item><item><title><![CDATA[决策树1]]></title><link>https://blog.youkuaiyun.com/ys1305/article/details/99438820</link><guid>https://blog.youkuaiyun.com/ys1305/article/details/99438820</guid><author>ys1305</author><pubDate>Tue, 13 Aug 2019 15:17:47 +0800</pubDate><description><![CDATA[​




model
feature select
树的类型
计算公式




ID3
{分类:信息增益}
多叉树
g(D,A)=H(D)−H(D∥A)g(D,A)=H(D)-H(D\|A)g(D,A)=H(D)−H(D∥A)


C4.5
{分类:信息增益比}
多叉树
gR(D,A)=g(D,A)HA(D)g_R(D,A)=\frac{g(D,A)}{H_A(D)}gR​(D,A)=HA​(D...]]></description><category></category></item><item><title><![CDATA[LR如何进行并行计算]]></title><link>https://blog.youkuaiyun.com/ys1305/article/details/99306023</link><guid>https://blog.youkuaiyun.com/ys1305/article/details/99306023</guid><author>ys1305</author><pubDate>Mon, 12 Aug 2019 15:59:26 +0800</pubDate><description><![CDATA[由逻辑回归问题的求解方法中可以看出，无论是梯度下降法、牛顿法、拟牛顿法，计算梯度都是其最基本的步骤，并且L-BFGS通过两步循环计算牛顿方向的方法，避免了计算海森矩阵。因此逻辑回归的并行化最主要的就是对目标函数梯度计算的并行化。从梯度更新公式中可以看出，目标函数的梯度向量计算中只需要进行向量间的点乘和相加，可以很容易将每个迭代过程拆分成相互独立的计算步骤，由不同的节点进行独立计算，然后归并计算结果...]]></description><category></category></item><item><title><![CDATA[全连接、局部连接、全卷积与局部卷积]]></title><link>https://blog.youkuaiyun.com/ys1305/article/details/99302943</link><guid>https://blog.youkuaiyun.com/ys1305/article/details/99302943</guid><author>ys1305</author><pubDate>Mon, 12 Aug 2019 15:05:47 +0800</pubDate><description><![CDATA[全连接、局部连接、全卷积与局部卷积
​	大多数神经网络中高层网络通常会采用全连接层(Global Connected Layer)，通过多对多的连接方式对特征进行全局汇总，可以有效地提取全局信息。但是全连接的方式需要大量的参数，是神经网络中最占资源的部分之一，因此就需要由局部连接(Local Connected Layer)，仅在局部区域范围内产生神经元连接，能够有效地减少参数量。根据卷积操作的作...]]></description><category></category></item><item><title><![CDATA[空洞卷积]]></title><link>https://blog.youkuaiyun.com/ys1305/article/details/99302689</link><guid>https://blog.youkuaiyun.com/ys1305/article/details/99302689</guid><author>ys1305</author><pubDate>Mon, 12 Aug 2019 15:03:21 +0800</pubDate><description><![CDATA[空洞卷积
# 在原始卷积核的每两个元素之间插入 d − 1个空洞
# 膨胀的卷积核尺寸 = 膨胀系数 * (原始卷积核尺寸 - 1) + 1
# 也可以写成 m + (m − 1) × (d − 1) 二者是相等的
# m为原始卷积核尺寸  d为膨胀系数

# 首先由于卷积的操作特性，卷积核尺寸是奇数，则原始卷积核尺寸减一为偶数。
# 那么，在上述公式中，膨胀系数*偶数-1为奇数，保证了膨胀的卷积...]]></description><category></category></item><item><title><![CDATA[pytorch实现正则化]]></title><link>https://blog.youkuaiyun.com/ys1305/article/details/97959511</link><guid>https://blog.youkuaiyun.com/ys1305/article/details/97959511</guid><author>ys1305</author><pubDate>Wed, 31 Jul 2019 20:40:00 +0800</pubDate><description><![CDATA[下载地址
参数正则化（Weight Regularization）
以前的方法
L2/L1 Regularization
机器学习中几乎都可以看到损失函数后面会添加一个额外项，常用的额外项一般有两种，称作**L1正则化和L2正则化，或者L1范数和L2范数**。
L1 正则化和 L2 正则化可以看做是损失函数的惩罚项。所谓 “惩罚” 是指对损失函数中的某些参数做一些限制。

L1 正则化是指权值向量...]]></description><category></category></item><item><title><![CDATA[查看Pytorch网络的各层输出(feature map)、权重(weight)、偏置(bias)]]></title><link>https://blog.youkuaiyun.com/ys1305/article/details/97959046</link><guid>https://blog.youkuaiyun.com/ys1305/article/details/97959046</guid><author>ys1305</author><pubDate>Wed, 31 Jul 2019 20:36:18 +0800</pubDate><description><![CDATA[BatchNorm2d参数量
torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
# 卷积层中卷积核的数量C 
num_features – C from an expected input of size (N, C, H, W)

&gt;&gt;&...]]></description><category></category></item><item><title><![CDATA[keras笔记]]></title><link>https://blog.youkuaiyun.com/ys1305/article/details/97899416</link><guid>https://blog.youkuaiyun.com/ys1305/article/details/97899416</guid><author>ys1305</author><pubDate>Wed, 31 Jul 2019 12:15:40 +0800</pubDate><description><![CDATA[一、keras套路
序贯模型是多个网络层的线性堆叠。Sequential的第一层需要接受一个关于输入数据shape的参数，
后面的各个层则可以自动的推导出中间数据的shape，因此不需要为每个层都指定这个参数
指定模型Sequential( )
----&gt;堆叠模块 .add( )
----&gt;编译模型 .compile( )
----&gt;在训练数据上迭代 .fit( )
----&g...]]></description><category></category></item><item><title><![CDATA[Keras中的BatchNormalization层]]></title><link>https://blog.youkuaiyun.com/ys1305/article/details/97898565</link><guid>https://blog.youkuaiyun.com/ys1305/article/details/97898565</guid><author>ys1305</author><pubDate>Wed, 31 Jul 2019 11:18:54 +0800</pubDate><description><![CDATA[Keras中的BatchNormalization层有四个参数
其中两个是可以训练的，对应于λ与β
两个是不能训练的。
keras.layers.normalization.BatchNormalization(axis=-1, momentum=0.99, epsilon=0.001, center=True, scale=True, beta_initializer='zeros', gamm...]]></description><category></category></item><item><title><![CDATA[python 中正无穷，负无穷的表示]]></title><link>https://blog.youkuaiyun.com/ys1305/article/details/97885514</link><guid>https://blog.youkuaiyun.com/ys1305/article/details/97885514</guid><author>ys1305</author><pubDate>Wed, 31 Jul 2019 09:08:07 +0800</pubDate><description><![CDATA[float(‘inf’) 表示正无穷
-float(‘inf’) 或 float(’-inf’) 表示负无穷

]]></description><category></category></item><item><title><![CDATA[剑指offer-python  数组中数值和下标相等的元素]]></title><link>https://blog.youkuaiyun.com/ys1305/article/details/97758457</link><guid>https://blog.youkuaiyun.com/ys1305/article/details/97758457</guid><author>ys1305</author><pubDate>Tue, 30 Jul 2019 10:29:23 +0800</pubDate><description><![CDATA[题目描述：
假设一个单调递增的数组里的每个元素都是整数并且是唯一的。请编程实现一个函数找出数组中任意一个数值等于其下标的元素。例如，在数组[-3, -1, 1, 3, 5]中，数字3和它的下标相等。
样例：
输入：[-3, -1, 1, 3, 5]
输出：3
注意：如果不存在，则返回-1。
分析：
首先想到的方法是对数组从头遍历，当遍历到一个元素和其下标相等时直接返回，如果遍历结束仍没有找到则返回...]]></description><category></category></item><item><title><![CDATA[剑指offer-python   0到n-1中缺失的数字]]></title><link>https://blog.youkuaiyun.com/ys1305/article/details/97668622</link><guid>https://blog.youkuaiyun.com/ys1305/article/details/97668622</guid><author>ys1305</author><pubDate>Mon, 29 Jul 2019 19:05:25 +0800</pubDate><description><![CDATA[一个长度为n-1的递增排序数组中的所有数字都是唯一的，并且每个数字都在范围0到n-1之内。
在范围0到n-1的n个数字中有且只有一个数字不在该数组中，请找出这个数字。
样例
输入：[0,1,2,4]

输出：3

class Solution(object):
    def getMissingNumber(self, nums):
        """
        :type nums:...]]></description><category></category></item><item><title><![CDATA[AdaBoost 算法]]></title><link>https://blog.youkuaiyun.com/ys1305/article/details/97641863</link><guid>https://blog.youkuaiyun.com/ys1305/article/details/97641863</guid><author>ys1305</author><pubDate>Mon, 29 Jul 2019 14:43:20 +0800</pubDate><description><![CDATA[笔记下载链接
AdaBoost 算法


Boosting族算法最著名的代表是AdaBoost算法。


AdaBoot算法两个核心步骤：


每一轮中如何改变训练数据的权值？
AdaBoost算法提高那 些被前一轮弱分类器错误分类样本的权值，而降低那些被正确分类样本的权值。
于是那些没有得到正确分类的数据由于权值的加大而受到后一轮的弱分类器的更大关注。


最后如何将一系列弱分类器组合成一个强分...]]></description><category></category></item></channel></rss>