懵懂的菜鸟

摘要： #创建文件 vim test.txt vi test.txt touch test.txt #在vim中要想退出，先按【esc】,再输入如下命令 [:wq]保存并退出 [:q]退出，未修改 [:q!]强制退出，修改过但不想保存 #显示行号 ：set nu #不显示行号 ：set nonu #非编辑状态 hjkl 上下左右 ctrl+f 向上翻页 ctrl+b 向下翻页 /word 在光标... 阅读全文

摘要： 基于LR的回归分类实例 概念 前提理解： 机器学习的三个步骤：模型，损失函数（即样本误差），优化求解（通过损失函数，使得模型的样本误差最小或小于阈值，求出满足条件的参数，优化求解包括：最小二乘法，梯度下降）。 链接1：简析python3深浅复制与赋值 https://cloud.tencent.co 阅读全文

摘要： 朴素贝叶斯 概念 对朴素贝叶斯的概念存在疑惑的，可以依此理解条件概率，全概率公式和贝叶斯公式。 附链接帮助理解： 链接1https://blog.csdn.net/Hearthougan/article/details/75174210 链接2https://www.cnblogs.com/hell 阅读全文

摘要： 随机森林 概论 前提 Random Forest:可以理解为Bagging with CARTS. Bagging是bootstrap aggregating（引导聚集算法）的缩写。 CART(classification and regression Tree)分类和回归树，二分类树。 这里涉及到 阅读全文

摘要： 分类算法 二分类 线性支持向量机，Logistic回归，决策树，随机森林，梯度上升树，朴素贝叶斯 多类分类 Logistic回归，决策树，随机森林，朴素贝叶斯 回归 线性最小二乘法，Lasso，岭回归，决策树，随机森林，梯度上升树，保序回归 Random Forest 随机森林（决策树+bagging(bootstrap Aggregating)） 随机森林：测量每个特征对预测的相对重要性，进... 阅读全文

摘要： 特征工程 特征工程是利用数据领域的相关知识来创建能使机器学习达到最佳效果的特征的过程。从数学角度思考，特征工程就是人工地去设计输入变量X。 通常把特征工程看做是一个问题，事实上，在特征工程下面，还有许多子问题，主要包括，特征选择（Feature Selection）、特征提取（Feature Ext 阅读全文

摘要： RFM模型 Recency（距离最近的一次交易），Frequency（交易频率），Monetary（交易金额） （1）是RFM模型？ 在客户关系管理的分析模型中，RFM模型是被广泛提到的。RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该模型通过一个客户近期的交易行为、交易的总体频率以及交易金额三项指标来描述该客户的价值状况。依据这三项指标划分8类客户价值。 重要价值客户，重要换回客户，重... 阅读全文

摘要： 强化学习 强化学习能解决的问题：序贯决策问题 序贯决策问题：连续不断的作出决策，才能实现最终目标的问题。 强化学习如何解决问题？ 类比，强化学习和监督学习的异同点： 共同点：两者都需要大量的数据进行训练 不同点：两者所需的数据类型不同。监督学习需要的是多样化的标签数据，强化学习需要的是带有回报的交互 阅读全文

摘要： 1 数据结构 链表：单链表，循环链表，双向链表 LikedList<> 特点：适合增删，不适合查找 数组 特点：适合查找，不适合增删 栈 深度优先搜索算法，会选择最新的数据最为候补顶点 队列 广度优先搜索算法，会从搜索候补集中选择最早的作为下一个顶点 哈希表 链地址法：若发生冲突，利用链表在以后数据 阅读全文

摘要： 参考代码 ChineseClean_demo1.py： # -*- coding:utf-8 -*- import xlrd import xlwt ''' python3.4 ''' # file 表示源文件名字，修改此处即可 file="./data/answer_detail_5_15307860968687.xls" dirs="./result" def read_excel(ro... 阅读全文