薛定谔的熊-CSDN博客

原创自制wheel文件 windows 离线安装tensorflow，keras

公司最近IT安防升级了，以后写代码都得在跳板机上进行，但是跳板机又不能连外网，所以需要离线安装python的一些包，其实如果只是普通前后端开发直接用anaconda 就好了，基本上全覆盖。但是搞机器学习需要安装tensorflow，keras，xgboost这些包，就比较麻烦，特别是tensorflow，因为涉及到很多依赖，然后想到了一个法子，一揽子解决这个问题，大致步骤如下：1.安装anacon...

2018-07-16 13:24:00 1370

原创 SVM中的训练算法：序列最小最优化算法SMO的读书笔记

最近重看李航的统计学习方法，看SVM这章，细细的对了一下其中将SMO的这一张，记得去年这会儿看这本书的SMO这章还有点懵懵懂懂，并在书上写了自己一些疑问的笔记，今年重新看发现之前的疑问不再是疑问了，于是做个笔记总结一下，总结一下。首先线性可分支持向量机的构建条件是需要线性可分的。与感知机不同的是，SVM还加了一个约束：最大间隔。因此与感知机只考虑误分类点的损失函数不同，SVM是唯一存在的。而感

2017-11-27 22:59:57 6867

原创 xgboost 相比GBDT有什么区别

最近刚看完xgboost的paper，权当是整理一下思路。算法层面的：1.XGB加了正则项，普通GBDT没有。为了防止过拟合T为叶子节点的数量，W为叶子的权重。Y帽子为预测值，Y为目标值。gamma ,delta 为参数2.xgboost损失函数是误差部分是二阶泰勒展开，GBDT 是一阶泰勒展开。因此损失函数近似的更精准。3.对每颗子

2017-11-11 21:34:52 9335

原创均值,中位数,正态分布和Kmeans

均值：就是最普通的算术平均值，我们在使用该统计量对分布进行描述的时候是需要数据分布满足正态性的，因为只有满足正态性的时候均值才有意义，辅助理解这个原因，可以想一下为啥mean+3std 的区域包含99%以上的样本点就好了。中位数：即中间位置的数，当我们的分布中有少部分极端值会拉大整体的均值的值的时候，我们可以尝试使用中位数来表示整个数据的分布状态。Kmeans:聚类算法，具体过

2017-04-12 21:02:06 13423

原创 jupyter notebook 架设在服务器在windows 本地用浏览器的访问服务器上的jupyter

1. 官网下载anaconda2.安装anaconda: bash Anaconda3-4.2.0-Linux-x86_64.sh(记得安装的最后yes 添加环境变量)3.接下来，我们需要创建一个名为nbserver的配置。ipython profile create nbserver这将创建一个文件夹，其中包含一些原始的配置文件。我们跳转到这个文件夹进行一些配置

2016-12-18 15:32:54 2823

原创 pandas.read_sql(),读取sqlite3保存的数据说明

pandas.read_sqlpandas.read_sql(sql, con, index_col=None, coerce_float=True, params=None, parse_dates=None, columns=None,chunksize=None)Read SQL query or database table into a DataFrame.

2016-07-08 11:38:09 14529

原创 windows 上安装numpy scipy,以及scikit-learn的最优选择

最优选择当然是有exe就用exe安装啊！！！！numpy 正常情况下是能用pip 直接安装的。===========================================（这段其实可以跳过的= =！）scipy 手动build（python setup.py install）的话需要三个包作为前提，Cython, Nose,Tempita。这三个包都可以用pip 安装

2016-04-26 22:15:41 2224

原创 sqlite3.OperationalError: unrecognized token: ":"

看《集体智慧编程》第四章中定义getentryid()报了 sqlite3.OperationalError: unrecognized token: ":" 错误。 def getentryid(self,table,field,value,createnew=True): cur=self.con.execute( "select rowid from %s where

2015-12-01 16:42:42 783

wolf963的博客