<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Amanda_python的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/Amanda_python</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; Amanda_python]]></copyright><item><title><![CDATA[《机器学习模型一：线性回归》]]></title><link>https://blog.csdn.net/Amanda_python/article/details/119942603</link><guid>https://blog.csdn.net/Amanda_python/article/details/119942603</guid><author>Amanda_python</author><pubDate>Thu, 26 Aug 2021 23:36:54 +0800</pubDate><description><![CDATA[想重新梳理一下知识框架，所以想先从模型入手整理。

线性回归
1.1理论描述
线性回归用来确定自变量和因变量之间相互依赖的定量关系的一种数理统计分析方法。知道了自变量和因变量之间的线性关系，就可以对连续值进行预测。在回归分析中，若只有一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这属于一元线性回归分析，表达式可以写成 y=ax+b ，当给定参数a和b时，输入自变量x就可以输出得到因变量y。但是在实际运用时，因变量的变化往往受两个或两个以上的自变量的影响，且因变量和自变量之间呈线性关系，这种回归分]]></description><category></category></item><item><title><![CDATA[XGBoost的参数详解与代码示例]]></title><link>https://blog.csdn.net/Amanda_python/article/details/114294984</link><guid>https://blog.csdn.net/Amanda_python/article/details/114294984</guid><author>Amanda_python</author><pubDate>Tue, 02 Mar 2021 22:11:26 +0800</pubDate><description><![CDATA[文章目录XGBoost的参数类型一、一般参数二、弱评估器参数三、任务参数四、代码块

XGBoost的参数类型
XGBoost有三大类型的参数：
1.一般参数(general parameters)：用于集成算法本身；
2. 弱评估器参数(booster parameters)：与弱评估器训练相关的参数；
3. 任务参数(Learning task parameters)：应用中的其他过程；
下面主要使用sklearnAPI来讲解这些参数
一、一般参数
n_estimators  集成中弱评估器的数量
..]]></description><category></category></item><item><title><![CDATA[XGBoost的两种使用方式（1. sklearnAPI的库 2. XGBoost的原生库）及其区别]]></title><link>https://blog.csdn.net/Amanda_python/article/details/114291262</link><guid>https://blog.csdn.net/Amanda_python/article/details/114291262</guid><author>Amanda_python</author><pubDate>Tue, 02 Mar 2021 18:37:46 +0800</pubDate><description><![CDATA[# 导入库文件和数据集
from sklearn.datasets import load_boston 
from sklearn.metrics import r2_score,mean_squared_error,mean_absolute_error,accuracy_score,precision_score, recall_score 
from sklearn.model_selection import train_test_split 
import math 

boston_data ]]></description><category></category></item><item><title><![CDATA[集成学习与随机森林---理论与代码结合详细讲解]]></title><link>https://blog.csdn.net/Amanda_python/article/details/114128906</link><guid>https://blog.csdn.net/Amanda_python/article/details/114128906</guid><author>Amanda_python</author><pubDate>Sat, 27 Feb 2021 19:24:57 +0800</pubDate><description><![CDATA[// An highlighted block
var foo = 'bar';

// An highlighted block
var foo = 'bar';

// An highlighted block
var foo = 'bar';

// An highlighted block
var foo = 'bar';


]]></description><category></category></item><item><title><![CDATA[随机森林调参详解----实例：随机森林在乳腺癌数据上的调参]]></title><link>https://blog.csdn.net/Amanda_python/article/details/114178784</link><guid>https://blog.csdn.net/Amanda_python/article/details/114178784</guid><author>Amanda_python</author><pubDate>Sat, 27 Feb 2021 18:48:20 +0800</pubDate><description><![CDATA[n_estimators ：
森林中树木的数量，即基评估器(学习器)的数量
默认是100，n_estimators变大，模型更复杂， n_estimators变大，模型更简单；不影响单个模型的复杂度 

max_depth ：
树的最大深度，超过最大深度的树枝都会被剪掉
默认最大深度，即最高复杂度，如果减小max_depth，就 
会向复杂度降低的方向调整，向图像的左边移动 

min_samples_leaf ：
一个节点在分枝后的每个子节点都必须包含至少min_samples_leaf个训练样本，否则分]]></description><category></category></item><item><title><![CDATA[有放回抽样试验去验证定理]]></title><link>https://blog.csdn.net/Amanda_python/article/details/114129377</link><guid>https://blog.csdn.net/Amanda_python/article/details/114129377</guid><author>Amanda_python</author><pubDate>Fri, 26 Feb 2021 22:48:55 +0800</pubDate><description><![CDATA[一、背景介绍
在 bagging 模型的构建中会集成多个子模型。对于每个子模型的构建，都需要分 别为其进行数据或特征抽样。对每个子模型的抽样，称为一轮，n 个子模型抽样，表示 n 轮。
关于什么是有放回抽样，目前存在两种说法：
说法一：一轮抽样结束后，将所有被抽取的数据一次全部放回，以此进行下一轮抽样；
说法二：在一轮抽样期间，每次抽完一个数据，就立马将该数据放回。如果一轮要抽样 n 个数据，那么就会有 n 次数据的放回动作。
二、实验
1.试验目的
验证以上两种说法，哪一种是正确的
2.试验内容
抽样既可]]></description><category></category></item><item><title><![CDATA[为什么必须在神经网络种引入非线性]]></title><link>https://blog.csdn.net/Amanda_python/article/details/114020716</link><guid>https://blog.csdn.net/Amanda_python/article/details/114020716</guid><author>Amanda_python</author><pubDate>Wed, 24 Feb 2021 14:08:23 +0800</pubDate><description><![CDATA[如果神经网络中没有引入非线性层，那么神经网络就变成了线性层的堆叠。
而多层线性网络的堆叠本质上还是一个线性层，我们以两层线性网络的堆叠为例：
我们用 ????(????)表示第一层线性网络，????(????)表示第二层线性网络，则两层网络的堆叠表示为：


我们令：

那么原来的表达式就变为：

所以ℎ(????) 还是一个线性函数。
而我们知道线性函数的表现力是有限的，它只能表示特征与目标值之间比较简单的关系，相反带有非线性层的神经网络被证明可以表示任何函数。
所以为了使得网络设计发挥作用，并且提高网络]]></description><category></category></item><item><title><![CDATA[loc函数、iloc函数、df.drop()函数的用法]]></title><link>https://blog.csdn.net/Amanda_python/article/details/113918550</link><guid>https://blog.csdn.net/Amanda_python/article/details/113918550</guid><author>Amanda_python</author><pubDate>Sun, 21 Feb 2021 16:27:05 +0800</pubDate><description><![CDATA[1.loc函数、iloc函数
loc函数：通过行索引 “Index” 中的具体值来取行数据（如取"Index"为"A"的行）

iloc函数：通过行号来取行数据（如取第二行的数据）

df = pd.DataFrame(np.arange(20).reshape(5,4),index=list('abcde'),columns=['A', 'B', 'C', 'D'])
######### 提取行数据############
#取索引为'a'的行
df.loc['a']
# 输出：
A    0
B    ]]></description><category></category></item><item><title><![CDATA[np.random.normal()函数]]></title><link>https://blog.csdn.net/Amanda_python/article/details/109230168</link><guid>https://blog.csdn.net/Amanda_python/article/details/109230168</guid><author>Amanda_python</author><pubDate>Sun, 21 Feb 2021 14:18:36 +0800</pubDate><description><![CDATA[这是的np是numpy包的缩写，np.random.normal()的意思是一个正态分布，normal这里是正态的意思。
格式：
numpy.random.normal(loc=0,scale/std=1e-2,size=shape)
loc(float)：正态分布的均值，对应着这个分布的中心。
            loc=0说明这一个以Y轴为对称轴的正态分布
参数scale(float)：正态分布的标准差(std)，对应分布的宽度，
           scale越大，曲线越矮胖，
        ]]></description><category></category></item><item><title><![CDATA[异常数据检测（信用卡欺诈）逻辑回归实战案例]]></title><link>https://blog.csdn.net/Amanda_python/article/details/109365990</link><guid>https://blog.csdn.net/Amanda_python/article/details/109365990</guid><author>Amanda_python</author><pubDate>Sun, 21 Feb 2021 14:17:44 +0800</pubDate><description><![CDATA[1. 读取数据
import numpy as np  # 矩阵计算
import pandas as pd # 数据处理和数据分析
import matplotlib.pyplot as plt  # 数据可视化展示
import warnings
warnings.filterwarnings('ignore')
%matplotlib inline  # 画图可以镶嵌到当前页面，不指定画图要指定一些东西，比较麻烦


Amount数据需要标准化的原因，因为Amount和v1-v28的数值差异太大
# ]]></description><category></category></item><item><title><![CDATA[命令行mysql -u root -p打开数据库SQL失败？]]></title><link>https://blog.csdn.net/Amanda_python/article/details/113796616</link><guid>https://blog.csdn.net/Amanda_python/article/details/113796616</guid><author>Amanda_python</author><pubDate>Fri, 12 Feb 2021 20:11:41 +0800</pubDate><description><![CDATA[通过cmd命令行mysql -u root -p打开数据库失败？

这是因为数据库没有启动：
1.在搜索框搜索“服务”，并打开“服务”
2.找到数据库，并右击启动，显示正在运行说明已经启动了



这时候再去cmd打开即可，成功啦！


...]]></description><category></category></item><item><title><![CDATA[SQL数据库查询练习]]></title><link>https://blog.csdn.net/Amanda_python/article/details/113742491</link><guid>https://blog.csdn.net/Amanda_python/article/details/113742491</guid><author>Amanda_python</author><pubDate>Sun, 07 Feb 2021 16:08:41 +0800</pubDate><description><![CDATA[一.成绩表的建表语句及插入数据语句
# -- 成绩表 SC
create table SC(SId varchar(10),CId varchar(10),score decimal(18,1));
insert into SC values('01' , '01' , 80);
insert into SC values('01' , '02' , 90);
insert into SC values('01' , '03' , 99);
insert into SC values('02' , '01']]></description><category></category></item><item><title><![CDATA[Can‘t find model ‘de‘，Can‘t find model ‘en‘]]></title><link>https://blog.csdn.net/Amanda_python/article/details/113641077</link><guid>https://blog.csdn.net/Amanda_python/article/details/113641077</guid><author>Amanda_python</author><pubDate>Thu, 04 Feb 2021 16:20:44 +0800</pubDate><description><![CDATA[在jupyter运行下面的命令的时候,显示错误

报错如下：

在网上找了一下，发现是没有安装’de’和’en’,当然在这的基础上你要确保spacy是已经安装的（如果没有安装，可以通过pip install spacy安装spacy）
安装下面的命令行安装’de’和’en’
python -m spacy download en
python -m spacy download de

但是依然报错：

因此可以选择在在官网的models模块里面下载英语（en)和德语(de)的数据集对应的压缩包，官网连接为]]></description><category></category></item><item><title><![CDATA[torchvision.datasets.CIFAR10()和torch.utils.data.DataLoader详细介绍]]></title><link>https://blog.csdn.net/Amanda_python/article/details/113430017</link><guid>https://blog.csdn.net/Amanda_python/article/details/113430017</guid><author>Amanda_python</author><pubDate>Sat, 30 Jan 2021 14:45:02 +0800</pubDate><description><![CDATA[import torchvision  

trainset = torchvision.datasets.CIFAR10(root = data_path,
                                        train = True,
                                        download = True,
                                        transform=transform)
''' ]]></description><category></category></item><item><title><![CDATA[安装xgboost库]]></title><link>https://blog.csdn.net/Amanda_python/article/details/112851839</link><guid>https://blog.csdn.net/Amanda_python/article/details/112851839</guid><author>Amanda_python</author><pubDate>Tue, 19 Jan 2021 20:57:49 +0800</pubDate><description><![CDATA[1.先选择对应的whl文件https://www.lfd.uci.edu/~gohlke/pythonlibs/#xgboost
其中cp对应的是python版本，我的电脑是64位的win10系统，python是3.7.6版本，所以我是选择：xgboost-1.3.1-cp37-cp37m-win_amd64.whl

2.将下载的whl文件放到一个地方（放哪里随便你自己，但是安装的时候要加上路径），我是直接放到了F盘下，因为我需要加上F盘的路径F:
pip install F:\xgboost-1.3.1]]></description><category></category></item><item><title><![CDATA[x = x.view(x.size(0), -1) --------------改变维度、展平]]></title><link>https://blog.csdn.net/Amanda_python/article/details/112492621</link><guid>https://blog.csdn.net/Amanda_python/article/details/112492621</guid><author>Amanda_python</author><pubDate>Mon, 11 Jan 2021 20:53:22 +0800</pubDate><description><![CDATA[pytorch中的view()函数就是用来改变tensor的形状的，将多维度的Tensor展平成一维，
例如将2行3列的tensor变为1行6列，其中-1表示会自适应的调整剩余的维度

1.首先用代码解释x.size(0)里面的0是干嘛的
import torch
 
a = torch.randn(2,3)
print(a)
print(a.size())
print(a.size(0))

输出：
tensor([[-0.7595, -0.2599, -1.3692],
        [ 0.8177]]></description><category></category></item><item><title><![CDATA[pytorch里面的nn库：torch.nn.modules、torch.nn.functional、torch.nn.parameter、torch.nn.Sequential]]></title><link>https://blog.csdn.net/Amanda_python/article/details/112404281</link><guid>https://blog.csdn.net/Amanda_python/article/details/112404281</guid><author>Amanda_python</author><pubDate>Sat, 09 Jan 2021 20:26:02 +0800</pubDate><description><![CDATA[torch.nn是专门为神经网络设计的模块化接口
torch.nn构建与autograd之上，可以用来定义和运行神经网络
介绍一下四大库：torch.nn.modules、torch.nn.functional、torch.nn.parameter、torch.nn.Sequential
torch.nn.modules
************torch.nn.modules*************
torch.nn.MSELoss
torch.nn.CrossEntropyLoss 
torch.nn]]></description><category></category></item><item><title><![CDATA[python中的max()与min()的用法介绍]]></title><link>https://blog.csdn.net/Amanda_python/article/details/112383697</link><guid>https://blog.csdn.net/Amanda_python/article/details/112383697</guid><author>Amanda_python</author><pubDate>Fri, 08 Jan 2021 20:57:47 +0800</pubDate><description><![CDATA[A是一个 m 行 n 列的矩阵：
A.min(0) : 返回A每一列最小值组成的一维数组；
A.min(1)：返回A每一行最小值组成的一维数组；
A.max(0)：返回A每一列最大值组成的一维数组；
A.max(1)：返回A每一行最大值组成的一维数组；
这里的0表示行，1表示列
我利用tensor写的张量，里面还可以显示每一行每一列输出的最大最小的索引
A = torch.rand(3,4)
print(A)
print(A.min(0))
print(A.min(1))
print(A.max(0))
p]]></description><category></category></item><item><title><![CDATA[Pytorch 的 Tensor 常用函数与操作]]></title><link>https://blog.csdn.net/Amanda_python/article/details/112369846</link><guid>https://blog.csdn.net/Amanda_python/article/details/112369846</guid><author>Amanda_python</author><pubDate>Fri, 08 Jan 2021 18:21:51 +0800</pubDate><description><![CDATA[Tensor的算术运算
import torch
a = torch.Tensor([1, 2])
b = torch.Tensor([3, 4])

### 加法运算
c = a + b
c = torch.add(a, b)
c = a.add(b)
print(a)
c = a.add_(b) 
print(a)

### 减法运算
c = a - b
c = torch.sub(a, b)
c = a.sub(b)
print(c)
print(a)
c = a.sub_(b) 
print(c)
]]></description><category></category></item><item><title><![CDATA[几种激活函数的详解及代码实现：sigmoid()、softmax()、tanh()、relu()、leaky_relu()]]></title><link>https://blog.csdn.net/Amanda_python/article/details/112103969</link><guid>https://blog.csdn.net/Amanda_python/article/details/112103969</guid><author>Amanda_python</author><pubDate>Sat, 02 Jan 2021 17:05:20 +0800</pubDate><description><![CDATA[import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

1.sigmoid()函数
# Sigmoid函数常被用作神经网络的激活函数，将变量映射到0,1之间
# 除了输出层是一个二元分类问题外，基本不用Sigmoid函数
def sigmoid(x):
    y = 1/(1+np.exp(-x))
    return y

曲线绘制：
X = np.arange(-5, 5, 0.1)
y = sigmoid(X)
]]></description><category></category></item></channel></rss>