<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Mrrunsen的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/Mrrunsen</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; Mrrunsen]]></copyright><item><title><![CDATA[《R 语言卡方检验全解析：手写代码实现与详细步骤》卡方检验]]></title><link>https://blog.csdn.net/Mrrunsen/article/details/145583738</link><guid>https://blog.csdn.net/Mrrunsen/article/details/145583738</guid><author>Mrrunsen</author><pubDate>Wed, 12 Feb 2025 08:25:44 +0800</pubDate><description><![CDATA[卡方检验（Chi-Square Test）是一种常用的统计方法，主要用于检验分类变量之间的独立性或拟合优度。在医学、社会科学等领域中，卡方检验常用于分析两个或多个分类变量之间的关系。以下是卡方检验的全面解析，包括实现代码和手写公式。χ2∑Ei​Oi​−Ei​2​Oi​Ei​dfr−1c−1rcdfk−1k如果卡方统计量大于临界值，或 p 值小于显著性水平（如 0.05），则拒绝原假设。]]></description><category></category></item><item><title><![CDATA[全面解析R语言中的方差检验]]></title><link>https://blog.csdn.net/Mrrunsen/article/details/145531664</link><guid>https://blog.csdn.net/Mrrunsen/article/details/145531664</guid><author>Mrrunsen</author><pubDate>Sun, 09 Feb 2025 14:01:55 +0800</pubDate><description><![CDATA[本文将详细介绍R语言中的方差检验方法，包括单因素方差分析、双因素方差分析、重复测量方差分析等，并通过实例代码和图表进行演示。本文详细介绍了R语言中的方差检验方法，包括单因素方差分析、双因素方差分析和重复测量方差分析。方差分析是一种强大的统计工具，能够帮助研究者比较不同组之间的均值差异，从而得出科学的结论。在实际应用中，研究者应根据实验设计和数据特点选择合适的方差分析方法，并注意满足方差分析的基本假设。假设我们有一个实验，研究两种不同的肥料（A和B）和两种不同的光照条件（低光和高光）对植物生长的影响。]]></description><category></category></item><item><title><![CDATA[全面解析R语言中的t检验]]></title><link>https://blog.csdn.net/Mrrunsen/article/details/145485820</link><guid>https://blog.csdn.net/Mrrunsen/article/details/145485820</guid><author>Mrrunsen</author><pubDate>Fri, 07 Feb 2025 08:34:37 +0800</pubDate><description><![CDATA[t检验是用于比较两个群体的均值是否存在显著差异的统计方法。]]></description><category></category></item><item><title><![CDATA[RNA-seq数据生成与差异表达分析]]></title><link>https://blog.csdn.net/Mrrunsen/article/details/145437786</link><guid>https://blog.csdn.net/Mrrunsen/article/details/145437786</guid><author>Mrrunsen</author><pubDate>Tue, 04 Feb 2025 10:25:50 +0800</pubDate><description><![CDATA[通过以上步骤，生成模拟的RNA-seq数据，并使用DESeq2或edgeR进行差异表达分析。]]></description><category></category></item><item><title><![CDATA[医学基因表达热图和火山图分析绘制]]></title><link>https://blog.csdn.net/Mrrunsen/article/details/145436898</link><guid>https://blog.csdn.net/Mrrunsen/article/details/145436898</guid><author>Mrrunsen</author><pubDate>Tue, 04 Feb 2025 09:24:19 +0800</pubDate><description><![CDATA[火山图需要差异基因的。]]></description><category></category></item><item><title><![CDATA[tmap绘制中国地图]]></title><link>https://blog.csdn.net/Mrrunsen/article/details/145436649</link><guid>https://blog.csdn.net/Mrrunsen/article/details/145436649</guid><author>Mrrunsen</author><pubDate>Tue, 04 Feb 2025 08:42:41 +0800</pubDate><description><![CDATA[如果你有中国地图的 GeoJSON 或 Shapefile 文件，可以使用sfchina_map <- st_read("path/to/china.geojson") # 加载 GeoJSON 文件你可以通过调整参数来自定义地图的样式。tm_polygons(col = "lightblue", # 填充颜色border.col = "black", # 边界颜色border.alpha = 0.5) + # 边界透明度tm_layout(title = "中国地图", # 标题。]]></description><category></category></item><item><title><![CDATA[使用ggsci包实现SCI期刊标准配色方案]]></title><link>https://blog.csdn.net/Mrrunsen/article/details/145436253</link><guid>https://blog.csdn.net/Mrrunsen/article/details/145436253</guid><author>Mrrunsen</author><pubDate>Tue, 04 Feb 2025 08:29:31 +0800</pubDate><description><![CDATA[ggsci包为R语言用户提供了丰富的配色方案，能够轻松实现SCI期刊的标准配色。通过简单的函数调用，你可以将这些配色方案应用到ggplot2绘制的图表中，使你的图表更加专业和美观。]]></description><category></category></item><item><title><![CDATA[如何用Tushare获取金融数据]]></title><link>https://blog.csdn.net/Mrrunsen/article/details/141091583</link><guid>https://blog.csdn.net/Mrrunsen/article/details/141091583</guid><author>Mrrunsen</author><pubDate>Sat, 10 Aug 2024 15:27:53 +0800</pubDate><description><![CDATA[Tushare提供以下股票行情数据：日线行情、周线行情、月线行情、复权行情、复权因子、每日停复牌信息、每日指标、个股资金流向、每日涨跌停价格、沪深港通资金流向、沪深股通十大成交股、港股通十大成交股、港股通每日成交统计、港股通每月成交统计等。Tushare提供的市场参考数据包括：融资融券交易汇总、融资融券交易明细、融资融券标的、前十大股东、前十大流通股东、龙虎榜每日明细、龙虎榜机构明细、股权质押统计数据、股权质押明细、股票回购、限售股解禁、大宗交易、股东人数、股东增减持等。]]></description><category></category></item><item><title><![CDATA[什么是提示工程师]]></title><link>https://blog.csdn.net/Mrrunsen/article/details/141041404</link><guid>https://blog.csdn.net/Mrrunsen/article/details/141041404</guid><author>Mrrunsen</author><pubDate>Fri, 09 Aug 2024 06:44:20 +0800</pubDate><description><![CDATA[作为一个提示工程师，创建文本生成任务的提示模板时，主要任务是创建一个具有指导意义的上下文或起始文本，引导模型生成预期的内容。作为一个提示工程师，创建摘要生成任务的提示模板需要提供足够的指示，让模型明白需要从给定的文本中提取主要信息并生成简洁的摘要。作为一个提示工程师，创建问题回答任务的提示模板需要提供清晰的问题及相关上下文，以指导模型产生预期的答案。但这只是一种基本的模板，更复杂的翻译任务中，可能需要进一步优化模板，如对话翻译、古诗词翻译等都需要对模板进行针对性的调整，以便模型能产出更符合期望的结果。]]></description><category></category></item><item><title><![CDATA[神经网络-RoBERTa]]></title><link>https://blog.csdn.net/Mrrunsen/article/details/141041389</link><guid>https://blog.csdn.net/Mrrunsen/article/details/141041389</guid><author>Mrrunsen</author><pubDate>Fri, 09 Aug 2024 06:40:06 +0800</pubDate><description><![CDATA[为了避免在每轮训练中每个训练实例都使用相同的mask，训练数据被复制了10倍，这样在每个40个训练周期的训练中，每个序列都以10种不同的方式被masked。然而，当建模大量多样化的语料库时，如本工作中考虑的语料库，Unicode字符可以占据这个词汇量的一个相当大的部分。遵循Radford等人（2019）的方法，我们考虑使用一个更大的字节级BPE词汇表来训练BERT，该词汇表包含50K子词单位，而无需对输入进行额外的预处理或分词。这些子词不是预先定义的单词，而是通过分析训练语料库中的统计数据自动提取的。]]></description><category></category></item><item><title><![CDATA[AutoDis 一文小结]]></title><link>https://blog.csdn.net/Mrrunsen/article/details/141041383</link><guid>https://blog.csdn.net/Mrrunsen/article/details/141041383</guid><author>Mrrunsen</author><pubDate>Fri, 09 Aug 2024 06:38:29 +0800</pubDate><description><![CDATA[AutoDis 一文小结

这篇文章介绍了AutoDis，一个创新的框架，旨在解决推荐系统中点击率（CTR）预测的一个关键问题：如何有效地嵌入数值特征。在现有的CTR预测模型中，数值特征的嵌入通常受限于固定数量的参数，导致模型无法充分捕捉特征之间的复杂交互，或者依赖于无法与模型目标共同优化的硬离散化规则。



要解决的问题：


	现有模型通常忽视了嵌入模块在处理数值特征时的重要性。
	
	
	数值特征的传统嵌入方法（如规范化和离散化）存在性能瓶颈，例如低容量问题、两阶段问题（TPP）、相似值]]></description><category></category></item><item><title><![CDATA[大模型调用外部工具的实战指南]]></title><link>https://blog.csdn.net/Mrrunsen/article/details/141041373</link><guid>https://blog.csdn.net/Mrrunsen/article/details/141041373</guid><author>Mrrunsen</author><pubDate>Fri, 09 Aug 2024 06:36:03 +0800</pubDate><description><![CDATA[未来，LangChain将继续提供更多强大的组件和工具，支持更多类型的数据源和模型，以满足开发者对复杂LLM应用的需求。需要注意的是，LangChain本身是一个框架，它提供了一系列的工具和组件来支持上述流程中的各个环节，但具体的实现细节会根据项目的具体需求和所使用的技术栈而有所不同。LangChain可以理解为：在一个流程的整个生命周期中，管理和优化prompt，根据prompt使用不同的代理进行不同的动作，在这期间使用内存管理中间的一些状态，然后使用链将不同代理之间进行连接起来，最终形成一个闭环。]]></description><category></category></item><item><title><![CDATA[大数据技术与应用 课程设计 基于 Spark的出租房屋大数据分析]]></title><link>https://blog.csdn.net/Mrrunsen/article/details/140168308</link><guid>https://blog.csdn.net/Mrrunsen/article/details/140168308</guid><author>Mrrunsen</author><pubDate>Thu, 04 Jul 2024 07:52:07 +0800</pubDate><description><![CDATA[类型2-面积适中，租金适中，适合合租、一家人租住；在实现这个项目的过程中，我认为最重要的是对数据的预处理，通过对数据进行清洗和去重，可以保证得到准确的分析结果。此次项目是分析广东七地二手房的房子情况，数据是来自链家的二手房，此 次的爬取的数据是2023年5月最新的数据，数据包含了十个字段，都是爬取后在excel做了简单的数据预处理，最后导入虚拟机。通过雷达图可以清楚的分析在相同的环境下，深圳与佛山两地二手房的价格差别，本次选取租房中的房间数量、平均面积、均价、楼层层数、客厅数量五个指标进行可视化。]]></description><category></category></item><item><title><![CDATA[R语言 Markowitz均值-方差模型（Mean-Variance Model）]]></title><link>https://blog.csdn.net/Mrrunsen/article/details/139730773</link><guid>https://blog.csdn.net/Mrrunsen/article/details/139730773</guid><author>Mrrunsen</author><pubDate>Mon, 17 Jun 2024 08:29:34 +0800</pubDate><description><![CDATA[该模型通过考虑资产的预期收益和风险（通常用方差或标准差表示），帮助投资者找到最优的资产组合。这个模型帮助我们在考虑风险和收益的情况下，找到最优的资产组合。您可以根据自己的需求调整股票列表和时间范围，进一步优化和测试您的投资组合。Markowitz模型的目标是找到一组权重 $\mathbf{w} )，使得在给定风险水平下，投资组合的预期收益最大化，或者在给定预期收益下，投资组合的风险最小化。投资者可以根据自己的风险偏好和收益目标，通过模型找到最优的资产配置策略。为投资组合的权重向量，为资产的预期收益向量，]]></description><category></category></item><item><title><![CDATA[基于Tushare数据的最小风险组合与最大夏普比率组合分析]]></title><link>https://blog.csdn.net/Mrrunsen/article/details/139730707</link><guid>https://blog.csdn.net/Mrrunsen/article/details/139730707</guid><author>Mrrunsen</author><pubDate>Mon, 17 Jun 2024 08:10:58 +0800</pubDate><description><![CDATA[我们选择了5只股票，分别是中国银行（601988.SH）、贵州茅台（600519.SH）、海通证券（600837.SH）、上海机场（600009.SH）和宁德时代（300750.SZ），数据时间范围为2020年1月1日至2024年6月1日。通过上述分析，我们得出了最小风险组合和最大夏普比率组合的预期收益率，并对其权重分布进行了可视化展示。本次分析展示了如何利用Tushare平台获取数据，并使用R语言进行数据处理和投资组合优化，为实际投资决策提供了理论依据和数据支持。然后，对数据进行清理以确保数据完整性。]]></description><category></category></item><item><title><![CDATA[R语言 计算最小化风险的最优权重]]></title><link>https://blog.csdn.net/Mrrunsen/article/details/139730599</link><guid>https://blog.csdn.net/Mrrunsen/article/details/139730599</guid><author>Mrrunsen</author><pubDate>Mon, 17 Jun 2024 07:49:49 +0800</pubDate><description><![CDATA[在金融市场中，如何优化投资组合以最大化收益并最小化风险是一个重要的研究课题。本文将展示如何使用 R 语言结合 Tushare 数据接口获取股票数据，并通过现代投资组合理论计算最优投资组合。具体来说，我们将使用五只股票的数据，并基于这些数据计算最小化风险的最优权重。]]></description><category></category></item><item><title><![CDATA[如何高效阅读人工智能研究论文]]></title><link>https://blog.csdn.net/Mrrunsen/article/details/139640802</link><guid>https://blog.csdn.net/Mrrunsen/article/details/139640802</guid><author>Mrrunsen</author><pubDate>Thu, 13 Jun 2024 08:16:42 +0800</pubDate><description><![CDATA[导读: 在刚迈入科研时，人人都说读论文很重要，但是很少有人能完整地教你应该如何读论文。论文不仅揭示了行业的最新进展和趋势，而且为我们提供了改进技术和解决复杂问题的思路。然而，由于学术论文常常包含密集的技术细节和专业术语，新手可能会觉得门槛较高。]]></description><category></category></item><item><title><![CDATA[GPT-4o：全新AI技术的深度解析]]></title><link>https://blog.csdn.net/Mrrunsen/article/details/139585670</link><guid>https://blog.csdn.net/Mrrunsen/article/details/139585670</guid><author>Mrrunsen</author><pubDate>Tue, 11 Jun 2024 06:21:21 +0800</pubDate><description><![CDATA[人工智能（AI）技术日新月异，最近，OpenAI发布了最新的语言模型——GPT-4o。作为GPT-4的进化版本，GPT-4o在多个方面展现了其独特的优势和显著的提升。本篇文章将从多个角度对GPT-4o进行评价，包括版本间的对比分析、GPT-4o的技术能力、应用场景以及个人整体感受，旨在帮助读者全面了解这一新兴技术。]]></description><category></category></item><item><title><![CDATA[搞定99%的R包的安装报错]]></title><link>https://blog.csdn.net/Mrrunsen/article/details/139576228</link><guid>https://blog.csdn.net/Mrrunsen/article/details/139576228</guid><author>Mrrunsen</author><pubDate>Mon, 10 Jun 2024 14:05:05 +0800</pubDate><description><![CDATA[此处解释一下这段代码的意思，就是如果没有pacman包，就自动安装，之后调用专门用来安装包的pacman包，利用p_load函数直接调用包，如果需要的包曾经没有安装过，这个函数会自动安装后加载。每次开始学习R语言，最困难的一步就是下载R语言和Rstudio，第二步就是迷失在安装运行所需包的报错之中，本次就提供最便捷的安装包的方法，以及一些常规方法不能成功安装的包的安装方案，一文搞定99%的困难。首先，所有的教材或网站上，都会告诉你，开始都要运行library(“ggplot2”)这条语句，然后就会被告知。]]></description><category></category></item><item><title><![CDATA[一、方差分析（45分） 冬小麦不同水分条件下的产量试验进行了不同水分处理，为完全随机设计，试进行方差分析（wh.csv）。 （1）是否满足方差分析的前提假设？（提示:正态检验用shapiro.test]]></title><link>https://blog.csdn.net/Mrrunsen/article/details/139563995</link><guid>https://blog.csdn.net/Mrrunsen/article/details/139563995</guid><author>Mrrunsen</author><pubDate>Sun, 09 Jun 2024 17:32:06 +0800</pubDate><description><![CDATA[（3）分别分析不同因变量（NEE、RECO和GPP）与Ta、VPD、Pa、Ws、Rn、CO2、SWC、ET的多重非线性检验，在此基础上，采用逐步回归和AIC法进行多元线性回归分析，并解释结果（15分）（4）NEE与Ta、VPD、Pa、Ws、Rn、CO2、SWC、ET进行通径分析，并列出通径分析表格或者画出通径分析图（R语言中的agricolae包）（15分）方差分析结果表明，在不同水分处理下的产量存在显著差异（ANOVA, F = 55, p < 0.001），这意味着水分条件对产量有着显著影响。]]></description><category></category></item></channel></rss>