编程小白的逆袭日记

1. 什么是Cramér’s V 相关系数在统计中，Cramér’s V (又称为Cramér’s phi，表示为φc) 是一个衡量两个分类变量之间关联的度量，它是一个介于0和+1(包括)之间的值， 0表示两个变量无关，1表示完全相关。它是基于Pearson’s chi-squared statistic（皮尔森的卡方统计），由Harald Cramér于1946年发表的。所以在介绍Cramér’s V 相关系数之前，我们先来了解一下皮尔森的卡方统计。2. 皮尔森的卡方统计（Pearson’s c

在研究两组数据之间的关联性时会用到的一些概念。1. 协方差(Covariance) 和协方差矩阵协方差表示的是两个变量的总体的误差，这与只表示一个变量误差的方差不同。 如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值，另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值。 如果两个变量的变化趋势相反，即其中一个大于自身的期望值，另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。期望值分别为E[X]与E[Y]的两个实随机变量X与Y之间的协方差Cov(X,Y)定义为：

SVD的全称Singular Value Decomposition，中文名是矩阵的奇异分解。它是一种常见的做矩阵降维处理的算法，在图像压缩和NLP算法中经常被用到。本文是我在编程过程中，对于数学中的SVD，numpy的svd方法，以及sklearn中的TruncatedSVD方法在实际应用中的一些理解和体会。线性代数里的SVDA是mxn的实数矩阵, 则A可以分解成以下的形式A=USVTA=USV^TA=USVT ，其中U是mxm的矩阵，S是mxn的对角阵，其主对角线上的每一个值被称为奇异值，V是nx

在开始讲动态规划之前，我们先来讲一个算法问题的实例，由此引出动态规划的一系列概念。最长公共子序列问题 （LCS）给定两个序列x[1…m]y[1…n]求他们最长公共子序列比如：X:ABCBDABX: A B C B D A BX:ABCBDABY:BDCABAY: B D C A B AY:BDCABA那么他们的最长子序列有 LCS(X,Y)=BDAB,BCAB,BCBALCS(X,Y)={BDAB, BCAB, BCBA}LCS(X,Y)=BDAB,BCAB,BCBA此处注意，最长子序列

竞争分析的定义对于一种在线算法A， 如果存在一个常数K， 对于任何序列S的操作的成本， CA(S)<=α.Copt(S)+KC_A(S)<= \alpha.C_{opt}(S)+KCA​(S)<=α.Copt​(S)+K, 则我们可以称算法A为α\alphaα - 竞争的，此处，CoptC_{opt}Copt​是最优算法的成本，又称上帝算法，假设该算法可以预见所有的后续操作并给出一个最优的算法。为了说明竞争分析的方法，我们要对一个在线算法进行分析，并证明该算法是α\alphaα - 竞

算法分析是我最喜欢的课程之一。一个精妙的算法，犹如一杯香浓的咖啡，让人意犹未尽。算法代码，python。今天分享的这个算法是生成斐波那契数列第N项。斐波那契数列（Fibonacci sequence）F0=0,F1=1,F2=1,...,Fn=Fn−2+Fn−1F_0=0, F_1 = 1, F_2 = 1, ... ,F_n = F_{n-2}+F_{n-1}F0​=0,F1​=1,F2​=1,...,Fn​=Fn−2​+Fn−1​写一个方法def fibonacci(n) 生成FnF_nFn​

最近我在公司里做了一个小项目，帮助产品部门建立一个数据模型来预测产品的维修率和返修成本，其中有一步需要估计二参数威布尔分布的参数。在网上看了一些论文，威布尔参数估计的方法有很多种，比如常见的有极大似然估计法，最大相关系数优化法，最小二乘法等等。 因为考虑我目前仅是做模型验证，因此我采用了计算量相对比较小的最小二乘法进行估算，并在EXCEL里利用趋势图直接获得相关参数。先来介绍一下威布尔分布（We...

假设有点x0=(x01,x02,...x0m)x_0 = (x_0^1,x_0^2,...x_0^m)x0​=(x01​,x02​,...x0m​)不在超平面y=wx∗by=wx*by=wx∗b上，其中w=(w1,w2,...wm)w = (w^1,w^2,...w^m)w=(w1,w2,...wm)，求x0x_0x0​到y=wx∗by=wx*by=wx∗b的距离。步骤一：证明www为超平面y=...