自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(64)
  • 收藏
  • 关注

原创 趋动云云端部署ChatGLM3-6B

趋动云平台的使用还是十分简洁的,本地项目代码可保存,也可以方便地使用临时制作镜像功能制作镜像(虽然只有10次),社区中镜像资源,模型与数据都比较多,一切都是现成的,上桌就可以吃饭,过程很丝滑,对小白友好。这次依赖中都包含版本号,没有因为依赖版本问题导致部署失败,很赞。ChatGLM3-6B的效果也还可以,特别是对中英文的支持,感觉是国内最好的基础模型,期待其微调的表现。

2023-11-07 17:41:12 345

原创 rostest与lcov

Rostest与lcov文章目录Rostest与lcov代码覆盖率测试-lcov参考在ROS中集成了gtest的功能,在一个叫rostest的功能包下面,要使用rostest的功能,需要现在CMakeList.txt与package.xml中做配置CMakeLists.txt中的主要设置首先包含rostest库#设置Test开启关闭状态 开启:ON,关闭:OFFset(CATKIN_ENABLE_TESTING ON)message("CATKIN_ENABLE_TESTING is: "

2022-05-29 13:35:58 449 1

原创 使用gtest做单元测试

使用gtest做单元测试文章目录使用gtest做单元测试1.用gtest写测试工程的大致流程配置gtest头文件及库gtest的相关概念TEST与TEST_F断言事件机制参考gtest是一个跨平台的(Liunx、Mac OS X、Windows 、Cygwin 、Windows CE and Symbian ) C++单元测试框架,由google公司发布。gtest是为在不同平台上为编写C++测试而生成的。它提供了丰富的断言、致命和非致命判断、参数化、”死亡测试”等等1.用gtest写测试工程的大致流

2022-05-29 11:53:34 3796

原创 gdb 调试程序

gdb 调试程序文章目录gdb 调试程序gdb查看内存错误1.允许生成core-dump文件2.设置文件生成路径3. debug模式编译程序并运行4.gdb查看core-dump文件定位错误gdb调试程序参考gdb查看内存错误1.允许生成core-dump文件程序发生内存错误时而退出时,会生成一个core dump文件保存相关信息,用这个文件可以排查内存错误。使用命令 ulimit -c 查看core开关,如果为0表示关闭,不会生成core文件。ulimit -a 查看信息会全一些ulimit

2022-05-29 10:21:51 372

原创 卷积神经网络

卷积神经网络卷积神经网络是指至少在某一层中使用卷积运算来代替矩阵乘法的神经网络,卷积运算的特性决定了卷积神经网络适合用来处理具有网格类型的数据,最典型的数据就是图像,因此卷积神经网络在图像中有着广泛的应用,特别是人脸识别。卷积神经网络一般由卷积层,池化层和最后输出的全连接层组成。其待学习的参数在于卷积核与全连接层中。卷积神经网络的作用是逐层提取输入对象的特征。什么情况下能用卷积神经网络呢,某一目标只看局部就可以判断,并且具有可平移性,且相对位置关系比较重要时,卷积神经网络的特性就比较适合。因为其具有

2022-05-28 23:34:33 174

原创 Ubuntu16.04下ROS的安装

ROS的安装与使用1.ROS安装1.1 安装前的准备1)ubuntu系统:虚拟机或者双系统都可以,ubuntu 16.04官方镜像传送门: Ubuntu 16.04.7 LTS (Xenial Xerus)2)更新软件源:国内使用ubuntu自带的官方软件源会很慢,建议首先更新为国内镜像软件源,没有更新的可按如下方法更新,更新过了的直接跳到1.2节安装。3)软件更新界面开启软件来源ROS需要在ubuntu系统下使用,而且ROS版本和ubuntu系统版本一一对应,目前比较新的版本对应如下:

2022-05-28 16:55:09 8616 8

原创 神经网络的训练

神经网络训练不起来怎么办神经网络的训练神经网络训练中障碍-局部最小值点与鞍点批次与动量自适应调节学习率损失函数的影响批次标准化参考神经网络的训练李新在《为有源头活水来》说:“要结合实际工作和革命斗争的需要来学;学以致用;并且勤学苦学。”神经网络训练中障碍-局部最小值点与鞍点在《三体》中有一个片段涉及多维空间的问题。三维封闭空间,可能对四维时空就是开放的,比如二维画一个圈,二维生物可能就困在了里面,但三维生物可以从圈上方跨过去。这么说来,被孙悟空地上画个圈就困住的唐僧可能是二维生物。这里主要说到的一个

2022-05-25 23:39:25 938 1

原创 深度学习及其参数更新时梯度的求解

机器学习-深度学习篇深度学习及其参数更新时梯度的求解1. 神经网络1.1 神经元模型1.2 感知机与多层网络2. 反向传播2.1 误差逆传播算法-BP2.2 向前传播与向后传播参考深度学习及其参数更新时梯度的求解1. 神经网络机器学习中提到的神经网络是指神经网络学习,是机器学习与神经网络这两个学科领域的交叉部分。神经网络的定义有很多种,这里说下自己的理解:神经网络是基于大量简单模型“连接”搭建起来的学习模型,而这个简单模型就是神经元模型。在生物体内,神经元与神经元之间通过突触进行信号传递,且神经元在传

2022-05-22 22:50:43 662

原创 误差的来源及降低误差的训练算法

学习模型误差的来源误差的来源及降低误差的训练算法1. 误差的来源2.降低误差的训练算法3.训练技巧参考误差的来源及降低误差的训练算法1. 误差的来源机器学习的泛化误差来源于三个方面:依次是偏差,方差和数据噪声。偏差:度量了学习算法的期望预测与真实结果间的偏离程度,且是二次方的形式贡献在最后预期期望中。偏差刻画了学习算法本身的拟合能力。方差:度量了同样大小的训练集变动时,该模型学习性能的变化,刻画了数据扰动所造成影响。数据噪声:表达了当前模型所能达到的一个误差下界,一定程度代表了该问题本身的学

2022-05-21 01:33:16 1124

原创 机器学习-回归

机器学习-回归篇机器学习-回归假设模型模型误差模型的训练参考机器学习-回归个人理解,回归模型的输出是连续的数值,类似于数学中的曲线拟合。目前我所知道的回归模型以线性模型为主,按照正则项范数的不同分为岭回归(L2范数)和LASSO回归(L1范数)回归模型,除了十分简单的任务外,基本都需要靠正则来约束模型参数,因为面对复杂问题,其参数会非常多,而这个时候模型在经过训练数据后会变得很复杂,特别容易过拟合,特别是线性模型(好像线性模型就是线性回归这里讲的比较多,非线性模型在神经网络这块?),面对测试数据,复

2022-05-19 01:51:37 211

原创 机器学习介绍

机器学习介绍机器学习介绍1. 什么是机器学习2. 机器学习的发展及分类参考机器学习介绍1. 什么是机器学习在李老师的机器学习课程中说到,人工智慧是我们想要达成的目标,而机器学习是想要达成目标的手段,希望机器通过学习方式,他跟人一样聪明。这种说法真的十分通俗易懂,但如果要探究机器学习背后更深的渊源,了解这门学科的发展历程也是十分有帮助的。计算机科学中,每一门技术的出现都有着其需求的背景,机器学习也不例外,作为一门独立的学科,机器学习受到重视是在人工智能发展的第三阶段,其作用在于帮助计算机归纳知识。在2

2022-05-17 00:20:24 624

原创 C++中内存申请

C++中内存申请内存分配三个区域目前看到资料说,C++内存分配分为三种方式,在静态存储区分配,在栈上分配,在堆上分配,这三者的不同首先在存储变量的生命周期不同,静态存储区存放静态变量和全局变量,在程序运行过程中一直存在,而栈上的属于编译器自动申请的,分为静态分配和动态分配,属于系统自动分配和回收的,生命周期不受控制。而堆上的是动态分配,属于程序员可控制生命周期的变量,需要手动释放,不然会造成内存泄漏。那么如果声明了一个vector,怎么知道它是如何分配的内存呢?按上述说法,它分配的地点其实不确定,如果

2022-05-15 23:53:14 4501

原创 C++ STL库学习笔记1

C++ STL库学习概述STL库主要分为三类,容器类,迭代器类和算法类,算法类还没有研究,主要总结下容器类和迭代器类。其中三者的关系:容器存储数据,算法通过迭代器访问容器中的数据。三者关系如下图:容器类主要分为顺序容器,适配器,关联容器。顺序容器主要是vector,list和dequeue,其中vector可以通过下标访问,内存是连续的,而list和dequeue是链表,内存地址不连续。适配器比较特殊,首先栈stack和queue的默认容器是dequeue,优先队列(堆)默认容器是vector

2022-05-15 22:58:29 375

原创 VINS-Fusion-RGBD在双轮差数轮小车上配置并进行稠密建图

VINS-Fusion-RGBD在小车上进行稠密建图1.轮式里程计代替视觉里程计2.其他获得更为鲁棒性建图效果的做法3.点云地图及栅格地图的获得4.多个参数可配置VINS-Mono由于存在运动初始化过程,对于地面小车来说运动初始化过程没有无人机那么方便,而且大多实用小车需要一运行程序就要执行任务,所以需要选择不需要初始化的版本。VINS-Fusion的双目、双目+imu版本不需要初始化,但双目+imu轨迹容易飞飘,不能进行稳定建图。而双目版本只能建稀疏路标点地图,无法用于实际导航。VINS-Fusio

2021-09-21 22:28:07 3148 25

原创 超详细:VINS-Mono论文中文记录

VINS-Mono论文笔记题目0. 摘要1. 背景简介2.相关工作介绍2.1 融合方式2.2 摄像头数据处理2.3 imu数据处理2.4 初始化2.5里程计3. VINS-Mono系统总览4 视觉和IMU测量的预处理步骤4.1 视觉部分4.2 imu部分4.3 偏置纠正5 鲁棒的初始化过程5.1 视觉重构5.2 视觉惯性联合6 紧耦合的单目VIO系统6.1 公式6.2 imu残差6.3 视觉残差6.4 边缘化残差6.5 针对相机实时帧率的纯运动视觉惯性状态估计器6.6 imu向前传播以得到imu频率的状态估

2021-09-12 23:39:45 9438 7

原创 VINS-Mono论文笔记(中)

VINS-Mono论文笔记-中前言1.初始化过程1.1 视觉重构1.2 视觉惯性联合前言本篇内容涉及VINS-Mono第五至第气节内容,包括:第五节:VINS-Mono的鲁棒性初始化过程第六节:紧耦合、自校准、基于非线性优化的单眼VIO第七节:紧耦合的重定位1.初始化过程单目惯性系统是高度非线性系统,系统的正常运行高度依赖准确的初始化过程。初始化过程由松耦合下的imu预积分辅助纯视觉结构还原过程。1.1 视觉重构使用滑动窗口中纯视觉的sfm方法。初始化过程从一个sfm过程开始,还原一个

2021-09-02 22:38:40 590

原创 VSLAM学习记录-求导:李群与李代数

VSLAM学习记录-1-李群与李代数1.使用背景2.优化中李代数的使用参考1.使用背景旋转的参数化表示之一,就是使用旋转矩阵R来表示,旋转矩阵有如下特性,即其逆为自身的转置,且行列式值为1。SO(n)={R∈Rn×n∣RRT=I,det(R)=1}SO(n)=\{R\in \mathbb{R}^{n\times n} |RR^{T}=I,det(R)=1\}SO(n)={R∈Rn×n∣RRT=I,det(R)=1}这里的第一条性质表明,反向旋转θ\thetaθ角度,其旋转矩阵等于正向旋转矩阵的转置

2021-08-07 12:29:33 353

原创 SLAM十四讲与VINS重投影误差计算的对比

非线性优化中的重投影误差投影模型与代价函数工程上的做法,以VINS-MONO为例今天是2021年8月1日,刚看了东奥男子100米决赛的比赛,心情还久久不能平静,尽管我比赛前比运动员还紧张,比赛后心脏还一直激动,心情难以平复,但我还是要大喊一声,苏神牛逼!这是历史的一刻,致敬中国速度!下面开始正文投影模型与代价函数在高博《VSLAM十四讲》第二版的242页,推导重投影代价函数时,使用了三步推导:1.将路标点的世界坐标转换为局部坐标,并将局部坐标投影至归一化平面坐标。2.归一化坐标加上畸变映射,转

2021-08-01 23:05:22 1346

原创 Octomap概率公式推导

Octomap概率公式推导详细推导过程参考详细推导过程最近看高博关于octomap介绍地博文,其中对每个叶子节点在一系列观测数据下被占据的概率公式,看着有点绕,这里记录梳理过程。首先公式是这样的P(n∣z1:t)=[1+1−P(n∣zt)P(n∣zt)1−P(n∣z1:t−1)P(n∣z1:t−1)P(n)1−P(n)]−1P(n|z_{1:t})=[1+\frac{1-P(n|z_t)}{P(n|z_t)}\frac{1-P(n|z_{1:t-1})}{P(n|z_{1:t-1})}\frac{P

2021-07-22 23:03:56 650

原创 刚体运动中的坐标变换-旋转矩阵、旋转向量、欧拉角及四元数

坐标变换及其方法1.转化关系图2 换算关系3.1 旋转矩阵换算至其他3.2 四元数换算至其他3.3 旋转向量转换至旋转矩阵与四元数3.3 欧拉角转换到旋转矩阵和四元数3 坐标变换4 坐标变换方法概述4.1 换算公式4.2 各旋转表示特点参考1.转化关系图坐标变换是实际导航与定位中必不可少的一环,而其中旋转变换至关重要,本文对学习过程中关于坐标变换内容做一点总结,以下是本文提供的转换关系。说明:旋转矩阵和四元数提供与其他三种旋转表示的转换关系,欧拉角与旋转向量只提供与旋转矩阵和四元数的换算关系。2

2021-05-23 23:12:29 6773 1

原创 GO-学习之旅

Task13.并发编程1 并发与并行2 为什么需要并发?3 Go并发原语3.1 协程Goroutines3.2 通道Channel1 并发与并行Erlang 之父 Joe Armstrong曾经以下图解释并发与并行。并发在图中的解释是两队人排队接咖啡,两队切换。并行是两个咖啡机,两队人同时接咖啡。“Concurrency is about dealing with lots of things at once. Parallelism is about doing lots of things

2020-12-27 23:47:02 92

原创 Go学习之旅-Task12

单元测试1 初探Go单元测试2 单测要点3 基准测试4 mock/stub测试5 直接替换6 浏览器实时测试在日常开发中,我们通常需要针对现有的功能进行单元测试,以验证开发的正确性。在go标准库中有一个叫做testing的测试框架,可以进行单元测试,命令是go test xxx。测试文件通常是以xx_test.go命名,放在同一包下面。1 初探Go单元测试现在假设现在需求是:完成两个复数相加,我们只需要一个函数便可以完成该任务。在开发中,我们需要对该函数进行功能测试,如何快速进行单元测试呢?鼠

2020-12-25 13:14:02 88

原创 Go学习之旅-Task11

反射机制1 反射是什么2 反射的作用3 反射的实现3.1 反射三定律4 反射的实践1 反射是什么反射的概念是由Smith在1982年首次提出的,主要是指程序可以访问、检测和修改它本身状态或行为的一种能力。Go 语言提供了一种机制在运行时更新变量和检查它们的值、调用它们的方法,但是在编译时并不知道这些变量的具体类型,这称为反射机制。2 反射的作用1.在编写不定传参类型函数的时候,或传入类型过多时典型应用是对象关系映射type User struct { gorm.Model Na

2020-12-24 23:22:40 88

原创 Go学习之旅-Task10

异常处理1. error2. panic3. 源码分析1. errorGo语言内置了一个简单的错误接口作为一种错误处理机制,接口定义如下:type error interface { Error() string}它包含一个 Error() 方法,返回值为stringGo的error构造有两种方式,分别是第一种:errors.New()err := errors.New("This is an error")if err != nil { fmt.Print(err)}第二种

2020-12-23 23:37:08 59

原创 Go学习之旅-Task9

包管理8.包管理8.1 Go Modules是什么?8.2 Go Modules的使用方法8.2.1 环境变量8.2.2 初始化模块8.2.3 go get8.2.4 常用命令参考8.包管理8.1 Go Modules是什么?go module是go官方自带的go依赖管理库,在1.13版本正式推荐使用go module可以将某个项目(文件夹)下的所有依赖整理成一个 go.mod 文件,里面写入了依赖的版本等使用go module之后我们可不用将代码放置在src下了使用 go module 管理依

2020-12-22 16:25:54 125

原创 Go学习之旅-Task8

结构体、方法、接口7.1.结构体7.1.1 结构体定义7.1.2 操作结构体7.1.3 标签7.1.4 内嵌结构体7.2 方法7.2.1 方法定义7.2.2 方法接收者7.3 接口7.3.1 接口定义7.3.2 实现接口7.3.3 类型断言7.3.4 空接口7.1.结构体Go 语言中没有“类”的概念,也不支持像继承这种面向对象的概念。但是Go 语言的结构体与“类”都是复合结构体,而且Go 语言中结构体的组合方式比面向对象具有更高的扩展性和灵活性。7.1.1 结构体定义结构体一般定义如下:type

2020-12-22 16:06:10 78

原创 Go学习之旅-Task7

函数6.函数6.1 函数定义6.2 值传递与引用传递6.3 变长参数6.4 多返回值6.5 命名返回值6.6 匿名函数6.7 闭包6.函数6.1 函数定义在go语言中函数定义格式如下:func functionName([parameter list]) [returnTypes]{ //body}函数由func关键字进行声明。functionName:代表函数名。parameter list:代表参数列表,函数的参数是可选的,可以包含参数也可以不包含参数。returnTypes

2020-12-22 16:02:54 94

原创 Go学习之旅-Task6

数组与切片数组、切片1.数组1.1.1 如何定义数组1.1.2 使用指针数组2 切片数组、切片1.数组1.1.1 如何定义数组数组是具有相同类型且长度固定的一组连续数据。使用如下方式申明一个数组并赋值:package mainimport "fmt"func main() { fmt.Println("hello World!") var arr1 [5]int for i := 0; i < len(arr1); i++ { arr1[i] = i * 10 } fo

2020-12-22 15:32:21 54

原创 组队学习之目标检测

CV之目标检测1.[Task01]:目标检测基础和VOC数据集1.1 .1目标检测基础1.1.2 目标框定义方式1.2 VOC数据集1.[Task01]:目标检测基础和VOC数据集1.1 .1目标检测基础目标检测,即在图片上,检测出感兴趣的物体的位置,并给出类别的置信度,实现思路基本是预选框加分类模型,以下是教材的讲解:目标检测是计算机视觉中的一个重要任务,近年来传统目标检测方法已经难以满足人们对目标检测效果的要求,随着深度学习在计算机视觉任务上取得的巨大进展,目前基于深度学习的目标检测算法已经成

2020-12-14 23:56:36 513

原创 Go 学习之旅

小白学习GoTask1 Go初探1.1 前言1.2 Go语言特性1.2.1 自动垃圾回收1.2.2 更丰富的内置类型1.2.3 函数多返回值1.2.5 错误处理参考Task1 Go初探1.1 前言编程语言,每个特性如果一开始都详细探究,估计都得写一篇文章来说,往往还说的不深入。所以既然是初探,那么就大概了解下特性,如果能和其他语言做比较的话,就做下对比,以求观森林,其次在于树木(虽然不知道这样是否是个好办法)。以下是Go的语言特性:自动垃圾回收更丰富的内置类型函数多返回值错误处理匿名函数

2020-12-14 21:54:50 214

原创 推荐系统-task5

GBDT+LR1. GBDT + LR 是什么2. GBDT + LR 用在哪3. GBDT + LR 的结构3.1 得到二分类器3.2 构造新数据3.3 逻辑回归分类4. 逻辑回归模型5.GBDT模型6.GBDT+LR模型7.编程实践1. GBDT + LR 是什么本质上GBDT+LR是一种具有stacking思想的二分类器模型,所以可以用来解决二分类问题。这个方法出自于Facebook 2014年的论文Practical Lessons from Predicting Clicks on Ads

2020-10-30 23:10:26 191

原创 推荐系统-task5

Wide&Deep1.背景2. Wide & Deep模型的“记忆能力”与“泛化能力”3. 操作流程4.代码参考1.背景Wide and deep 模型是 TensorFlow 在 2016 年 6 月左右发布的一类用于分类和回归的模型,并应用到了 Google Play 的应用推荐中。wide and deep 模型的核心思想是结合线性模型的记忆能力(memorization)和 DNN 模型的泛化能力(generalization),在训练过程中同时优化 2 个模型的参数,从而达到整

2020-10-27 22:00:05 104

原创 推荐系统-task3

矩阵分解1.定义1.1 隐语义模型与矩阵分解1.2 隐语义模型2.编程实现1.定义1.1 隐语义模型与矩阵分解从协同过滤中衍生出矩阵分解模型(Matrix Factorization,MF)或者叫隐语义模型, 矩阵分解模型使用更稠密的隐向量表示用户和物品, 挖掘用户和物品的隐含兴趣和隐含特征, 在一定程度上弥补协同过滤模型处理稀疏矩阵能力不足的问题。1.2 隐语义模型隐语义模型最早在文本领域被提出,用于找到文本的隐含语义。在2006年, 被用于推荐中, 它的核心思想是通过隐含特征(latent

2020-10-25 21:59:36 835

原创 推荐系统-task2

协调过滤1.协同过滤思想简介2.协同过滤算法3. 相似性度量方法3.1. 杰卡德(Jaccard)相似系数3.2 余弦相似度3.3 皮尔逊相关系数4. 协同过滤算法4.1 人以群分-基于用户的相似推荐4.1.1 UserCF算法步骤4.1.2 UserCF编程实现4.1.3 UserCF优缺点4.2 物以类聚-基于目标物的相似推荐4.2.1 ItemCF算法步骤4.2.2 ItemCF具体实现5.UserCF与ItemCF适用场景6. 模型评价6.1 常用评价指标6.2 各评价指标适应情况7.协同算法优缺

2020-10-22 23:14:24 211

原创 推荐系统-task1

推荐系统概论本次课程是由Datawhale推荐系统小组内部成员共同完成,针对推荐系统小白的一入门课程。时间从10月19日到10月30日,共五个打卡。本次打卡是第一次打卡,主要高屋建瓴谈推荐系统的一些概念。1.概念1.1 什么是推荐系统定义:推荐系统是指,在用户需求并不十分明确的情况下进行信息的过滤,推荐其可能喜欢的内容的一种系统。比如大家都知道的淘宝的推荐,基于你之前的购物信息,推荐一些你可能会购买的商品的内容,还有短视频推荐,音乐每日推荐等类似系统。作用:平台能够最大限度地吸引用户,留存用户,

2020-10-19 23:23:19 218

原创 金融风控违约预测-task5

模型融合0.概述1.平均法2.投票3.boosting/bagging4.stacking & blending0.概述模型融合,是把不同模型结果进行整合,个人觉得模型融合需要和特征构造相区别,如果将模型的结果作为特征来进行学习,其实应该算一种新的特征构造,即特征工程的内容。因此,模型融合的方法应该是平均法,投票法,纠错码法,boosting和bagging。模型融合的思想,是兼听则明,多个模型结果融合,降低了单一模型严重偏离真值的概率。模型融合的结果,要么可以提升精度,要么降低方差,好的模型融

2020-09-27 23:07:14 87

原创 金融风控违约预测-task4

建模分析1.模型介绍1.1 单体模型1.2 集成模型2.如何调参2.1 贪心调参2.2 网格搜索2.3 贝叶斯调参3.评估对比4.5 代码示例4.5.1 导入相关关和相关设置4.5.2 读取数据参考1.模型介绍1.1 单体模型逻辑回归优点训练速度较快,分类的时候,计算量仅仅只和特征的数目相关;简单易理解,模型的可解释性非常好,从特征的权重可以看到不同的特征对最后结果的影响;适合二分类问题,不需要缩放输入特征;内存资源占用小,只需要存储各个维度的特征值;缺点逻辑回归需要预先

2020-09-23 00:40:38 190

原创 金融风控违约预测-task3

特征工程0.回顾1.概述常见的训练数据预处理:常见的特征工程:2. 特征工程分享0.回顾啃着泡面,看了一眼昨天的打卡博客,感觉不太对劲,寥寥几言的打卡竟然有七百多的阅读量,有点意外,昨天时间紧迫,没有写的很详细。参加比赛,探索性数据分析是我们与数据的第一次会面,需要从整体到局部来认识,为数据清洗和特征工程打下基础。我一般会使用pandas,sklearn和matplotlib等库进行数据EDA,首先看一下各特征是什么意思,大概预测一下相关性,然后就需要详细看各特征的分布,缺失,特点。import p

2020-09-21 23:49:38 169

原创 金融风控违约预测-task2

探索性数据分析0.概述1.数据总览2.特征分析0.概述机器学习模型,是要学得数据中的分布规律,然后利用数据分布规律进行预测。我们的数据以特征为基本的表现形式,这些特征有的是有用的,有的是没有用的,建模之前进行的探索性数据分析,就是为了找出跟预测事物相关的特征,而进行的对数据的必要属性。因此第一步,就是要看有哪些特征,分布如何,然后做合适的假设。尽管现在特征工程都在走形式化,流程化,但能对特征与目标之间关系的理性的规律性认识,仍然是机器学习建模中宝贵的经验。特别是金融中,要求可解释性强的模型,传统机器学

2020-09-18 23:51:36 1024

原创 何谓时间,Golang时间模块错误小结

go时间模块函数使用1.time.Now()2.时间解析time.parse()3.小结最近测试公司的一个服务代码,发现两个容器中时间戳不匹配,一路查问题,最后发现是go中时间解析的问题,这里记录一下。1.time.Now()首先这个函数,返回的是当地时间,及带时区的时间。看下源代码如何说明的:// Now returns the current local time.func Now() Time { sec, nsec, mono := now() mono -= startNano

2020-09-05 21:26:19 2025

空空如也

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除