- 博客(47)
- 收藏
- 关注
RSS订阅原创 Vue数据代理与数据监测
1.什么是数据代理？数据代理：通过一个对象代理对另一个对象中属性的操作2.Vue数据代理通过vm对象来代理配置对象data中所有属性的操作3.为什么要用数据代理更方便的读取和修改data中的属性4.实现原理a.配置对象data中的数据会被收集到vm._data中（通过Object.defineProperty），然后再通过Object.defineProperty让vm上拥有data中所有的属性b.所有添加的属性都包含getter和setterc.通过getter和setter操作data
2022-03-22 18:06:00
1928
1
原创 敏感性、特异性、假阳性、假阴性
敏感性、特异性、假阳性、假阴性是医学领域常用的评估指标。敏感性：在金标准判断有病（阳性）的人群中，检测出阳性的几率。真阳性（检测出确实有病的能力）TPR = TP / ( TP+FN ) = TP / T特异性：在金标准判断没病（阴性）的人群中，检测出阴性的几率。真阴性（检测出确实没病的能力）TNR= TN / (FP + TN)=TN/F假阳性：在金标准没病（阴性）的人群中，检测出阳性的几率。（没病，检测结果说有病），即误诊率FPR = FP / ( FP + TN ) = FP / F假
2021-03-11 20:55:12
2903
原创 卷积神经网络的输出形状
卷积层的输出形状由输入形状、卷积核窗口形状、填充和步幅决定。1. 当没有填充且步幅为1时假设输入形状是nh×nw，卷积核窗口形状是kh×kw输出形状为：2.当有填充且步幅为1时假设输入形状是nh×nw，卷积核窗口形状是kh×kw，在高的两侧一共填充ph行，在宽的两侧一共填充pw列输出形状为：3.当有填充且步幅不为1时假设输入形状是nh×nw，卷积核窗口形状是kh×kw，在高的两侧一共填充ph行，在宽的两侧一共填充pw列，当高上步幅为sh，宽上步幅为sw时输出形状为：特别的，当输入的
2021-03-04 15:34:43
1062
1
原创 pytorch核心模块
目前pytorch模块主要包含两大类：原生torch库下，用于构建灵活神经网络的模块成熟AI领域中，用于辅助具体行业应用的模块这两大模块的层次是并列的。
2021-02-20 12:14:41
194
原创 pytorch学习——基本优化思想与最小二乘法
一、机器学习建模一般流程Step 1：提出基本模型例如线性回归、神经网络模型等。Step 2：确定损失函数和目标函数围绕建模的目标，我们需要合理设置损失函数，并在此基础之上设置目标函数，当然，在很多情况下，这二者是相同的。例如平方误差损失（SSE）等。Step 3：根据目标函数特性，选择优化方法，求解目标函数例如最小二乘法等。二、最小二乘法pytorch可以直接调用torch.lstsq(B,A)来实现。...
2021-02-17 18:16:30
2228
原创 pandas入门
如果说，NumPy是Python通用科学计算库，那么Pandas则是建立在NumPy基础之上的面板数据（panel data）和数据分析（data analysis）通用工具包，当然，这也就是Pandas名称的由来。相比于NumPy提供了较为基础的数组结构数据，Pandas则提供了主要面向面板数据（或者说表格数据）分析处理的数据结构和工具，二维表格数据可以说是数据分析和大多数机器学习场景下最常用的数据结构了，这也是为什么对于大多数Python数据分析师、数据挖掘工程师来说，Pandas会成为最常用的工具包之
2021-02-04 17:52:18
333
原创 Numpy的广播与科学计算
一、广播计算规则Numpy所具备的广播特性，可以使得数组的科学计算变得高效而便捷，是NumPy最核大的特色之一。例如：两个三个元素的数组，在进行减法运算时，每个位置上的元素依次相减。当然，目前也有很多材料认为，只有不同形状的数组在进行计算时，才用到了广播特性。对于如下的广播示意图：①相当于每个元素都依次+5②相当于a的每一行都加b，也可以理解为将b纵向扩展为了一个3*3的数组，和a对应相加。③相当于对a进行了横向扩展，对b进行了纵向扩展，然后对应元素相加。值得注意的是，如果两个数组
2021-02-04 10:34:56
163
原创 leetcode刷题——415. 字符串相加
题目描述给定两个字符串形式的非负整数 num1 和num2 ，计算它们的和。提示：num1 和num2 的长度都小于 5100num1 和num2 都只包含数字 0-9num1 和num2 都不包含任何前导零你不能使用任何內建 BigInteger 库， 也不能直接将输入的字符串转换为整数形式解题思路标签：字符串题目理解：模拟人工加法的过程，需要有一个变量来保存进位在计算时，从后往前相加因此，可以使用双指针，从后往前遍历两个字符串算法流程：temp=n1+n2+carry，
2021-02-03 11:01:25
176
原创 leetcode刷题——Z字形变换
题目描述将一个给定字符串 s 根据给定的行数 numRows ，以从上往下、从左到右进行 Z 字形排列。比如输入字符串为 “PAYPALISHIRING” 行数为 3 时，排列如下：P A H NA P L S I I GY I R之后，你的输出需要从左往右逐行读取，产生出一个新的字符串，比如：“PAHNAPLSIIGYIR”。请你实现这个将字符串进行指定行数变换的函数：string convert(string s, int numRows);示例 1：输入：s
2021-02-01 13:23:29
166
原创 Numpy的常用方法
一、特殊数组的创建全0数组 ——np.zeros全1数组——np.ones随机数组——rand生成服从01分布的随机数当随机生成的数越多 ，均值越接近0.5随机数组——randn生成服从标准正态分布的随机数随机生成的数越多，均值越接近0，方差越接近1随机数组——normal生成元素是指定随机分布的数组生成数值全相同的数组——full生成单位矩阵——eye生成对角矩阵——diag按照某种形状生成ndarraye的形状为2行3列，按照e的形状生成全0，全1，
2021-02-01 12:51:41
80
原创 Numpy基础
一、Numpy简介Numpy是python用于数据技术最通用的第三方库，其核心优势在于它提供了用于复杂数据对象处理的N维数组的对象类型，以及各类相关的函数和方法。二、Ndarray的简单创建和索引Numpy的核心对象类型是Ndarray(N-dimension-array),即多维数组。使用np.array函数进行创建，根据该函数的规则，传入的参数必须是一个序列（list/tuple等）。由arr2可以注意到，数组会把不同的数据类型转化成同一数据类型。例如arr2既有浮点类型，又有整数类型，则将整
2021-01-29 19:50:59
678
原创 python基础——python容器的有序性和可变性总结
有序性：是指可以通过其位置来索引某一元素。可变性：是指是否可以对容器中的元素进行增删该的操作。字符串：有序，不可变列表：有序，可变元组：有序，不可变字典：无序，可变集合：无序，可变冻集合：无序，不可变...
2021-01-29 14:59:00
187
原创 leedcode刷题——整数反转
给你一个 32 位的有符号整数 x ，返回 x 中每位上的数字反转后的结果。如果反转后整数超过 32 位的有符号整数的范围 [−231, 231 − 1] ，就返回 0。示例 1：输入：x = 123输出：321示例 2：输入：x = -123输出：-321示例 3：输入：x = 120输出：21示例 4：输入：x = 0输出：01.简单解法1.判断x的大小，对于负值将其转化为正值，待其反转后再将再填负号2.将整数转化为字符串3.通过[::-1]进行反转4.范围认定，注
2021-01-28 23:54:13
92
原创 python基础——lambda函数
基本理解：lambda函数又称为匿名函数，支持使用更加轻巧的函数定义轻便函数。例如：f1=lambda x,y:x+yf1(3,4)输出：7lambda函数的基本结构:lambda [args1[,args2,…]] : expression【注意】lambda函数有很多限制：例如冒号后的表达式不可以出现while循环，表达式中如果有if语句必须要有else语句。d=lambda x:x+1 if x>10 else x-1d(4)输出：3d(11)输出：12.
2021-01-28 15:20:09
427
原创 python基础——可变长参数
可变长参数在很多情况下，我们对函数计算的逻辑需求是可以同时处理不定长的多个对象，例如：想定义一个可以计算任意长度的对象相加，则需要使用可变长参数。python中使用一个星号标注可变长参数，此时，传入的多个参数将被封装为一个元组传入函数内：def sum_2(*num): # 此时*num就是一个可变长参数 r = 0 for i in num: # 但可变长参数名仍然是num而非*num r += i retu
2021-01-28 14:58:48
1233
原创 python基础——集合
集合是一种无序的可变类型容器，但其内部元素需要是不可变类型的，并且不可重复。集合的创建和其他容器创建过程一样，集合也有一个一般创建方法，使用{}进行标注。（集合中不可出现重复元素，不可出现可变对象）也可使用set进行创建：注：当创建空集合时，只能使用set创建，因为{}表示的是空字典。集合常用方法add添加元素remove删除元素pop随机删除元素（实际是按照重排列后的集合显示顺序进行删除）-& 交集运算|并集运算-差集运算^补集运算
2021-01-27 11:42:26
86
原创 python基础——字典
字典的创建Python中的字典和真实环境中的字典类似，字典是由一个个键值对（Key-value）构成，键就相当于字典的目录，在键中存储由一个内存地址（相当于页码），然后我们在内存地址中查找到这个键对应的值（也就相当于这一个页面中存储的单词的详细讲解），字典也被称作关联数组或者哈希表。1.一般创建方法字典由键（key）和对应值（value）成对组成的特殊元素构成，外侧则使用大括号圈定。例如：Point:dict即表示字典，其中’A’、‘B’、'C’为字典中的键（Key），并且键值一一对应，用冒
2021-01-26 10:45:22
3971
原创 Python基础——字符串、列表、元组
字符串常用方法主要包括：replace、find、count、split、partition、upper、lower、strip、join、format- replace（old,new)对字符串中的某一位进行替换。pat- find用于在指定的区间内寻找确定字符串的索引值- count用于计算指定索引区域内特定字符出现的次数-split以指定的字符切分字符串，切分的方法为：以该字符串为界，前面的字符串为一组，后面的字符串为一组。切分后删除该切分字符。partition切
2021-01-24 19:13:28
180
1
原创 机器学习——数据预处理
数据挖掘的五大流程1.获取数据2.数据预处理从数据中检测、纠正或删除损坏的数据，对缺失值进行填补。3.特征工程将原始数据转换成更能代表预测模型的潜在问题的特征的过程，可以通过挑选最相关的特征、提取特征和创造特征来实现。4.建模5.上线，验证模型效果。本文主要介绍数据预处理部分，sklearn中用于数据预处理的模块是preprocessing和Impute。preprocessing：几乎包含数据预处理的所有内容。Impute：填补缺失值专用。数据无量纲化无量纲化：是指将不同规格的数据
2020-10-15 20:36:19
706
原创 机器学习——特征工程之特征选择
特征工程包括以下三种类型：1.特征提取：从文字、图像、声音等非结构化特征中提取新信息作为特征。例如：从淘宝宝贝的名称中提取出 产品类别，产品颜色，是否是网红 产品等等。2.特征创造：把现有特征进行组合或相互计算，形成新的特征。3.特征选择：从所有的特征中，选择出对模型有意义的特征，来降低训练成本。本文重点讲述特征选择的方法。一、Filter过滤法1.1方差过滤通过特征本身的方差来筛选特征。例如：一个特征的方差很小，说明这个特征基本没什么差异，可能其中大多数值都一样，甚至整个特征取值都相同，那么
2020-10-12 20:18:14
896
原创 机器学习笔记——偏差vs方差
（参考菜菜的sklearn课程）一个集成模型在一个数据集上的泛化误差E(f;D)，由方差（var）、偏差（bais）和噪声共同决定：对于上图：红色点集成算法中的每个基评估器产生的预测值；红色虚线代表这些预测值的平均值；蓝色实线代表数据的真实值。偏差：模型预测值与真实值之间的差异，即：红色点到蓝色实线的距离。在集成算法中，每个基评估器都会产生自己的偏差，集成评估器的偏差是基评估器偏差的均值。模型越精准，偏差越低。方差：模型预测值与预测值的平均值之间的差异。即：红色点到红色虚线之间的距离，以此
2020-10-07 19:13:55
686
原创 机器学习笔记——随机森林
随机森林是典型的Bagging集成算法，它的所有基评估器都是决策树。分类树集成的森林叫随机森林分类器，回归树集成的森林叫随机森林回归器。随机森林分类器重要参数控制基评估器的参数Criterion：用来决定不纯度的计算方法。1）输入”entropy“，使用信息熵（Entropy）2）输入”gini“，使用基尼系数（Gini Impurity）max_depth：限制树的最大深度，超过设定深度的树枝全部剪掉。min_samples_leaf：限定，一个节点在分枝后的每个子节点都必须包含至少m
2020-09-28 22:38:03
408
原创 集成算法
集成算法概述集成学习是当下十分流行的机器学习算法，它本身并不是一个单独的机器学习算法，而是通过在数据上构建多个模型，集成所有模型的建模结果。多个模型集成成为的模型叫集成评估器，组成集成评估器的模型叫做基评估器。集成算法的目标集成算法会考虑多个评估器的建模结果，汇总之后得到一个综合的结果，以此来获得更好的回归或分类表现。集成算法的类别通常来讲，分为三类：1）装袋法（Bagging）2）提升法（Boosting）2）stacking其中（1）（2）较为常用装袋法的核心是：构建多个相互独
2020-09-28 16:14:53
134
原创 机器学习笔记——决策树之回归树
（参考资料：菜菜的sklearn）重要参数，属性及接口criterion1)输入"mse"使用均方误差mean squared error(MSE)，父节点和叶子节点之间的均方误差的差额将被用来作为特征选择的标准，这种方法通过使用叶子节点的均值来最小化L2损失 。2）输入“friedman_mse”使用费尔德曼均方误差，这种指标使用弗里德曼针对潜在分枝中的问题改进后的均方误差3）输入"mae"使用绝对平均误差MAE（mean absolute error），这种指标使用叶节点的中值来最小化L1
2020-09-25 19:19:38
890
原创 机器学习笔记——支持向量机
支持向量机介绍我们常常会碰到这样的一个问题，首先给你一些分属于两个类别的数据import numpy as npimport matplotlib.pyplot as pltfrom sklearn.datasets.samples_generator import make_blobs%matplotlib inline# 画图X, y = make_blobs(n_samples=60, centers=2, random_state=0, cluster_std=0.4)plt.sca
2020-08-27 00:11:38
101
原创 机器学习笔记——决策树之分类树
一、什么是决策树决策树（Decision Tree）是一种非参数的有监督学习方法，它能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归问题。划分选择决策树的关键在于如何选择最优划分属性。为了要将表格转化为一棵树，决策树需要找出最佳节点和最佳的分枝方法，对分类树来说，衡量这个“最佳”的指标 叫做“不纯度”。通常来说，不纯度越低，决策树对训练集的拟合越好。以下是三种常用的准则。（一）信息增益（二）增益率（三）基尼指数决策树的基本流程计算全部特征的
2020-08-23 21:58:17
1054
原创 机器学习笔记——逻辑回归（Logistic Regression）
一、什么是逻辑回归？逻辑回归是用于处理因变量为分类变量的回归问题，常见的是二分类问题，也可以处理多分类问题。二、二分类问题对于二分类问题，逻辑回归模型的输出变量范围始终在 0 和 1 之间。逻辑回归模型的假设函数为：X代表特征向量，g代表逻辑函数是一个常用的S形函数（Sigmoid function），公式为：该函数的图像为：当ℎ????(????) >= 0.5时，预测 ???? = 1。当ℎ????(????) < 0.5时，预测 ???? = 0决策边界假设我们有一个
2020-08-19 23:21:39
1325
原创 Android学习笔记（十二）——Fragment向Activity传递消息
点击Fragment中“给Activity传递消息”按钮，使Activity中TextView中原本的text=“hello”换成“你好”首先在Fragment的java文件中写一个接口，通过回调接口实现信息传递 public interface IOnMessageClick{ //通过回调接口实现给Activity传递消息 void onClick(Strin...
2020-04-14 23:05:23
503
原创 Android学习笔记（十一）——将Fragment添加到Activity中以及参数传递
将Fragment添加到Activity中Fragment的布局文件<LinearLayout xmlns:android="http://schemas.android.com/apk/res/android" android:orientation="vertical" android:layout_width="match_parent" android:layou...
2020-04-14 15:46:44
1354
原创 Android学习笔记（十）——Activity的四种启动模式
Standard标准模式每启动一个Activity就创建一个新的实例，不管这个activity之前是否启动过，都创建一个新的singleTop栈顶复用模式singleTask栈内复用模式singleInstance全局单例模式...
2020-04-13 17:32:39
112
原创 Android学习笔记（九）——Activity的跳转和数据传递
-----由AActivity跳转到BActivity----显式跳转1（最常用的方法） Intent intent=new Intent(AActivity.this,BActivity.class); startActivity(intent);显式跳转2 Intent intent=new Intent(); intent.setClass(AActivity.this,B...
2020-04-12 20:19:42
238
原创 Android学习笔记（八）——在Manifest中设置ActionBar
如果想要去掉默认的导航栏在Manifest的application中添加属性android:theme="@style/Theme.Design.NoActionBar"可将导航栏去掉。默认时：修改属性后：-在Manifest中 设置横屏竖屏显示通过添加属性ndroid:screenOrientation="portrait" //竖屏显示androi...
2020-04-12 15:59:04
358
原创 Android学习笔记（七）——ImageView
常用属性src:内容。scaletype：缩放类型。 <ImageView android:id="@+id/iv_1" android:layout_width="300dp" android:layout_height="200dp" android:background="#33CCCC" an...
2020-04-03 12:14:24
166
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