<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Hello Word]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/nkufang</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; nkufang]]></copyright><item><title><![CDATA[从图片中提取指定颜色数据到GIS中操作流程]]></title><link>https://blog.csdn.net/nkufang/article/details/131556645</link><guid>https://blog.csdn.net/nkufang/article/details/131556645</guid><author>nkufang</author><pubDate>Thu, 13 Jul 2023 10:42:36 +0800</pubDate><description><![CDATA[科研工作中，经常会收到一张图片格式的规划图，而我们想把其中的水网/路网等数据进行提取到GIS中进行展示。此项工作可以借助PS工具来快速完成。]]></description><category></category></item><item><title><![CDATA[ArcSWAT报错：Error Number :-2147467259； 对 COM 组件的调用返回了错误 HRESULT E_FAIL]]></title><link>https://blog.csdn.net/nkufang/article/details/130687998</link><guid>https://blog.csdn.net/nkufang/article/details/130687998</guid><author>nkufang</author><pubDate>Mon, 15 May 2023 17:31:47 +0800</pubDate><description><![CDATA[然而，当所有进程均是对磁盘或企业级数据库连接的 I/O bound 时，您可通过指定多于核数量的进程以提高性能。您可通过指定大于 100% 的百分比或大于计算机所含核数量的进程数量，来使用更多进程。指定的进程数量大于计算机所具有的核数量，可能导致性能损失。为避免这样的竞争，您可以指定并行处理因子，可以使用低于 100% 的百分数值或少于计算机核数量的进程数量。环境值决定了工具操作时所跨进程的数量。如果您指定一个百分比值（用符号 % 代表），则所用的进程数量将取计算机核数量的指定百分数（取最近的整数）。]]></description><category></category></item><item><title><![CDATA[ArcSWAT报错：数据集未投影；Dataset must have a projected coordinate system]]></title><link>https://blog.csdn.net/nkufang/article/details/130684817</link><guid>https://blog.csdn.net/nkufang/article/details/130684817</guid><author>nkufang</author><pubDate>Mon, 15 May 2023 15:46:42 +0800</pubDate><description><![CDATA[目前DEM数据的格式主要为tif格式，需注意tif格式的投影定义方法为使用投影栅格功能，而非投影或定义投影功能。如使用投影功能，会出现输入数据找不到DEM图层；如使用定义投影功能，则TIF数据将会被直接定义到火星而无法与其他图层重合。投影栅格功能的使用方法如下：打开ArcToolbox，选择数据管理工具-投影和变换-栅格-投影栅格或直接搜索投影栅格工具。其中输入栅格为需要被投影的DEM数据，输出坐标系如果单纯的为了SWAT使用，可以选择对应的WGS_1984_UTM_Zone_N坐标系。其中。]]></description><category></category></item><item><title><![CDATA[ArcSWAT报错：-2147217385；创建栅格数据集失败]]></title><link>https://blog.csdn.net/nkufang/article/details/130681014</link><guid>https://blog.csdn.net/nkufang/article/details/130681014</guid><author>nkufang</author><pubDate>Mon, 15 May 2023 14:55:22 +0800</pubDate><description><![CDATA[建议在建立SWAT项目文件时，层级不要超过三级，比如项目的文件路径可以设置为：D://SWAT/****（项目的名字或拼音）。也可尝试将TIF设置为投影坐标系，但坐标系问题通常不会产生该报错，另一篇文章会讲解坐标系产生的报错（可进入播客主页查看另一篇文章）。如果没有足够的权限，也可以尝试以管理员身份运行ArcSWAT软件。右键单击ArcSWAT的快捷方式或可执行文件，选择"以管理员身份运行"。在文件资源管理器中，右键单击数据文件或文件夹，选择"属性"或"权限"选项，检查您的用户账户是否具有适当的访问权限。]]></description><category></category></item><item><title><![CDATA[ChatGPT常见报错解决：回答不完整. 网络错误. Something went wrong. NetworkError when attempting to fetch resources.]]></title><link>https://blog.csdn.net/nkufang/article/details/130365076</link><guid>https://blog.csdn.net/nkufang/article/details/130365076</guid><author>nkufang</author><pubDate>Tue, 25 Apr 2023 15:21:04 +0800</pubDate><description><![CDATA[目前已确认可以解决的报错：
Something went wrong. If this issue persists please contact us through our help center at help.openai.com.等三种报错]]></description><category></category></item><item><title><![CDATA[Stacking：解决机器学习进行多模型组合的实用工具]]></title><link>https://blog.csdn.net/nkufang/article/details/130041463</link><guid>https://blog.csdn.net/nkufang/article/details/130041463</guid><author>nkufang</author><pubDate>Sun, 09 Apr 2023 13:57:23 +0800</pubDate><description><![CDATA[在机器学习领域，算法的选择和参数的调整一直是让人头痛的难题。虽然有很多算法可以使用，但没有一种算法是万能的。随着技术的不断发展，出现了一些新的技术可以在算法选择和调整参数方面提供一些帮助。其中最流行的技术之一是Stacking。Stacking是一种用于增强机器学习模型性能的技术。该技术通过结合不同算法的预测结果来生成最终的预测结果。这种方法能够帮助解决许多机器学习问题，特别是当单一算法不足以解决问题时。]]></description><category></category></item><item><title><![CDATA[掌握机器学习中的“瑞士军刀”XGBoost，从入门到实战]]></title><link>https://blog.csdn.net/nkufang/article/details/130038725</link><guid>https://blog.csdn.net/nkufang/article/details/130038725</guid><author>nkufang</author><pubDate>Sun, 09 Apr 2023 10:07:24 +0800</pubDate><description><![CDATA[XGBoost（eXtreme Gradient Boosting）是一种集成学习算法，它可以在分类和回归问题上实现高准确度的预测。XGBoost在各大数据科学竞赛中屡获佳绩，如Kaggle等。XGBoost是一种基于决策树的算法，它使用梯度提升（Gradient Boosting）方法来训练模型。XGBoost的主要优势在于它的速度和准确度，尤其是在大规模数据集上的处理能力。XGBoost的核心思想是将多个弱分类器组合成一个强分类器。在每次迭代中，XGBoost通过加权最小化损失函数的方法来拟合模型。]]></description><category></category></item><item><title><![CDATA[Scikit-learn中的Pipeline：让机器学习流程更加简单、高效、可靠]]></title><link>https://blog.csdn.net/nkufang/article/details/129973061</link><guid>https://blog.csdn.net/nkufang/article/details/129973061</guid><author>nkufang</author><pubDate>Wed, 05 Apr 2023 16:51:37 +0800</pubDate><description><![CDATA[Pipeline是Scikit-learn中的一个类，它允许用户将多个数据预处理步骤和机器学习模型组合成一个整体。具体而言，Pipeline将多个估算器对象串联在一起，其中估算器可以是数据预处理步骤（如缺失值填充、特征缩放、特征选择等）或机器学习模型（如线性回归、决策树、支持向量机等）。Pipeline对象可以像普通的估算器一样进行训练、预测和评估，并且可以与GridSearchCV等工具一起使用，对估算器参数进行调优。使用Pipeline的好处是显而易见的：它使机器学习流程更加简单、高效和可靠。]]></description><category></category></item><item><title><![CDATA[Jieba进行词频统计与关键词提取]]></title><link>https://blog.csdn.net/nkufang/article/details/129803982</link><guid>https://blog.csdn.net/nkufang/article/details/129803982</guid><author>nkufang</author><pubDate>Mon, 27 Mar 2023 21:07:21 +0800</pubDate><description><![CDATA[需要注意的是，TF-IDF算法只考虑了词语在文本中的出现情况，而忽略了词语之间的关联性。因此，在一些特定的应用场景中，需要使用其他的文本特征提取方法，例如词向量、主题模型等。可以看到，jieba根据TF-IDF算法提取出了输入文本中的若干个关键字，并返回了每个关键字的权重值。例如，在一个包含1000篇文档的文档集合中，某个单词在100篇文档中出现过，则该单词的IDF为。最后，我们遍历关键字列表，输出每个关键字和对应的权重值。例如，在一篇包含100个单词的文档中，某个单词出现了10次，则该单词的TF为。]]></description><category></category></item><item><title><![CDATA[Jieba分词的准确率提升：使用paddle模式进行分词（使用百度飞桨深度学习模型进行分词）]]></title><link>https://blog.csdn.net/nkufang/article/details/129788741</link><guid>https://blog.csdn.net/nkufang/article/details/129788741</guid><author>nkufang</author><pubDate>Mon, 27 Mar 2023 09:21:03 +0800</pubDate><description><![CDATA[jieba中的paddle模式是指使用飞桨（PaddlePaddle）深度学习框架加速分词的一种模式。相对于传统的分词算法，paddle模式采用了深度学习模型，可以获得更高的分词准确度和更快的分词速度。paddle模式是基于卷积神经网络（Convolutional Neural Network, CNN）实现的。在训练过程中，使用了中文Wikipedia语料库和自动标注语料库，对分词任务进行了有监督的训练。]]></description><category></category></item><item><title><![CDATA[Jieba分词模式详解、词库的添加与删除、自定义词库失败的处理]]></title><link>https://blog.csdn.net/nkufang/article/details/129777558</link><guid>https://blog.csdn.net/nkufang/article/details/129777558</guid><author>nkufang</author><pubDate>Sun, 26 Mar 2023 11:54:28 +0800</pubDate><description><![CDATA[当需要添加的词过多时，建议使用添加词典的方式。自定义词典可以包含用户自己添加的词语及其词频和词性等信息。创建一个文本文件，例如，用于存储自定义词典。每行格式为：词语 词频 词性。将需要添加的词语及其词频和词性等信息写入到中，每个词语一行。调用Jieba的方法加载自定义词典文件。词典示例如下：开源模型 10 n深度学习 8 n其中，10和8为词语的词频，n为词语的词性。之后调用词典即可。词典加入之后，再次进行分词，词典中的内容就可以被分出来了。]]></description><category></category></item><item><title><![CDATA[逻辑回归 算法推导与基于Python的实现详解]]></title><link>https://blog.csdn.net/nkufang/article/details/129760817</link><guid>https://blog.csdn.net/nkufang/article/details/129760817</guid><author>nkufang</author><pubDate>Sat, 25 Mar 2023 00:01:09 +0800</pubDate><description><![CDATA[逻辑回归（Logistic Regression）是一种用于分类问题的统计学习方法。它基于线性回归的原理，通过将线性函数的输出值映射到[0,1]区间上的概率值，从而进行分类。逻辑回归的输入是一组特征变量，它通过计算每个特征与对应系数的乘积，加上截距项得到线性函数，然后将该函数的输出值经过sigmoid函数的映射，得到概率值。逻辑回归常用于二分类问题，即将样本分为两类，如判断一封邮件是否为垃圾邮件。逻辑回归还可以扩展到多分类问题，如将样本分为三类或更多类别。]]></description><category></category></item><item><title><![CDATA[线性回归 梯度下降算法大全与基于Python的底层代码实现]]></title><link>https://blog.csdn.net/nkufang/article/details/129728761</link><guid>https://blog.csdn.net/nkufang/article/details/129728761</guid><author>nkufang</author><pubDate>Thu, 23 Mar 2023 13:16:48 +0800</pubDate><description><![CDATA[梯度下降是一种常用的优化算法，它通过不断迭代来最小化一个损失函数。根据不同的损失函数和迭代方式，梯度下降可以被分为批量梯度下降（Batch Gradient Descent，BGD）、随机梯度下降（Stochastic Gradient Descent，SGD）、小批量梯度下降（Mini-batch Gradient Descent）、共轭梯度法（Conjugate Gradient，CG）等。]]></description><category></category></item><item><title><![CDATA[线性回归 梯度下降原理与基于Python的底层代码实现]]></title><link>https://blog.csdn.net/nkufang/article/details/129686178</link><guid>https://blog.csdn.net/nkufang/article/details/129686178</guid><author>nkufang</author><pubDate>Tue, 21 Mar 2023 13:05:06 +0800</pubDate><description><![CDATA[梯度下降是一种常用的优化算法，可以用来求解许包括线性回归在内的许多机器学习中的问题。]]></description><category></category></item><item><title><![CDATA[线性回归 正则项（惩罚项）原理、正则项的分类与Python代码的实现]]></title><link>https://blog.csdn.net/nkufang/article/details/129648037</link><guid>https://blog.csdn.net/nkufang/article/details/129648037</guid><author>nkufang</author><pubDate>Sun, 19 Mar 2023 11:11:07 +0800</pubDate><description><![CDATA[除了前面提到的L1与L2在算法上的区别之外，还有一个重要的区别在于L1正则项的解不是唯一的，而L2正则项的解是唯一的。这是由于L1正则项的正则化图形是一个菱形，其边界在坐标轴上，而L2正则项的正则化图形是一个圆形，其边界是一个平滑的曲线。在线性回归中，正则项是一种用于控制模型复杂度的技术，它通过将系数的大小加入到损失函数中，以限制模型的复杂度。这意味着，L1正则项可以在模型中选择最重要的特征，从而提高模型的泛化能力。L2正则项将系数的平方和作为正则化项，可以防止模型中的系数过大，从而减少模型的过拟合。]]></description><category></category></item><item><title><![CDATA[线性回归 特征扩展的原理与python代码的实现]]></title><link>https://blog.csdn.net/nkufang/article/details/129639031</link><guid>https://blog.csdn.net/nkufang/article/details/129639031</guid><author>nkufang</author><pubDate>Sat, 18 Mar 2023 16:35:51 +0800</pubDate><description><![CDATA[举个例子，多项式扩展可以将一个包含 n 个特征的样本向量 x 扩展为一个包含 k 个特征的样本向量，其中 k 可以是 n 的任意多项式。例如，如果我们使用二次多项式扩展，可以将样本向量[x1, x2]扩展为一个包含原始特征和交叉项的新特征向量，例如 [x1, x2, x1^2, x2^2, x1*x2]。在多项式扩展后，我们可以使用线性回归模型来拟合扩展后的数据，并计算模型的拟合误差来评估模型的性能。在线性回归中，多项式扩展是种比较常见的技术，可以通过增加特征的数量和多项式项的次数来提高模型的拟合能力。]]></description><category></category></item><item><title><![CDATA[线性回归 最小二乘法的求解推导与基于Python的底层代码实现]]></title><link>https://blog.csdn.net/nkufang/article/details/129611542</link><guid>https://blog.csdn.net/nkufang/article/details/129611542</guid><author>nkufang</author><pubDate>Fri, 17 Mar 2023 09:24:38 +0800</pubDate><description><![CDATA[作为最常见的方法之一，线性回归仍可视为有监督机器学习的方法之一，同时也是一种广泛应用统计学和数据分析的基本技术。它是一种用于估计两个或多个变量之间线性关系的方法，其中一个变量是自变量，另一个变量是因变量。线性回归假设这两个变量之间存在线性关系，并试图找到一条最佳拟合直线，使预测值与实际值之间的误差最小化。]]></description><category></category></item><item><title><![CDATA[SWMM从入门到实践教程 04 快速入门案例的模拟执行]]></title><link>https://blog.csdn.net/nkufang/article/details/129469046</link><guid>https://blog.csdn.net/nkufang/article/details/129469046</guid><author>nkufang</author><pubDate>Sat, 11 Mar 2023 21:23:02 +0800</pubDate><description><![CDATA[点击option - summary可以查看总结报告。这份报告中可以查看不同类型的设施的数据统计结果。]]></description><category></category></item><item><title><![CDATA[SWMM从入门到实践教程 03 快速入门案例的设施参数设置与批量设置]]></title><link>https://blog.csdn.net/nkufang/article/details/129431132</link><guid>https://blog.csdn.net/nkufang/article/details/129431132</guid><author>nkufang</author><pubDate>Thu, 09 Mar 2023 21:14:22 +0800</pubDate><description><![CDATA[上一篇博客中我们已经完成了各类设施的绘制，本节对他们的参数进行设置。]]></description><category></category></item><item><title><![CDATA[SWMM从入门到实践教程 02 快速入门案例的绘制]]></title><link>https://blog.csdn.net/nkufang/article/details/129292666</link><guid>https://blog.csdn.net/nkufang/article/details/129292666</guid><author>nkufang</author><pubDate>Thu, 02 Mar 2023 01:28:32 +0800</pubDate><description><![CDATA[同时，我们经常需要展示管道中的水流方向，同样在这一工具中，点击Flow Arrows，修改Arrow Style，个人习惯使用Filled方式，修改完成后即可在管线之上显示水流方向。需要注意的是此处的方向显示的是在正常无压重力流下，水流的方向，即管道的坡向。在此可以设置各类设施的展示形式，如子汇水区的填充样式，节点的大小，管渠的长度等等。通常情况下，管渠中的雨水最终会汇集到一个或多个排水口进行排出，排水口使用右侧的三角形或左侧的Hydraulics-Node-Outfalls进行绘制。]]></description><category></category></item></channel></rss>