- 博客(17)
- 收藏
- 关注
RSS订阅原创 02 对for循环的理解
02 对for循环的理解 理解下面两个代码运行之后的区别：int main(){ int a, x; for(a = 0, x = 0; a <= 1 && ! x ++; a ++){ a ++; } cout << a << x << endl; return 0;}int main(){ int a, x; for(a = 0, x = 0; a <=
2021-06-21 09:46:01
228
原创 01 名字的作用域
01 名字的作用域 理解下面代码，尝试写出输入输出。int reused = 42;int main(){ int unique = 0; cout << reused << " " << unique << endl; // #1 int resued = 0; // 如果该行是 int reused; 或者 int reused = reused; 呢？ cout << resued &l
2021-06-21 09:41:40
192
原创 mac成功安装GDB记录
mac成功安装GDB记录我的系统：macOS Catalina 10.15.6一、安装gdb 我一开始使用brew命令安装，但始终没有成功，最后转而直接下载安装包进行了安装，下载地址。下载10.2版本，完了之后打开压缩包，输入如下命令：ocean@MacBookPro gdb-10.2$ ./configure # 配置ocean@MacBookPro gdb-10.2$ make -j4 # 编译ocean@MacBookPro gdb-10.2$ make install
2021-05-08 23:45:14
1702
2
原创 【已解决】AttributeError module ‘tensorflow‘ has no attribute ‘get_default_graph‘
【已解决】AttributeError: module ‘tensorflow’ has no attribute ‘get_default_graph’1.简洁版# 自己的代码：1.修改from tensorflow import keras # 原来的代码为 import keras# 进入tensorflow_backend.py文件： 2.修改； 3.添加import tensorflow.compat.v1 as tf # 原代码为： import tensorflow as tf
2020-12-03 21:54:32
6554
2
原创 【推荐系统】GBDT+LR
01 GBDT GBDT全称梯度下降树，在传统机器学习算法里面是对真实分布拟合的最好的几种算法之一，在前几年深度学习还没有大行其道之前，gbdt在各种竞赛是大放异彩。原因大概有几个，一是效果确实挺不错。二是即可以用于分类也可以用于回归。三是可以筛选特征。这三点实在是太吸引人了，导致在面试的时候大家也非常喜欢问这个算法。 GBDT通过多轮迭代，每轮迭代产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练。对弱分类器的要求一般是足够简单，并且是低方差和高偏差的。因为
2020-10-30 23:55:13
437
原创 【推荐系统】Wide & Deep
wide & deep01 点击率预估1.1 WHAT?点击率预估是对每次广告点击情况做出的预测，其可以是输出点击或者不点击，也可以是输出该次点击的概率（pClick）1.2 HOW?通过上面的介绍我们知道点击率预估是一个二分类问题。因此可以使用机器学习中的逻辑回归作为模型的输出，其输出就是一个概率值，我们便可以将其作为我们对于某个用户是否点击该广告的估计。1.3 与RS的区别广告点击率预估是需要得到某个用户对某个广告的点击率，然后结合广告的出价用于排序；而推荐算法很多情况下只需要得到
2020-10-28 23:22:32
130
原创 【推荐系统】02 协同过滤算法
00 总览01 基本概念 协同过滤(Collaborative Filtering)是推荐系统中最经典、最常用的一类算法。所谓协同过滤算法，即一类基于用户行为分析的推荐算法。顾名思义可以解释为，用户可以齐心协力，通过不断与网站互动，是自己的推荐列表能够不断滤掉自己不感兴趣的物品，从而越来越满足自己的需求。图1.1 协同过滤算法的常用方法 其基本思想是根据用户之前的喜好以及其他兴趣相近的用户的选择来给用户推荐物品。一般仅仅基于用户的行为数据，而不依赖于物品和用户
2020-10-22 14:18:39
1502
原创 【推荐系统】01 简介
00 内容总览01 推荐系统的目的 分类目录、搜索引擎和推荐系统是信息过载所采用的不同措施。 为了解决信息过载问题，人们想过很多方案，其中具有代表性的是分类目录和搜索引擎。这两种方案分别催生了雅虎和谷歌的诞生。而随着互联网规模的扩大，分类目录网站只能覆盖到少量热门网站，越来越不能满足大众的需求。而搜索引擎需要用户主动提供准确的关键字来寻找信息，因此当用户无法准确描述自己需求的关键词时，搜索引擎也就无能为力了。而推荐系统正好解决了这一问题，不需要用户提供明确的需求，而是通过分析用户的历史行为给
2020-10-19 19:09:11
544
原创 【推荐系统】开始学习推荐系统
开始学习推荐系统一个人看书效率太低，所以选择了和大佬们一起共同学习，共同进步。在此开启自己的一个新的学习系列，希望能踏踏实实的做好记录。Let’s go! ! !
2020-10-19 09:40:28
153
原创 【报错分析】AttributeError: 'NoneType' object has no attribute 'xxx'
问题背景：通过cv2.imread读取.png格式的数据时发生如下报错： AttributeError: 'NoneType' object has no attribute 'shape'分析：在Python中，NoneType是一个类型，如同int、float一样。如：>>> a = None>>> type(a)<class 'Non...
2020-04-18 17:04:37
55226
2
原创 【数据挖掘】模型融合
模型融合1.目标对于多种调参完成的模型进行模型融合。完成对于多种模型的融合，提交融合结果并打卡。2. 摘要模型融合是比赛后期一个重要的环节，大体来说有如下的类型方式。简单加权融合:回归（分类概率）：算术平均融合（Arithmetic mean），几何平均融合（Geometric mean）；分类：投票（Voting)综合：排序融合(Rank averaging)，log融...
2020-04-04 20:52:35
818
原创 【数据挖掘】二手车交易价格预测大赛-建模与调参
1.读取数据import pandas as pdimport numpy as npimport warningswarnings.filterwarnings('ignore')# reduce_mem_usage 函数通过调整数据类型，帮助我们减少数据在内存中占用的空间def reduce_mem_usage(df): """ iterate through all t...
2020-04-01 20:03:08
302
原创 【数据挖掘】（三） 特征工程
1. 特征工程概述**特征工程：**找到与问题有关的任何信息并把它们转换成特征矩阵的数值2 特征工程在本案例中的应用2.1 异常值处理在数据预处理时，是否对异常值进行剔除，需要视具体情况而定，因为有些异常值中也有可能蕴含有用的信息。异常值处理方法方法描述删除含有异常值的记录直接将整条记录删除视为缺失值将异常值视为缺失值，利用对缺失值处理的方法处理异常值...
2020-03-28 20:18:18
1954
原创 【数据挖掘】二手车交易价格预测大赛-探索性数据分析（EDA）
2.【数据挖掘】二手车交易价格预测大赛-探索性数据分析（EDA）2.1 什么是探索性数据分析探索性数据分析(EDA ，Exploratory Data Analysis)，是指对已有的数据（特别是调查或观察得来的原始数据）在尽量少的先验假定下进行探索，通过作图、制表、方程拟合、计算特征量等手段探索数据的结构和规律的一种数据分析方法。2.2 本案例的探索性分析流程实验工具：Jupyter...
2020-03-24 17:48:41
550
原创 【数据挖掘】二手车交易价格预测大赛-赛题理解
【数据挖掘】二手车交易价格预测大赛-赛题理解赛题链接：https://tianchi.aliyun.com/competition/entrance/231784/introduction1.赛题准备任务目标：预测二手汽车交易价格数据集：一个训练集（15万条）和一个测试集（5万条），以及一个应提交的结果模板。训练数据集中包含解决思路：2.赛题理解2.1 赛题数据该数据来自某交易...
2020-03-23 01:02:35
719
转载 【SAR系列】（一）合成孔径雷达基础
合成孔径雷达（SAR，Synthetic Aperture Radar）基础1. 基本原理 雷达发展初期，出现的是真实孔径雷达（RAR，Real Aperture Radar），由于成像分辨率与雷达天线的长度成正比，与波长和观测距离成反比，要想得到较高分辨率的SAR图像，需要增加天线的物理尺寸，这限制其发展和应用，后来逐渐被合成孔径雷达SAR取代。2. 重要参数2.1分辨...
2020-03-22 14:27:51
34601
5
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