- 博客(48)
- 资源 (7)
- 收藏
- 关注
原创 Datawhale统计学习方法打卡Task05
分类决策树模型是一种描述对实例进行分类的树形结构。决策树由节点(node)和有向边(directed edge)组成。结点有两种类型:内部结点和叶节点。内部结点表示一个特征或属性,叶节点表示一个类。用决策树分类,从根节点开始,对实例的某一特征进行测试,根据测试结果,将实例分配到子节点;这是每一个子节点对应着该特征的一个取值。如此递归的对顺利进行测试并分配,指导达到叶节点。最后将实例分到叶节点的类中。
2023-02-27 14:01:19
926
1
原创 DataWhale-统计学习方法打卡Task01
统计学习方法(第2版) by...李航 (z-lib.org).pdf https://www.aliyundrive.com/s/maJZ6M9hrTe 点击链接保存,或者复制本段内容,打开「阿里云盘」APP ,无需下载极速在线查看,视频原画倍速播放。
2023-02-15 22:54:53
423
原创 【教学赛】金融数据分析赛题1:银行客户认购产品预测(0.9676)
本人的方法只获得了0.9676的结果,希望您能在本人的程序基础上进行改进,以得到更佳的效果。如果有了更好的方法,欢迎在留言区告诉我,相互讨论。
2023-01-16 16:11:50
4712
2
原创 对于TP, TN, FP, FN, Pre, Recall的举例
FN为预测为0,但是预测错了,真值为1的值,即图中浅绿色底色的值,共有2个;FN为预测为1,但是预测错了,真值为0的值,即图中浅绿色底色的值,共有4个;FP为预测为1,但是预测错了,真值为0的值,即图中红色底色的值,共有4个;FP为预测为0,但是预测错了,真值为1的值,即图中红色底色的值,共有2个;TP为预测为0,真值也为0的值,即图中深绿色底色的值,共有4个;TP为预测为1,真值也为1的值,即图中深绿色底色的值,共有5个;TN为预测为0,真值也为0的值,即图中橙色底色的值,共有4个;
2023-01-12 17:40:53
1297
转载 【转载】TF-IDF的理解与计算
TF-IDF 实际上是两个词组Term Frequency和Inverse Document Frequency的总称,两者缩写为 TF 和 IDF,分别代表了词频和逆向文档频率。
2023-01-01 22:41:07
622
原创 2020CCF大数据与计算智能大赛-路况状态时空预测(1.数据分析及下载)
目录1.项目简介1.1赛制规则1.2数据与测评2.数据预处理2.1 原始道路特征attr.txt: 2.2 道路拓扑特征topo.txt:2.3 道路数据201907xx.txt:2.4 测试集数据20190801_testdata.txt:比赛链接:https://www.datafountain.cn/competitions/466赛道名:路况状态时空预测背景:移动互联网时代的到来让所有移动设备的持有者都可以成为道路通行能力的描绘者, 滴滴平台收集了海量的高质量司乘轨迹数据, 可以对实时道路拥堵状况有
2022-06-07 09:37:31
892
3
原创 一文看懂数据分析各种图形(箱型图、数据分布图、线性回归图、相关关系图)(阿里天池)
1、箱形图1.1箱型图的定义箱型图(Boxplot)也称箱须图(Box-whiskerPlot)、盒式图或箱线图,是利用数据中的五个统计量:最小值、上四分位数、中位数、下四分位数与最大值来描述数据的一种统计图。它能够直观地显示数据的异常值,分布的离散程度以及数据的对称性。中位数:数据按从小到大顺序排列后的处于中间位置的值,如果序列是偶数个,则是中间两个数的平均值;下四分位数Q1:位于数据序列25%位置处的数;上四分位数Q3:位于数据序列75%位置处的数;四分位间距IQR:..
2022-04-18 11:07:35
52340
原创 基于PCA的故障诊断方法(matlab)
1. PCA原理分析PCA的原理主要是将原始数据进行降维。其具体工作原理参照:CodingLabs - PCA的数学原理2. 数据预处理训练数据集(只有正样本)为维数据,即有n个采样值,每个采样值有m个特征。2.1 数据归一化将数据X针对每个特征归一化为均值为0,均方根为1的数据。其中:3. PCA降维3.1 首先求取协方差矩阵协方差矩阵的公式为:计算出来的协方差矩阵为特征m*m维矩阵。3.2 求取特征值和特征向量求取协方差矩阵R的特征值.
2022-04-13 00:02:04
14674
24
原创 机器学习--周志华课后作业---第3章 线性模型
3.1 试分析在什么情况下,在以下式子中不比考虑偏置项b。答:在样本xxx中有某一个属性xix_{i}xi为固定值时。那么此时wixi+bw_{i}x_{i}+bwixi+b等价于偏置项,此时wixi+bw_{i}x_{i}+bwixi+b与bbb等价。3.2 试证明,对于参数 ,对率回归(logistics回归)的目标函数(3.18)是非凸的,但其对数似然函数(3.27)是凸的。答:3.18:y=11+e−(wTx+b)y=\frac{1}{1+e^{-(w^{T}x+b)}}y=1
2022-02-28 15:54:16
1354
原创 机器学习--周志华课后作业---第2章 模型评估与选择
2.1 数据集包含 1000 个样本,其中 500 个正例、 500 个反例,将其划分为包含 70% 样本的训练集和 30% 样本的测试集用于留出法评估,估算有多少种划分方式。答:排列组合问题。训练/测试集的划分要尽可能保存数据分布一致那么训练集中应该包括 350 个正例和 350 个反例,剩余的作测试集,那么划分方式应该有 (x500350)2(x_{500}^{350})^{2}(x500350)2种。2.2 数据集包含 100 个样本,其中正反例各一半,假定学习算法所产生的模型是将新
2022-02-28 15:49:35
1557
原创 手把手教你,通过HAL库实现STM32的超声波测距--以SR-04为例
目录0、SR-04基本原理1、准备工作2、连线3、STM32CUBEMX设置3.1新建工程3.2芯片通用设置3.3定时器捕获设置3.4其他设置3.5生成工程4、程序完善4.1完善打印输出函数4.2完善tim.c4.3完善gpio.c4.4完善main函数5、总结0、SR-04基本原理声波遇到障碍物会反射,而声波的速度已知,所以只需要知道发射到接收的时间差,就能轻松计算出测量距离,再结合发射器和接收器的距离,就能算出障碍物的...
2021-11-24 22:17:16
11546
35
原创 手把手教你,通过HAL库实现STM32的ADC的DMA读取
1.CUBEMx设置1.1新建工程1.2芯片配置1.2.1时钟配置在1处输入72按回车,系统会自动将其他的时钟调整为相对应的配置。1.2.2系统调试配置为了使生成的程序可以进行在线调试,重新点击1处的Pinout&Configuration,点击SYS,在Debug处点击Serial Wire。1.3 ADC配置此处我们将14路ADC1内的14路ADC都进行AD采集并进行配置。此处我们先点击Analog下面的ADC1,然后将IN0~IN14前面的√全...
2021-11-05 20:43:02
21605
14
原创 手把手教你,通过HAL库实现MODBUS从机程序编写与调试(三)---MODBUS SLAVE程序移植
目录1、STM32CubeMX操作2、程序完善3、MODBUS SLAVE程序的移植3.1程序下载和复制3.2程序添加,编译3.3接口替换3.4修改main.c主函数4、MODBUS调试5. 总结1、STM32CubeMX操作手把手教你,通过HAL库实现MODBUS从机程序编写与调试(一)-----STM32CubeMX操作篇_tangxianyu的博客-CSDN博客2、程序完善手把手教你,通过HAL库实现MODBUS从机程序编写与调试(二)...
2021-11-04 17:15:34
3951
18
原创 手把手教你,通过HAL库实现MODBUS从机程序编写与调试(二)-串口及定时函数的完善
2、程序完善2.1完善usart.h在usart.h内的/* USER CODE BEGIN Private defines *//* USER CODE END Private defines */内部插入我们定义的变量,这样在重新更新STM32CubeMX的时候,我们增加的程序不会被删除掉。首先定义一个UART_BUF结构体,里面包含接收的缓冲数据和大小,以及发送的数据集大小。然后定义一个串口的初始化函数E_USART_INIT来对定义的UART_BUF进行初始化。定义一.
2021-11-04 11:00:31
5447
15
原创 手把手教你,通过HAL库实现MODBUS从机程序编写与调试(一)-----STM32CubeMX操作篇
首先对UART初始化void E_USART_INIT(UART_HandleTypeDef *huart){ if(&huart4 == huart) { uart4.rx_buf = uart4_rx_buf; uart4.rx_buf_size = 1; uart4.rx_size = 0; uart4.rx_start = 0; uart4.tx_buf = uart4_rx_buf;; uart4.tx_buf_size = UART4_TXSIZ
2021-11-03 22:54:27
6122
4
原创 ANFIS知识解读
ANFIS知识1. ANFIS概述ANFIS: Adaptive-Network-based Fuzzy Inference Systems简称自适应模糊圣经网络。ANFIS是一种基于模糊推理的神经网络。依据对规则的判定方式不一样,常有基于网格和基于聚类的ANFIS之分。这两种模型在网络结构也略有不同。2、ANFIS网络结构2.1 基于网格的ANFIS假定模糊推理系统有xxx和yyy两个输入,一个输出zzz。对于一阶基于T-S模型的模糊神经网络模型,具有两条模糊if-then规则的普通规则如下:
2021-01-26 14:25:23
11609
2
原创 MATLAB中ANFIS的使用教程
1、下载数据集数据集我们选择UCI数据仓库的Energy efficiency data_set下载之后我们发现是一个excel表格。数据如下图所示。里面包含了X1~X8共8个输入量,Y1和Y2两个输出变量。由于MATLAB中ANFIS只能针对输出变量进行建模。此处只考虑X1~X8和Y1之间的关系。2、特征选择由于8个输入变量(也就是输入特征),建立出来的模型计算速度太慢,所以需要对输入变量进行特征选择,这里采用相关系数对参数进行筛选。在excel中采用correl函数计算X1与
2021-01-25 16:08:03
16768
8
原创 小米小爱同学触屏版蓝牙MESH功能连接小米蓝牙设备-以小米米家蓝牙温湿度计2为例
最近刚入手小爱同学,想尝试一下小米的其他蓝牙设备是否可以连接到小爱同学,用小爱同学查询或者控制小米设备。1、用到的设备有:小爱触屏印象,米家蓝牙温湿度计2。设备图片如下。 2、连接步骤此处小米小爱触屏音箱已经使用了一段时间,关于音响的配置此处不做说明。只说明只有蓝牙的米家温湿度计2如何利用触屏音箱的MESH功能,进行远程访问温度和湿度。2.1 下载并安装米家APP用你的手机在应用市场下载并安装米家APP2.2 在米家APP内添加小爱触屏音箱和米家温湿度计2(1)点...
2021-01-23 15:20:15
19773
1
原创 5. 数理统计---极大似然估计
这里写自定义目录标题5.极大似然估计5.1 似然函数定义5.2 极大似然估计定义5.3 极大似然估计求解的一般过程5.极大似然估计Fisher的极大似然思想: 随机试验有多个可能结果, 但在一次实验中, 有且只有一个结果会出现. 如果在某次实验中, 结果ω\omegaω出现了, 则认为该结果(事件{ω\omegaω})发生的概率P{ω}P\{\omega\}P{ω}最大.假设总体XXX是离散随机变量, 其分布律为:P{X=ak}=pk(θ)(k=1,2,...)P\{X=a_k\}=p_k(\th
2020-06-27 09:50:37
947
原创 2. 数理统计---样本分布
2. 样本分布定义1:统计量g(X1,X2,...,Xn)g(X_1, X_2, ..., X_n)g(X1,X2,...,Xn)的分布称为抽样分布. 主要介绍与标准正态总体相关的抽样分布.包括, χ2\chi^2χ2分布, ttt分布和FFF分布.2.1 χ2\chi^2χ2分布定义2:设X1,X2,...,XnX_1, X_2, ..., X_nX1,X2,...,Xn相互独立, 且都服从标准正态分布N(0,1), 则称随机变量X12+X22+...+Xn2X_1^2+X_2
2020-06-17 16:48:55
1003
原创 1. 数理统计---数理统计基本概念
1. 数理统计的基本概念基本思想: 数据⇒\Rightarrow⇒归纳⇒\Rightarrow⇒结果定义: 数理统计是以概率论为基础, 关于实验数据的收集, 整理, 分析与推断的一种科学与艺术.1.1. 数据的收集:总体: 研究对象的全体称为总体个体: 总体中每一个具体的对象称为个体**例子1**: 分析某工厂灯泡的寿命总体--该班厂所有灯泡的寿命个体--每一个灯泡的寿命 总体: 研究对象的数量指标X$X\sim F(x)$个体: 总体X的可能取值灯泡寿命的例子:**总体*
2020-06-17 16:46:19
1819
2
原创 假设检验
假设检验1、概述 假设检验分为参数假设检验和非参数假设检验,参数假设检验是对总体分布函数中的未知参数提出某种假设,然后利用样本提供的信息对所提出的假设进行检验,根据检验的结果对所提出的假设做出拒绝或接受的判断。 非参数假设检验是对总体分布函数的形式或总体的性质提出某种假设进行的检验。1.1 假设检验的基本思想与基本概念例3.1.1 某车间生产的滚球直径服从正态分布N(15.1,0.05)N(15.1,0.05)N(15.1,0.05)。现从今天生产的滚球中随机抽取6个,测得的直径为14.6,
2020-06-14 16:05:38
494
原创 CUDA 10.2及CUDNN下载
CUDA 10.2 WINDOWS 10 X84_64版本下载地址:链接:https://pan.baidu.com/s/1ZY3CkI-06yBhSTAXXvSL9A提取码:0zjhCUDNN_10.2版本下载地址:链接:https://pan.baidu.com/s/1iGMJotQmcqMEAQM2LZxlcg提取码:25ej
2020-05-30 21:06:03
14261
24
原创 举例说明信息熵、互信息的计算过程
目录一、 计算公式1、信息熵H(X)2、联合熵H(X,Y)3、互信息I(X,Y)4、条件熵H(X|Y)二、举例说明1、信息熵H(X)2、联合熵H(X,Y)3、互信息I(X,Y)4、条件熵H(X|Y)总结一、 计算公式在shannon提出信息论到现在已经有70多年的历史。信息论中常用的概念有信息熵、联合熵、条件熵、互信息等概念。1、信息熵H(X)定义:一个离散随机变量X的熵H(X)定义为H...
2020-04-26 11:23:47
37053
5
原创 MIToolbox工具箱mex函数的解析
MITOOLBOX工具箱的使用请点击文字对应的链接。下面时compileMIToolbox函数的解析:mex -I../include MIToolboxMex.c ../src/MutualInformation.c ../src/Entropy.c ../src/CalculateProbability.c ../src/ArrayOperations.cmex -I../inc...
2020-04-25 10:56:19
1145
转载 argmax 与 max 的区别
arg min 就是使后面这个式子达到最小值时的变量的取值arg max 就是使后面这个式子达到最大值时的变量的取值y=f(t) 就是一般的函数形式y=max f(t) :y是f(t)函数的最大值y=argmax f(t) :y是f(t)函数取到最大值时的参数t比如有 f(t)=t^2 ; t的取值范围{0,1,2},那么:y=max f(t)=4;y=ar...
2020-04-12 10:19:05
807
原创 Conditional Likelihood Maximisation: A Unifying Framework for Information Theoretic Feature Selecti2
第三节主要以理论推导为主,主要是为了推导出最大条件似然问题可以近似为最小化条件互信的问题:argmaxθL(θ,D)=argminθI(Xθ~;Y∣Xθ)\arg\max_{\theta}\mathcal{L}(\theta,\mathcal{D})=\arg\min_\theta I(X_{\tilde\theta};Y|X_\theta)argθmaxL(θ,D)=argθmi...
2019-11-13 16:16:27
690
原创 Conditional Likelihood Maximisation: A Unifying Framework for Information Theoretic Feature Selecti
目录1、文章信息2、主要思想2.1信息熵:2.2 基于互信息的滤波算法1、文章信息Title: Conditional Likelihood Maximisation: A Unifying Framework for Information Theoretic Feature Selection**Author:**Gavin Brown, Adam Pocock, Ming-Jie Z...
2019-10-30 17:58:02
1202
原创 条件互信息的理解(Conditional Mutual Information)
在概率论,尤其是信息论中,条件互信息的基本形式是在给定第三个变量值的情况下,两个随机变量互信息的期望值。对于离散随机变量X,Y,Z,其条件互信息为:用图形表示条件互信息为:具体的定义等后续补充。...
2019-10-25 16:41:29
16958
5
原创 机器学习中TP,TN,FP,FN,Acc,Pre,Sen, Rec的含义
1、 TP,TN,FP,FN的理解定义第一个字母T/F代表预测的结果是否和实际情况相符:即如果真实情况为正样本(P),预测为正样本(P),则为T;如果真实情况为负样本(N),预测为负样本(N),则为T;如果真实情况为P,预测为N,则为F;如果真实情况为N预测为P,则为F。第二个字母P/N代表预测结果的正负:如果预测为正样本,则为P;如果预测为负样本,则为N。TP:true posi...
2019-10-09 11:12:54
26078
4
原创 MATLAB中圆括号(),中括号[],大括号{}的使用方法总结
在Matlab程序编写过程中,总会遇到不同的括号的使用方法,让人很是迷糊,这里对于圆括号(),中括号[],大括号{}的使用方法进行总结,文档来源自百度经验。一、圆括号()使用方法1、圆括号常常跟在数组后,里面是数组的下标,来访问数组元素。例如:A(3)表示A中的第三个元素,A([2,4,5])返回列表[A(2),A(4),A(5)]K>> A=[10,20,30,40...
2019-10-08 18:27:51
73146
8
原创 FCBF算法的Matlab实现
FCBF算法的具体原理请参照本人的另外一篇blog(https://blog.csdn.net/tangxianyu/article/details/100551675),里面有详细的说明。本文主要说明基于Matlab的FCBF算法的实现。算法实现本算法是在MIToolbox的基础上进行的算法实现(工具箱安装及使用https://blog.csdn.net/tangxianyu/artic...
2019-09-07 11:19:22
2200
12
原创 FCBF算法解析
FCBF算法是Lei Yu、Huan Liu于2004发表的Efficient Feature Selection via Analysis of Relevance and Redundancy中提出的。文章主要提出应用SU(Smymetrical uncertainty)代替信息增信IG(Information Gain)作为衡量一个特征是否于分类C相关或者是否冗余。FCBF具体算法实现:...
2019-09-05 22:59:25
7376
3
原创 信息熵工具箱---MITOOLBOX的下载与应用
对于应用信息论做特征的人员来说,最基础的是如何进行熵的计算,互信息的计算等。MITOOLBOX提供了在Matlab中的基础的Toolbox。下载地址如下:https://github.com/Craigacp/MIToolboxhttp://www.cs.man.ac.uk/~pococka4/MIToolbox.htmlToolbox介绍如下:This toolbox is ...
2019-09-05 17:27:53
3483
14
原创 互信息特征评价准则
本文引自西北工业大学杨宏晖老师的《模式识别之特征选择》1、信息增益准则对一个特征而言,系统有它和没有它时信息量将发生变化,而前后信息量的差值就是这个特征给系统带来的信息量,即增益。衡量标准是看特征能够为分类系统带来多少信息,带来的信息越多,该特征越重要。识别系统中,特征的信息增益就是一个特征与类别的互信息,该互信息值越大,说明该特征与类别越相关,即该特征包含的分类信息越多,该特征也越重...
2019-09-04 17:39:34
2856
2
原创 信息熵基础(4)
本文摘抄自《信息论基础-第二版》第二章:熵、相对熵与互信息4. 熵与互信息的关系可将互信息I(X;Y)重新写为:由此,互信息I(X;Y)是在给定Y知识的条件下X的不确定度的缩减量。对称的,亦可得到,因而,X含有Y的信息量等同于Y含有X的信息量。由第二节知,H(X,Y)=H(X)+H(Y|X),得到公式:最后注意到I(X;X)=H(X)-H(X|X)=H(...
2019-09-04 11:56:19
1235
原创 信息熵基础(3)
本文摘抄自《信息论基础-第二版》第二章:熵、相对熵与互信息3. 相对熵与互信息熵是随机变量不确定度的度量;他也是平均意义上描述随机变量所需的信息量的度量。本节将介绍相对熵和互信息。相对熵(Relative Entropy)是两个随机分布之间距离的度量。在统计学中,它对应的是似然比的对数期望。相对熵D(p||q)度量当真实分布为p而假定分布为q时的无效性。例如,一直随机变量的真实分布p,...
2019-09-04 11:06:54
360
数独四宫格,适合于幼儿园以及小学儿童使用
2023-07-08
数独九宫格,excel自动生成版
2023-07-08
MODBUS(RTU).zip
2021-11-04
三电平H桥级联型逆变器
2011-11-30
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人