- 博客(14)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 因子分析：揭示隐藏变量的统计技术
因子分析是一种用于研究多个观测变量之间关系的统计方法。其主要目标是通过识别少数几个隐藏的潜在因子（latent factors），解释观测变量之间的相关性。
2024-08-13 17:06:12
745
原创 主成分分析（PCA）：简化数据维度的强大工具
主成分分析（PCA）是一种统计技术，主要用于数据降维。它通过将原始数据投影到一组新的正交轴（即主成分）上，减少数据的维度。每个主成分都是原始特征的线性组合，并按其解释的方差大小排序。
2024-08-13 16:59:39
701
原创 回归分析：揭开数据关系的面纱
回归分析是一种统计方法，用于研究自变量（输入）与因变量（输出）之间的关系。它的主要目标是通过构建数学模型，预测因变量的值，或者解释自变量如何影响因变量。
2024-08-13 16:53:50
695
原创 将py文件转为ipynb文件（含批量转换方法）
将.py文件转换为.ipynb文件（Jupyter Notebook），有几种方法可以实现。下面是使用nbformat库的一个示例。首先，确保你已经安装了nbformat。
2024-08-05 09:21:40
237
原创 GeoPandas：Python 进行地理数据处理的利器
GeoPandas 是 Pandas 的扩展，专门用于处理地理数据。它将地理数据的操作功能与 Pandas 数据结构的强大功能结合起来，使得处理矢量数据（如点、线和多边形）变得简单高效。
2024-07-31 14:33:35
414
原创 回归分析详解：从理论到实践
回归分析是理解和预测数据的重要工具。通过掌握线性回归、多元回归及其高级变体（如岭回归和Lasso回归），你可以在各种应用场景中构建有效的预测模型。希望本文能帮助你深入理解回归分析的基本概念和实现方法，为你的数据科学实践提供有力支持。
2024-07-29 09:01:07
669
原创 深入掌握Pandas：Python数据分析的利器
Pandas是一个功能强大且易于使用的数据分析库。通过掌握Pandas的基本用法和常见操作，你可以高效地处理和分析各种数据，提升数据分析的效率和质量。
2024-07-29 08:34:47
349
原创 NumPy库简介
NumPy（Numerical Python的简称）是Python编程语言的一个扩展程序库，支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。
2024-07-28 19:58:41
276
原创 探索 Shap 库：解读模型背后的秘密
它能够帮助我们解决模型的黑箱性问题，使得我们能够更好地理解模型是如何做出决策的。总之，Shap 库为我们打开了模型黑箱的一扇窗，让我们能够更加深入、准确地理解模型的工作原理和决策依据。在当今的数据科学和机器学习领域，理解模型的决策过程和预测结果的产生机制变得越来越重要。Shap 库作为一个强大的工具，为我们提供了一种直观且有效的方式来解释模型的输出。Shapley 值的计算基于特征的联合贡献。通过以上代码，我们可以得到一个直观的可视化结果，帮助我们理解决策树模型是如何根据不同特征进行预测的。
2024-07-28 19:48:07
353
原创 数据预处理：从原始数据到清洁数据的关键步骤
通过数据清洗、缺失值处理、异常值处理、数据转换和特征工程，可以将原始数据转化为适合分析和建模的数据，进而提高模型的准确性和鲁棒性。在数据科学与机器学习的领域中，数据预处理是一个至关重要的步骤。数据预处理的目的是将原始数据转化为适合分析和建模的数据形式。本文将介绍几种常见的数据预处理技术，包括数据清洗、缺失值处理、异常值处理、数据转换和特征工程。数据清洗是数据预处理的第一步，旨在识别并修正或删除数据中的错误或不一致性。：数据预处理, 数据清洗, 缺失值处理, 异常值处理, 数据转换, 特征工程。
2024-07-26 15:38:10
242
原创 线性回归的概念与实现
线性回归线性回归是一种用于预测目标值与一个或多个特征值之间关系的统计方法。它假设目标值是输入特征值的线性组合，并且可以通过一个最佳拟合的直线来描述这种关系。线性回归的目标是找到这条最佳拟合直线，使得预测值与真实值之间的误差平方和最小。
2024-07-24 12:02:33
362
1
原创 tkinter的使用
tkinter是一个强大且易于使用的库，适合构建简单到中等复杂度的桌面应用程序。通过学习和使用tkinter，你可以快速开发跨平台的 GUI 应用程序。
2024-07-24 11:48:19
136
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人