- 博客(32)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 逻辑回归中对L1\L2正则化的理解
在逻辑回归中，L1和L2正则化是常用的正则化技术，用于控制模型的复杂度并防止过拟合。它们通过在损失函数中引入额外的正则化项来实现。
2023-09-18 11:05:07
793
原创 Transformer最直观的解析（译）
解码器堆栈输出一个浮点数向量。我们怎么把它变成一个词?这是最后一个线性层的工作，然后是一个Softmax层。线性层是一个简单的全连接神经网络，它将解码器堆栈产生的向量投影成一个更大的向量，称为logits向量。让我们假设我们的模型知道从训练数据集中学习到的10,000个唯一的英语单词(我们模型的“输出词汇”)。这将使logits向量宽为10,000个单元格——每个单元格对应一个唯一单词的分数。这就是我们如何解释线性层之后的模型输出。
2023-09-14 16:08:41
170
原创 XGBOOST自定义损失函数
import osseed = 1# 加载数据集# 划分训练集和测试集# 转换数据格式为DMatrix# 设置模型参数params = {'objective': 'binary:logistic', # 二分类逻辑回归'eval_metric': 'error', # 评估指标为错误率# 训练模型num_rounds = 100 # 迭代次数# 预测y_pred_binary = [1 if p > 0.1 else 0 for p in y_pred] # 将概率转换为类别。
2023-08-16 15:55:12
428
原创 使用python快速上手MongoDB
find():find()方法用于从集合中检索文档。它接受一个查询条件参数，并返回满足条件的所有文档。findOne():findOne()方法用于检索集合中满足条件的第一个文档。它与find()类似，但只返回一个文档。方法用于计算满足条件的文档数量。distinct()方法用于获取指定字段的不同值列表。sort():sort()方法用于对查询结果进行排序。limit():limit()方法用于限制返回结果的数量。
2023-08-08 14:26:32
277
原创 对smote的理解
假设我们选择K=5，对于正类别中的一个样本，找到其5个最近邻样本，并在这5个样本中随机选择一个样本。假设我们选择了与该样本距离最近的一个样本，然后计算这两个样本之间的差值，并乘以一个随机数0.2，加到此前选择的样本上。最终得到一个新的合成样本。用真实数据测试，原始数据由10000条样本构成，其中正例1848例，负例8152例，使用XGB模型测试，smote后新增正样本2228例，在不使用smote时模型在oot上的 ks0.125 ，使用smote后 模型在oot上的 ks0.090。
2023-08-04 16:48:45
329
原创 逻辑回归：极大似然估计推导二分类的交叉熵损失函数
σz11e−zσz1e−z1其中，zzzzβ0β1x1β2x2βnxnzβ0β1x1β2x2βnxnβ0β1β2βnβ0β1β2βn是模型的参数，x1x2xnx1x2xn是输入特征。逻辑函数的输出σzσ(z)σz表示输入样本属于正例的概率，而1−σz1−σ(z)1−σz。
2023-08-03 15:08:54
592
原创 git 学习笔记
在Git中，每次提交都会生成一个新的提交对象，该对象包含了当前代码仓库的状态以及提交的相关信息，比如提交作者、提交时间、提交说明等。提交是一个本地操作，其他人在你的本地仓库中无法看到这些提交，直到你将它们推送到远程仓库。你可以将这想象成“改写历史”，但是这种“改写历史”的方法对大家一起使用的远程分支是无效的。提交在版本控制中起到了非常重要的作用，它可以记录代码的历史变更，让你可以随时回退到过去的状态或者查看代码的演变历史。，加上 -b 是 创建一个新的分支同时切换到新创建的分支。并没有当前分支的修改内容。
2023-07-31 19:56:10
36
转载 风险控制-如何理解信用模型中的拒绝推断
原文连接如我在前面的文章（风险控制-基于逻辑回归的信用申请评分卡建立流程-20170926）中说到的，评分卡用到的建模样本一般是针对于放款的样本，也就是最终过件的样本。然而在实际流程中，评分卡需要预测的样本要比最终过件的样本要多，如评分策略的拒件，以及评分策略之后规则的拒件。这就导致预测的目标样本与建模样本之间是有一定差异的，那么如何衡量这种差异，如果差异很大，如何缩小。这就是信用模型中拒绝推断（也被称为拒绝演绎）的内容。拒绝推断的方法试图推断出拒绝样本的状态，然后将其加入建模样本，这样做的理由有两个：一是
2022-06-08 10:53:41
575
原创 python 80行实现贪吃蛇（非pygame） 摸鱼好帮手
python 实现贪吃蛇使用键盘上下左右进行控制import numpy as npimport matplotlib.pyplot as pltfrom matplotlib.animation import FuncAnimationfrom matplotlib.colors import ListedColormapimport sys,argparseimport keyboardcmap = ListedColormap(('purple','yellow'))fig, ax
2022-01-13 11:09:53
3272
原创 python字符串实现扫雷 摸鱼好帮手
python字符串实现扫雷1、使用方法运行代码后，每次输入一个坐标，输入格式为 【2,3】（注意：不包含【】，表示第二行第三列）在坐标前输入‘b’,即表示标记该坐标位置，如果该坐标已经标记，则此操作可取消标记2、展示运行后输出如下：输入2，3后回车输入b1，3后再次输入b1，3后代码部分import numpy as npimport time#地图边界L = [10,10]#地雷数X = 10biaoti = ''for i in range(L[1]):
2022-01-13 11:02:10
278
原创 python 数组去重的方法
python 数组去重的方法def getNonRepeatList1(data): return list(set(data))def getNonRepeatList2(data): new_data = [] for i in range(len(data)): if data[i] not in new_data: new_data.append(data[i]) return new_data#多维数组适用，作用与
2022-01-12 20:37:19
5954
原创 风控指标整理（KS\PSI\WOE\IV）
TP（实际为正预测为正），FP（实际为负但预测为正），TN（实际为负预测为负），FN（实际为正但预测为负）先介绍几个相关的指标，以免混淆：准确率（accuracy，ACC）：正确率(Precision，PRE)，查准率：真阳性率(True Positive Rate，TPR)，灵敏度(Sensitivity)，召回率(Recall)：假阳性率(False Positice Rate，FPR)，误诊率( = 1 - 特异度)：TP（实际为正预测为正），FP（实际为负但预测为正），TN（.
2021-12-29 17:02:50
1190
原创 python 数据通信
服务器from socket import *import threadingIP = "localhost"port = 40005tcp_server = socket(AF_INET,SOCK_STREAM)tcp_server.bind((IP, port))tcp_server.listen(128)print('listen at port :',port)socks = []st = []def handle(): while True:
2021-12-28 14:47:22
1308
1
原创 sklean之决策树学习笔记
#加载实例数据from sklearn.datasets import load_iris#加载sklearn库import sklearnx,y = load_iris(return_X_y=True)#读入数据#x为n行m列的array数组，其中n表示数据条数，m表示一条数据的特征#y为一行array数组，用数字表示类别clf = sklearn.tree.DecisionTreeClassifier()clf = clf.fit(x,y)#训练决策树sklearn.tree
2021-10-11 19:29:07
69
转载 python学习笔记1——数据表的连接pandas
merge语法规则merge(left, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=True, suffixes=('_x', '_y'), copy=True, indicator=False)作为一个功能完善、强大的语言，python的pandas库中的merge()支持各种内外连接。left与right：两个不同
2021-09-23 11:08:53
584
原创 python学习笔记
dataFarme 操作import pandas as pd#将两列数据合并为一个元组 data为一个dataFarme表id = []for i in range(len(data)): id.append((data['a'][i],data['b'][i]))data['id'] = id#将一个元组拆分为两列数据 data为一个dataFarme表data['a'] = [list(i)[0] for i in data['id']]data['b'] = [list(i)[
2021-09-16 20:15:08
66
原创 python数据清洗常用举例
python数据清洗常用举例数据展示练习代码import pandas as pdimport numpy as npimport osfrom datetime import datetime# review_date 转为时间戳形式# import matplotlib.pyplot as pltdata=pd.read_excel(r"C:\Users\10746\Desktop\aa\111.xlsx",engine='openpyxl')pd.set_option('d
2021-08-24 08:20:38
1780
1
原创 灰度图像的彩色复原方法 ——以人脸着色为例
**摘要**：灰度图像彩色复原在图像修复领域有广泛的应用，由于其涉及从低纬度空间向高纬度空间的映射，故而修复效果存在差异。本文以人脸为例研究灰度图像的彩色复原方法，在主流灰度图像彩色修复算法的基础上，创新性的引入面部色彩分类指标，其依据人脸面部纹理特征将面部肤色分为36类，然后基于纹理分类指标创建模型，使得模型能够对灰度图像依据面部纹理特征，通过特征提取、灰箱模型、模拟上色进行分类着色。最后对模型进行数值测试，测试结果优良。
2021-08-18 09:15:22
7919
2
原创 tableau可视化面板制作
tableau可视化面板制作效果视频 tableau可视化看板 仪表板 要点记录（1）实现文字筛选，需要使用参数；在视频中，可以点击KPI指标选择指标口径，在主体图表中也会跟随KPI自动变化，这里使用的是参数进行控制，在操作中使用点击出发参数改变完成交互；（2）图表与图表关联筛选；关联筛选中，主要使用操作筛选器，依据表格的数目添加筛选个数完成关联；（3）直方图绘制；直方图使
2021-08-17 12:18:48
797
原创 tableau制作玫瑰图
tableau制作玫瑰图在分析保险险种占比时，使用玫瑰图绝对是一个很好的选择。在本文记录一下自己制作过程中踩到的坑及解决办法。操作流程1、数据准备解释：1、第一列为扇形个数的标志，也就是第一列去重后有多少条记录，最终做出的图像就有多少扇形块；2、第二列为同一扇形块下色彩的区分；3、第三列为体现的指标值；4、第四列为首位标记，首位标记的添加为将所有数据复制一遍后上下拼接，将原数据标记为0，复制粘贴的新数据标记为1。2、path创建新建参数：命名为 间隙，用于后期调整各个扇形之间的空白大
2021-08-16 11:15:54
2575
原创 office快速制作贺报方法
office/wps快速制作贺报方法使用背景在保险、地产、中介等行业，经常需要制作贺报，且每次制作都是批量的填入指标达成情况等文字信息，制作过程繁琐复杂，故而制作快速贺报制作工具，使用VBA编写，能适合任何安装有office/wps的个人电脑。视频演示 快速贺报制作 代码部分Sub 贺报生成() Dim weizhi As String Dim idx
2021-08-12 10:38:38
1495
原创 牛客网mysql困难类题目自写答案
最近做了一下牛客网困难部分的题目，打一下卡#牛客12select * from dept_emp;select * from salaries;select m.dept_no,m.emp_no,m.salary maxSalary from(select rank() over(partition by a.dept_no ORDER BY b.salary DESC) dd,a.dept_no,a.emp_no,b.salary from dept_emp a,salaries b whe
2021-08-12 10:02:32
88
原创 使用excel宏完成数据筛选并且保持为图片
**使用excel宏完成数据筛选并且保持为图片**原创 引用请说明出处在保险业务追踪过程中，需要将清单数据一对一微信发送相关人员，传统方法是对数据清单手动筛选，然后复制入微信（通过复制完成截图过程），然后发送。本文将介绍通过excel宏完成数据的自动筛选并截图保存于指定文件夹下。效果视频 快速筛选截图操作流程演示 代码部分Sub 业务员分组截图()''' On E
2021-08-12 09:51:19
1181
原创 传染病模型及实现（附MATLAB代码）
人口增长模型及实现（附MATLAB代码）问题一只游船上有800人，一名游客不慎患传染病，12小时后有3人发病，由于船上不能及时隔离，问经过72小时，患此病的人数。思路假设游客在船上均匀分布，与患者接触的人都有一定几率患病，此模型中认为患者上、下、左、右四个单位为与患者接触的人，而患者分布在每一个单位时间都会变化，由此可得以下代码：n=800;%总人数ts=12;fs=3;t=0;...
2018-12-11 14:25:11
30704
7
ppt快速贺报制作(简单易懂)
2021-08-12
一个新的滤波模型，自己设计的.rar
2020-04-26
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人