- 博客(39)
- 资源 (5)
- 收藏
- 关注
原创 brianyjh-Linux学习日记03:subread差异表达统计&表达矩阵制作
主要使用subreadR程序实现差异表达的定量,同时根据定量结果,构建差异表达矩阵
2022-07-28 18:39:32
1024
原创 2100059-Experience-Sharing
经验分享以下文章共有约200行,小伙伴们欢迎给我们在issue上面交流哦~~数学建模美赛简介美国数学建模大赛题MCMA —— 连续B —— 离散C —— 数据ICMD —— 运筹 网络E —— 环境F —— 政策奖O F M H S先扔个奖状不是,再开始分享个人感受总体来讲美赛是一个比较好拿奖的比赛,门槛也不是很高美赛的F奖和M奖加分一样,虽然感觉挺离谱的,但是这带给大家了更多可能性。对于出国和保研都比较有帮助不是严谨的科研、言
2022-02-17 04:17:31
299
原创 机器学习课本与实战
文章目录第二章 模型评估与选择(对应西瓜书)第二章 模型评估与选择(对应西瓜书)MSE RMSE R2from sklearn.metrics import mean_squared_error, r2_scoreimport numpy as np print(f"均方误差(MSE):{mean_squared_error(result, test_y)}")print(f"根均方误差(RMSE):{np.sqrt(mean_squared_error(result, test_y)
2022-02-11 22:24:23
354
原创 R语言笔记
文章目录函数函数获取csv行数-------nrow(d10)重复rep(num, times=)合并列cbind()获取数据集中交叉部分 merge()查看数据类型 mode(x)返回 文本匹配 grepl()metadata = metadata[!grepl(‘Estimate’,metadata$Id),]变成矩阵as.matrixapply(b,1,sum)上面的指令代表对矩阵b进行行计算,分别对每一行进行求和。函数涉及了三个参数:第一个参数是指要参与计算的矩阵;第二
2022-02-11 22:24:03
192
原创 建立网络全过程
文章目录读取数据,构建数据项目1 创建自己的dataset类transform 对图片进行处理修改`__getitem__`将数据集输入`DataLoader`项目2 使用自带的`ImageFolder`防止样本不均衡,使用`sample`进行权重分配创建网络性能评估计算函数准确率函数训练模型训练函数验证函数保存读取数据,构建数据项目1 创建自己的dataset类transform 对图片进行处理碎片对图片进行数据增强处理 self.transform = transforms.Compos
2022-02-11 22:22:31
1785
原创 M/M/1 模型
目标 :学会 MM1模型再进行推广 ,完成机场第三问这两个模型假设顾客抵达与服务时间为指数分布,时间流程为泊松过程,The Birth-and-Death Process. 为了得出M/M/1 及 M/M/S的一般公式,笔者认为有必要简单推导下…… 该模型为连续时间马尔可夫过程(continuous time Markov chain),要介绍全很困难,这里就给一个简易推导。在排队论中,“生” 指的是 客抵达系统,“灭”指的是客离开系统,生灭过程的系统状态 N(t)此时顾客在t时候的顾客数量有
2021-08-26 03:56:45
9967
原创 运筹学05
线性规划问题的一般形式一般情况:z=f(x1x2x3...xn )=c1x1+c2x2+...+cnxn (Ci∈R)z=f\left( x_1x_2x_3... x_{n\,\,} \right) =c_1x_1+c_2x_2+...+c_nx_n\,\, \left( C_i\in R \right)z=f(x1x2x3...xn)=c1x1+c2x2+...+cnxn(Ci∈R){a11x1+a12x2+...+a1nxn=(≤,≥)b1...an1x1+an2x2+.
2021-07-22 11:51:46
106
原创 Untitled-0720记录一次机器学习完整项目
文章目录前言GET DATA梳理标量数据描述性统计训练数据:划分使用`StratifiedShuffleSplit`进行分层采样数据探索相关系数属性组合试验Prepare the data for Machine Learning algorithms数据清洗处理标量数据创建自己的类特征缩放转换流水线选择并训练模型交叉验证模型微调网格搜索随机搜索每个属性(特征)对于做出准确预测的相对重要性计算RMSE的置信区间#py2和py3的有效切换from __future__ import division, p
2021-07-21 16:56:43
839
原创 clustering
聚类算法的步骤(k-means){c(i)来存储与第i个实例(xi)数据最近的聚类中心的索引μk 聚类中心μc(i)代表与????(xi)最近的聚类中心点。_{\begin{cases} c^{\left( i \right)}来存储与\text{第}i个实例\text{(}x_i\text{)}数据最近的聚类中心的索引\\ \mu _k\,\,\text{聚类中心}\\ \mu _{c^{\left( i \right)}}代表与????(x_i)最近的聚类中心点。\\\end{cases}}
2021-07-20 10:29:17
76
原创 kernels SVM
目标:拟合非线性边界想法:拟合复杂多项式{y =θ0+θ1f1+θ2f2+θ3f3+θ4f4f1=x1,f2=x2,f3=x1x2,d4=x42\begin{cases} y\,\,=\theta _0+\theta _1f_1+\theta _2f_2+\theta _3f_3+\theta _4f_4\\ f_1=x_1, f_2=x_2,f_3=x_1x_2,d_4=x_{4}^{2}\\\end{cases}{y=θ0+θ1f1+θ2f2+θ3f3+θ4f4f1=x.
2021-07-19 19:43:36
103
原创 バトルテーブル
夏のタイムスケジュール 朝 6:00-7:00 English Time 7:00-7:30 rest!breakfast 7:30-8:00 Plan スケジュールを調整する 8:00-8:50 Theory learning オペレーションリサーチ 9:00-9:50 機械学習 ...
2021-07-19 14:22:28
108
原创 记录logistics回归实战(梯度下降,终止条件:迭代次数大于某值)0717
预测学生是否被大学录取。根据两次考试的结果来决定每个申请人的录取机会import numpy as npimport pandas as pdimport matplotlib.pyplot as plt%matplotlib inlinepath = './data/LogiReg_data.txt'origin =pd.read_csv(path, header=None, names=['Exam 1', 'Exam 2', 'Admitted'])red = origin[orig
2021-07-18 09:01:54
580
原创 运筹学04(线性规划&概念&建模&标准型)
概念线性规划问题在线性约束条件下,寻找线性约束条件的最优解用KKT定理解决线性规划问题(一)规范化:“代数式<=0”
2021-07-14 11:26:52
769
原创 运筹学03(线代)
目的解线性方程组,未知数次数是1的方程有无解?怎么解?解是啥?经典想法(略过)3blown1blue方法论通过矩阵提取信息,然后折腾它,矩阵乘法是一种最基本的方式提取系统信息 折腾 判断解的情况,然后解它矩阵是一种提取信息的手段,是按照一定排列顺序的数表矩阵乘法==== 数表乘以数表,数乘以数,总信息不变怎么看待矩阵(秩的概念&线性相关)略过对于矩阵而言,任意最大满秩子式为基行列式行列式本质是种计算法则二阶行列式的意义是平行四边形的面积n阶行列式,n维
2021-07-13 23:38:49
443
原创 机器学习笔记02(多元线性回归&logistics回归&正则化)
文章目录01 引言(多元线性回归)多元线性回归梯度下降梯度下降技巧01-特征缩放梯度下降技巧02-学习率与终止迭代条件用多项式回归模型02 Normal Equation法推导过程Normal Equation法与梯度下降法比较01 引言(多元线性回归)“多元线性回归本质上与单元变量线性回归没太大区别”增添更多特征后,我们引入一系列新的注释:引入多元变量后,我们直接把原来的函数简写为多元线性回归梯度下降多元变量的线性回归的梯度下降与一元的没什么区别梯度下降技巧01-特征缩放在我们面对
2021-07-12 21:36:44
2280
原创 机器学习笔记01(基础概念与线性回归&梯度下降)
文章目录01 概念基本概念监督学习回归&分类&其他总结无监督学习两种列举的无监督学习02 正题:单变量线性回归对一般回归问题的标记代价函数损失函数的图形化表示损失函数存在的意义梯度下降梯度下降的表现形式01 概念什么是机器学习?T:任务,目的,结果E:训练集,经验值h:假设,方程p:置信区间一个程序被认为能从经验E中学习, 解决任务T,达到性能度量值P,当且仅当,有了经验E后,经过P评判,程序在处理T时的性能有所提升。我认为经验E就是程序上万次的自我练习的经验而任务,T是
2021-07-12 20:46:43
484
原创 机器学习1
2021年7月11日一个程序被认为能从经验E中学习, 解决任务T,达到性能度量值P,当且仅当,有了经验E后,经过P评判,程序在处理T时的性能有所提升。我认为经验E就是程序上万次的自我练习的经验而任务就T是下棋。性能度量值P呢,就是它在与一些新的对手比赛时,赢得比赛的概率。监督学习和无监督学习监督学习: 我们将教计算机如何去完成任务无监督学习中:我们打算让它自己进行学习此外你将听到诸如,强化学习和推荐系统等各种术语。这些都是机器学习算法的一员监督学习可以看出,监督学习指的..
2021-07-12 00:52:08
110
原创 爬虫(不完整)
爬虫基础pythonhtml分布式数据库html一般html包含head和bodyrequest属性的urlopenfrom urllib.request import urlopenhtml=urlopen("https://www.baidu.com/").read().decode("utf-8")print(html)正则表达式其实不难https://deerchao.cn/tutorials/regex/regex.htm1\W 匹配字母或数字或下划线或汉字
2021-04-15 16:53:08
86
原创 图论练习(一月份)
最短路径(记录路径)-------用数组记录----------#include<bits/stdc++.h>using namespace std;#define maxn 1e3+10#define Inf 0x3f3f3f3fint mp[1000][1000];int dis[10000];int vis[1000];int nn[1000];int n,m;int di(int s,int e){ vis[s]=1; int xx=In
2021-03-22 16:58:37
45
原创 2021-03-02
1Power 引脚: 开发板可提供3.3V和5V电压输出,Vin引脚可用于从外部电源为开发板供电。Analog In引脚: 模拟输入引脚,开发板可读取外部模拟信号,A0~A5为模拟输入引脚。Digital 引脚: UNO R3拥有14个数字I/O引脚,其中6个可用于PWM(脉宽调制)输出。数字引脚用于读取逻辑值(0或1),或者作为数字输出引脚来驱动外部模块。标有"~"的引脚可产生PWM。TX和RX引脚: 标有TX(发送)和RX(接收)的两个引脚用于串口通讯。其中标有TX和RX的LED灯连接相应引脚,
2021-03-03 18:20:27
284
原创 相关性
步骤Person相关系数描述统计算相关系数假设检验协方差原假设 (true/false)备选假设= !原假设(!true/!false)显著性水平 α\alphaα :有多大可能拒绝原假设(认为原假设是错误的概率)置信水平 β=1−α\beta=1-\alphaβ=1−α :原假设正确的概率进行假设检验的步骤确定原假设和备选假设假设小明以前的体重一直都是90斤,这次称竟然是94斤原假设设是90斤(我们本以为的值),备选假设在双侧检验下是非90斤的任意值(比如94斤
2021-02-18 22:26:04
116
原创 拟合
有时候做题目,我们可能会遇到数据缺失的情况,这时候,我们可以利用原有的数据进行插值。还记得插值需要利用已经有的数据,通过构造一个多项式或者分段函数来圈住所有的点比如说,这样:问题是遇到了下图这个情况:如果要用插值来处理这样的数据,那么结果可能是这样的:用这样的点通过插值的方法形成多项式,很有可能会造成龙格现象,如果用分段插值的方法来处理这样的点,很有可能会构造一个很长很复杂的函数式我们可以发现,用插值法不能很好地处理这样的数据。我们再看下图一条直线通过了大部分的点,而没有穿过所有的点
2021-02-15 12:04:20
118
原创 用topsis来建模
topsis过程简略概括将所有的数据正向化标准化数据归一化数据计算得到权值第一步 正向化对于所有的数据一般有四种类型,极大型、极小型、中间型和区间型对于极小型的正向化处理:max−xmax -xmax−x对于中间型:M=max(xi−xbest)x=1−∣x−xbest∣MM =max(x_i-x_{best})\\x = 1- \frac{|x-x_{best}|}{M} M=max(xi−xbest)x=1−M∣x−xbest∣对于区间型([a,b])为例M=max(
2021-02-04 12:03:15
175
原创 0102集训队训练笔记
VjudgeB题(一道简单的数学问题,但是很考验精度的把握)题目题目来源这道题其实一点都不难,但是我WA了两遍,主要是我没有考虑完全时针的转动。即h = H*30.0+M*0.5;其次就是对数学方面没有考虑完全了(360-angle)归结起来就是数学方面的考虑精度的把握AC代码如下:#include <bits/stdc++.h>using namespace std;int main(){ int A,B,H,M; scanf("%d %d
2021-01-12 15:20:51
368
原创 0108集訓隊
目录二分与贪心E题(贪个够吧)A题(二分答案)技巧题(获取重复元素)G二分与贪心E题(贪个够吧)题目链接经典的事件序列贪心第一遍是WA的#include<stdio.h>#include<algorithm>using namespace std;struct node{ int open; int to;} a[200];int cmp(node x,node y){ return x.to<y.to;}int main(
2021-01-09 00:01:39
200
1
原创 0107集訓
数据结构今天主要学习的内容是二叉树与图二叉树里学了个堆,堆里学了个priority_queue图里主要学的是储存优先队列(超简单)D题链接就是简单用优先队列存个人数,然后按顺序输出即可#include<bits/stdc++.h>using namespace std;struct node{ int id; int num; friend bool operator<(const node &a,const node &b )
2021-01-07 21:25:16
83
原创 0106集訓隊
目錄思维 Play a game(D)栈的使用 GC语言基础知识(进制)A题单调队列 B题思维 Play a game(D)題目鏈接AC#include<bits/stdc++.h>using namespace std;int main(){ int a,b,c,d; scanf("%d%d%d%d",&a,&b,&c,&d); int minn=200; int x,y; x=c; y=a;
2021-01-06 22:04:37
99
原创 0103集训队训练B
文章目录E题(恶心的规规矩矩/条条框框题)B题 区间排序A题 最少排序E题(恶心的规规矩矩/条条框框题)时间题目描述判断字符串是否为时间标准格式时间标准格式为时:分:秒,采用24小时制输入输入第一行有一个整数T,代表接下来有T组测试数据接下来T行,每一行输入一个字符串s数据范围:1≤T≤ 10310^{3}103 ,1≤len(s)≤8输出对于每组测试数据,如果是标准时间格式,输出"Yes",否则输出"No"样例输入800:00:0021:09:3424:00:
2021-01-03 22:40:49
177
原创 0103集训笔记A
所谓STL就是一些标准模板不用我们来编写,直接套用,省时省力如sort( , ) 排序将一些常用的数据结构(比如链表,数组,二叉树)和算法(比如排序,查找)写成模板标准模板库(Standard Template Library) 就是一些常用数据结构和算法的模板的集合。STL中的基本的概念容器:可容纳各种数据类型的通用数据结构,是类模板如 map 里面可以装很多数据类型;迭代器:可用于依次存取容器中元素,类似于指针算法:用来操作容器中的元素的函数模板sort()来对一个vecto
2021-01-03 20:21:42
79
原创 线性回归中为什么似然估计要取最小值
线性回归推导过程学习线性回归基本公式:y(i)=θTx(i)+ε(i) y^{(i)} = \theta^{T}x^{(i)}+\varepsilon^{(i)}y(i)=θTx(i)+ε(i)其中ε(i)\varepsilon^{(i)}ε(i)为误差,我们一般认定误差ε(i)\varepsilon^{(i)}ε(i)是服从均值为000方差为σ2\sigma ^2σ2的高斯分布。为什么均值为000?因为θTx(i)\theta^{T}x^{(i)}θTx(i)展开为:hθ(x)=θ0+θ1x
2020-08-20 11:02:05
2452
原创 笔记--邹老师的课
第一节课笔记主要学习内容机器学习的概念机器学习的数学基础知识机器学习的概念什么是机器学习对于某给定的任务T,在合理的性能度量方案P的前提下,某计算机程序可以自主学习任务T的经验E;随着提供合适、优质、大量的经验E,该程序对于任务T的性能逐步提高。机器学习对象: 任务-经验-性能任务不断进行,经验的积累会带来计算性能的提升人类的学习从无知到有知: 掌握接受信息的特征有监督学习:判定“月亮”无监督学习:创造“阅兵”增强学习:走路、踢球半监督学习机器学习可以解决给定数
2020-08-05 01:23:38
218
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人