echo婷-CSDN博客

原创 CSS高级技巧

一元素的显示与隐藏1.1 display显示display: none 隐藏对象，隐藏之后，不再保留位置。display：block 除了转换为块级元素之外，同时还有显示元素的意思。1.2 visibility 可见性visibility：visible ; 　对象可视visibility：hidden; 　对象隐藏，隐藏之后，继续保留原有位置1.3 overflow 溢出属性值描述visible不剪切内容也不添加滚动条hidden不显示超过对象尺寸的内

2020-12-03 11:17:15 135

原创 CSS总结五之定位

一 CSS布局的三种机制普通流（标准流）浮动让盒子从普通流中浮起来 —— 让多个盒子(div)水平排列成一行定位将盒子定在某一个位置自由的漂浮在其他盒子的上面二定位2.1 边偏移在 CSS 中，通过 top、bottom、left 和 right 属性定义元素的边偏移边偏移属性示例描述toptop: 80px顶端偏移量，定义元素相对于其父元素上边线的距离。bottombottom: 80px底部偏移量，定义元素相对于其父元素下边线的

2020-12-03 10:44:51 129

原创 H5+CSS3进阶

一 HTML5简介1.1 什么是HTML5？是一个新版本的 HTML 语言，定义了新的标签、特性和属性拥有一个强大的技术集，这些技术集是指： HTML5 、CSS3 、javascript, 这也是广义上的 HTML51.2 使用情况绝对多数新的属性，都已经被浏览器所支持，最新版本的浏览器已经开始陆续支持最新的特性二 H5新增标签2.1 语义化标签header — 头部标签nav — 导航标签article — 内容标签section — 块级标签

2020-12-03 10:16:53 380

原创 CSS总结四之浮动

一浮动简介为什么要使用浮动？如何让多个盒子(div)水平排列成一行？如何实现盒子的左右对齐？1.1 浮动定义元素的浮动是指设置了浮动属性的元素会脱离标准普通流的控制移动到指定位置。float: left;属性值描述none元素不浮动（默认值）left元素向左浮动right元素向右浮动1.2 浮动的特点（1）漂浮在普通流的上面，脱离标准流，俗称 “脱标”（2）加了浮动的盒子是不占位置的，所以后面标准流的盒子会跑到浮动盒子的底下

2020-11-18 16:47:34 145 1

原创 CSS总结三之盒子模型

一盒子模型简介1.1 定义HTML页面中的布局元素看作是一个矩形的盒子，也就是一个盛装内容的容器。1.2 组成盒子模型有元素的内容、边框（border）、内边距（padding）、和外边距（margin）组成。盒子里面的文字和图片等元素是内容区域盒子的厚度我们成为盒子的边框（border）盒子内容与边框的距离是内边距（padding)盒子与盒子之间的距离是外边距（margin）二盒子模型组成2.1 盒子边框（border）属性作用border-width

2020-11-18 16:23:21 187

原创 CSS总结二

一 CSS复合选择器1.1 后代选择器（重点）用来选择元素或元素组的子孙后代<div class="nav"> <a href="#">内部链接1</a></div><style> .nav a { color: aqua; }</style>当标签发生嵌套时，内层标签就成为外层标签的后代。它能选择任何包含在内的标签。1.2 子元素选择器子元素选择器只能选择作为某元素

2020-11-16 09:41:16 211

原创 CSS总结一

一 CSS简介1.1 定义CSS通常称为CSS样式表或层叠样式表1.2 作用主要用于设置 HTML页面中的文本内容（字体、大小、对齐方式等）、图片的外形（宽高、边框样式、边距等）以及版面的布局和外观显示样式。二 CSS引入方式2.1 行内式<div style="color: red; font-size: 12px;">哈哈哈</div>2.2 内部样式表（内嵌式）<style> div { color: red; font-size

2020-11-15 20:24:04 101

原创 HTML总结

一 HTML简介1.1 定义HTML 指的是超文本标记语言，是用来描述网页的一种语言。它不是一种编程语言，而是一种标记语言什么是超文本？可以加入图片、声音、动画、多媒体等内容（超越文本限制）可以从一个文件跳转到另一个文件，与世界各地主机的文件连接（超级链接文本）1.2 HTML骨架标签名定义说明htmlHTML标签页面中最大的标签，我们成为根标签head文档的头部注意在head标签中我们必须要设置的标签是titletitile文档的标题让

2020-11-13 16:40:20 110

原创机器学习之EM算法

一 EM算法简介1.1 定义EM算法也称期望最大化（Expectation-Maximum,简称EM）算法。它是很多机器学习领域算法的基础，比如隐式马尔科夫算法（HMM）。1.2 步骤EM算法是一种迭代优化策略，由于它的计算方法中每一次迭代都分两步，期望步（E步）和极大步（M步）二 EM算法的思路根据己经给出的观测数据，估计出模型参数的值；再依据上一步估计出的参数值估计缺失数据的值，再根据估计出的缺失数据加上之前己经观测到的数据重新再对参数值进行估计；反复迭代，直至最后收敛，迭代结束。

2020-10-30 09:49:10 187

原创机器学习之支持向量机

一支持向量机（SVM）基本概率1.1 定义SVM：寻找到一个超平面使样本分成两类，并且间隔最大。1.2 硬间隔和软间隔（1）硬间隔严格地让所有实例都不在最大间隔之间，并且位于正确的一边问题：它只在数据是线性可分离的时候才有效；其次，它对异常值非常敏感。（2）软间隔尽可能在保持最大间隔宽阔和限制间隔违例之间找到良好的平衡超参数C：C值越小，则间隔越宽，但是间隔违例也会越多二支持向量机APIfrom sklearn import svmestimator = svm.SVC()e

2020-10-30 08:58:13 680

原创机器学习之朴素贝叶斯

一朴素贝叶斯简介1.1 概率的基本概念联合概率：包含多个条件，且所有条件同时成立的概率，记作：P(A,B)条件概率：就是事件A在另外一个事件B已经发生条件下的发生概率，记作：P(A|B)相互独立：如果P(A, B) = P(A)P(B)，则称事件A与事件B相互独立。1.2 贝叶斯公式朴素贝叶斯：假定了特征与特征之间相互独立的贝叶斯公式。朴素贝叶斯，之所以朴素，就在于假定了特征与特征相互独立。1.3 拉普拉斯平滑系数作用：防止统计数据过少，个别特征出现概率为0的情况二朴素贝叶斯AP

2020-10-20 15:48:06 85

原创机器学习之聚类算法

一聚类算法简介1.1 定义一种典型的无监督学习算法，主要用于将相似的样本自动归到一个类别中，使用不同的聚类准则，产生的聚类结果不同。无监督学习：输入数据是由输入特征值组成，没有目标值1.2 聚类算法分类粗聚类细聚类1.3 聚类算法和分类算法区别聚类算法是无监督的学习算法，而分类算法属于监督的学习算法二聚类算法APIsklearn.cluster.KMeans(n_clusters=8)参数：n_clusters：开始的聚类中心数，即产生的质心（centroids）数。默认为8方

2020-10-19 16:54:02 1096

原创机器学习之集成学习初识

一集成学习简介1.1 原理生成多个分类器/模型，各自独立地学习和作出预测。这些预测最后结合成组合预测，因此优于任何一个单分类的做出预测。1.2 任务(1) 如何优化训练数据 —> 主要用于解决欠拟合问题 —> boosting(2) 如何提升泛化性能 —> 主要用于解决过拟合问题 —> Bagging二 Bagging和随机森林2.1 Bagging实现过程：采样不同数据集2)训练分类器3)平权投票，获取最终结果4)主要实现过程小结2.2 随机森林随

2020-10-18 17:47:19 156 1

原创机器学习之决策树

一决策树简介1.1 定义是一种树形结构，本质是一颗由多个判断节点组成的树1.2 信息熵（1）定义从信息的完整性上进行的描述:当系统的有序状态一致时，数据越集中的地方熵值越小，数据越分散的地方熵值越大。从信息的有序性上进行的描述:当数据量一致时，系统越有序，熵值越低；系统越混乱或者分散，熵值越高。（2）信息熵公式Ent(D)：二决策树划分依据2.1 信息增益使用划分前后集合熵的差值来衡量使用当前特征对于样本集合D划分效果的好坏。公式：Dv表示a属性中第v个分支节点包

2020-10-17 11:39:20 374 1

原创机器学习之逻辑回归

一逻辑回归简介1.1 定义逻辑回归解决的是二分类问题1.2 逻辑回归的输入和输出输入：逻辑回归的输入就是一个线性回归的输出输出：回归的结果输入到sigmoid函数当中，输出在[0, 1]区间中的一个概率值，默认为0.5为阈值sigmoid激活函数：若以0.5为阈值，则大于0.5的为一个类别，小于0.5的为另一个类别，再与真实值进行对比1.3 损失函数对数似然损失：当y=1时，我们希望hθ(x)值越大越好当y=0时，我们希望hθ(x)值越小越好优化方案：提升原本属于1类别的

2020-10-15 14:30:28 980

原创机器学习之线性回归

一线性回归简介1.1 定义回归方程(函数)对一个或多个自变量(特征值)和因变量(目标值)之间关系公式：1.2 线性回归分类线性关系{ 单变量线性关系，多变量线性关系 }非线性关系二损失函数及优化方法2.1 损失函数（最小二乘法）h(x)为预测值，y为真实值，预测值减去真实值的平方求和J(w)越小越好，越接近真实值2.2 正规方程优化算法（1）公式（2）推导过程h(x) = Xw-y，求解最小w，对上述公式求导：2.3 梯度下降优化算法（1）梯度定义单变量的函数

2020-10-14 15:34:44 465

原创机器学习之K-近邻算法（KNN）

K-近邻算法总结一什么是K-近邻算法1.1 定义如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。1.2 欧式距离1.3 KNN算法流程1）计算已知类别数据集中的点与当前点之间的距离2）按距离递增次序排序3）选取与当前点距离最小的k个点4）统计前k个点所在的类别出现的频率5）返回前k个点出现频率最高的类别作为当前点的预测分类二 KNN算法的API2.1 什么是API定义：API（Application Progra

2020-10-13 21:07:12 873

原创 Seaborn总结

Seaborn总结（高级绘图）一模块导入import seaborn as sns二绘制单变量曲线包括直方图，高斯核密度曲线和rugplot数据分布情况seaborn.distplot(a, bins=None, hist=True, kde=True, rug=False, fit=None, color=None)(1) a：数据，一般是 Series(2) bins：直方图的条数。(3) hist：是否绘制直方图。(4) kde：是否绘制高斯核密度估计曲线。(5) rug：是

2020-10-11 19:47:10 499 2

原创 Pandas总结

Pandas总结一模块导入import pandas as pd二数据创建2.1 Series数据结构（一维）（1）创建index：索引，默认创建一个从0-N的整数索引# pd.Series(data=None, index=None, dtype=None)# 通过字典数据创建data = pd.Series({'age':10, 'name':peter, 'gender': male)（2）属性a) 索引data.indexb) 值data.valuesdata[

2020-10-10 22:20:45 312

原创机器学习中常见库的导入及其方法

一 matplotlib（二维图形绘制）模块导入import matplotlib.pyplot as plt常用方法# 1.创建画布plt.figure(figsize=(20,8),dpi=100)# 2.1绘制图像plt.plot(x,y)# 3.图像显示plt.show()# 2.1绘制折线图plt.plot(x,y)# 2.2 绘制散点图plt.scatter(x,y)# 2.3 绘制柱形图plt.bar(x,y,align='center'，width=0.5,

2020-10-09 10:22:25 1169 1

原创 Numpy总结

numpy使用方法总结一模块导入import numpy as pd二 N维数组（ndarray)2.1 ndarray的属性# 创建二位数组x = np.array([[1,2,3],[3,4,5],[6,7,8]])# 数组x的形状x.shape # (3,3)# 数组的大小x.size # 9# 数组的维数x.ndim # 2# 数组的元素长度x.itemsize # 8个字节# 数组元素类型x.dtype

2020-10-08 22:01:05 354

原创 Matplotlib总结

Matplotlib使用方法总结一模块导入import matplotlib.pyplot as plt二基本流程# 1.创建画布plt.figure(figsize=(20,8),dpi=100)# 2.绘制折线图plt.plot([1,2,3,4,5],[10,23,45,56,90])# 3.图像显示plt.show()三图像添加辅助功能3.1 添加x,y轴刻度# 2 绘制折线图plt.plot(x,y)# 2.1 添加x,y轴刻度x_ticks_label =

2020-10-08 11:52:03 287

zt2494653702的博客