- 博客(351)
- 资源 (15)
- 问答 (4)
- 收藏
- 关注
RSS订阅
原创 江湖路远，代码为剑：2025，我与 AI 的问道之旅
《AI炼丹师的成长之路：从技术小白到万粉博主的蜕变》 本文记录了作者从计算机专业新生到AI领域万粉博主的成长历程。文章通过六个章节，详细分享了作者在学术、竞赛、科研和博客创作方面的经验：1）本科阶段通过死记硬背攻克编程难关，实现专业第一的逆袭；2）参与多项国家级科研项目，发表6篇论文的科研心得；3）对机器学习和深度学习的专业理解，强调特征工程的重要性；4）CSDN年度创作数据（120篇原创，11万+阅读）及内容优化建议；5）平衡学术与生活的实用技巧；6）2026年在学术研究、博客质量等方面的规划目标。作者以
2026-01-01 21:10:27
2757
55
原创 PyTorch深度学习实战 |手算ViT(Vision Transformer)模型
本文详细介绍了Vision Transformer (ViT) 的核心思想、网络结构及PyTorch实现。ViT将图像分割为多个patch，通过Transformer编码器提取全局特征，最终使用简单的分类头预测类别。文章解析了ViT的三个主要模块：图像块嵌入（PatchEmbedding）、位置嵌入（PositionalEmbedding）和分类token（CLSToken），并提供了完整的PyTorch实现代码。通过多头自注意力机制和残差连接，ViT能够有效捕捉图像中的长距离依赖关系。实验部分展示了ViT
2025-11-27 13:54:21
1324
10
原创 PyTorch深度学习实战 | 手算生成对抗网络GAN
本文介绍了生成对抗网络(GAN)的核心原理与实现方法。GAN通过生成器与判别器的对抗训练，最终生成高质量数据。文章详细讲解了GAN的网络结构：生成器采用转置卷积逐步上采样，将噪声转换为图像；判别器通过卷积网络判断图像真伪。作者给出了完整的PyTorch实现代码，包括网络结构定义、训练过程和损失计算。特别展示了单张图片的训练流程，通过最小化判别器对假图像的识别能力来优化生成器，同时训练判别器准确区分真假图像。实验结果表明，经过对抗训练后，生成器能够产生逼真图像，判别器也能有效分辨真伪。
2025-11-14 18:32:52
996
2
原创 PyTorch深度学习实战 | 手算卷积网络（Resnet-18)
本文介绍了ResNet-18残差网络的基本原理与实现。ResNet通过引入残差连接解决深度神经网络训练中的梯度消失和退化问题，允许信息在网络中跳跃传播。文章详细解析了ResNet-18的架构，包含四个stage和BasicBlock残差模块的设计，解释了跳跃连接在不同输入输出通道数情况下的处理方式。通过代码示例展示了BasicBlock的实现细节，包括1×1卷积调整通道数的机制。最后给出了完整的ResNet-18实现代码，包含卷积层、批归一化、残差块堆叠等关键组件，并演示了网络的测试过程。该实现能有效处理3
2025-11-13 16:45:34
1116
1
原创 图解人工智能的数学基础（信息论）
本文介绍了信息论中的核心概念：熵、相对熵和交叉熵。通过抽奖箱和天气预测的实例，详细说明了熵的计算方法及其表示不确定性的特性。相对熵用于衡量两个概率分布的差异，而交叉熵则是机器学习中常用的损失函数。文章提供了Python代码实现这些概念的数学计算，并以图片分类为例展示了softmax函数在多分类任务中的应用。这些概念在人工智能和机器学习领域具有重要作用。
2025-11-06 08:52:44
1402
原创 PyTorch深度学习实战 |手算变分自编码器（VAE）
本文介绍了变分自编码器(VAE)的原理与实现。传统自编码器的潜在空间缺乏规律性，无法有效生成新样本。VAE通过引入变分推断，将输入编码为高斯分布的均值和方差，并强制潜在空间接近标准正态分布，从而解决这一问题。文章详细推导了VAE的损失函数(重构损失+KL散度)，展示了网络结构与实现代码，包括重参数化技巧。最后通过可视化对比了VAE潜在分布与标准正态分布，解释了KL散度在保证潜在空间连续性和可插值性中的作用。完整代码和可视化结果展示了VAE从4维输入到2维潜在空间的映射过程。
2025-11-01 16:29:14
1102
原创 PyTorch深度学习实战 |手算自编码Autoencoder
本文介绍了自编码器的原理与应用。自编码器是一种通过编码-解码结构学习数据压缩表示的神经网络，其核心价值在于提取关键特征。文章详细讲解了自编码器的三部分结构（编码器、潜在空间、解码器）及其训练方法，通过最小化重建误差来优化模型。作者提供了手算模拟示例和Python代码实现，展示了如何将4维输入压缩至2维潜在空间再重建的过程。此外，文章还演示了自编码器在MNIST数字分类任务中的应用，通过3维潜在空间可视化展示了不同数字的分布特征。该技术可应用于数据降维、特征提取等场景。
2025-10-28 17:57:30
694
原创 图解人工智能的数学基础（概率论）
🌞欢迎来到人工智能的世界🌟本文由卿云阁原创！📆首发时间：🌹2024年6月9日🌹✉️希望可以和大家一起完成进阶之路！🙏作者水平很有限，如果发现错误，请留言轰炸哦！🙏本书是自己写的哦，因为编辑太麻烦啦，很多地方就粘贴了图片，如果需要电子版的可以私信哈。随机事件和概率。
2024-10-05 21:22:52
2147
原创 图解人工智能的数学基础（高数）
🙏本书是自己写的哦，因为编辑太麻烦啦，就粘贴了图片，如果需要电子版的可以私信哈。🙏作者水平很有限，如果发现错误，请留言轰炸哦！📆首发时间：🌹2021年3月12日🌹。✉️希望可以和大家一起完成进阶之路！🌞欢迎来到人工智能的世界。🌟本文由卿云阁原创！
2024-05-29 17:25:55
983
原创 图解强化学习 |强化学习概述
本文介绍了强化学习(RL)的基本概念及其与机器学习的区别。RL通过智能体与环境的交互学习最优决策策略，具有时序关联性和延迟奖励的特点，不同于监督学习的静态识别。文章阐述了RL在污水处理等工业场景的应用案例，展示了其通过端到端训练实现自适应优化的优势。随着算力提升，RL在游戏、机器人等领域取得突破性进展，能够超越人类专家水平。文章还分享了RL在水处理过程中的具体研究成果，包括多目标优化框架和自适应控制策略，体现了RL在工业智能化中的实践价值。
2026-03-07 14:07:46
347
原创 图解深度学习 |深度学习的起源与发展
《深度学习发展简史与启示》摘要：本文系统梳理了深度学习从1943年M-P模型到2023年大模型时代的三阶段发展历程，揭示了技术突破背后的关键节点。第一阶段（1943-1969）从神经元模拟到感知机失败；第二阶段（1995-1998）在算力不足背景下诞生了LSTM和CNN；第三阶段（2006至今）随着GPU和数据爆发，深度学习在CV、NLP等领域取得突破性进展。文章提出三大启示：1）颠覆性创新往往源于长期坚持；2）基础设施（如ImageNet数据集）与算法同等重要；3）规模效应（Scaling Law）正在重
2026-03-04 16:44:10
369
原创 图解深度学习 |深度学习的概念与应用
提到做 AI，很多人的第一反应就是在某个特定领域里死磕一个算法，疯狂调参，直到把准确率刷到榜单第一（SOTA）。说实话，这确实是目前绝大多数硕博研究生的日常，这种突破在学术界也绝对具有不可替代的价值。 但在这里我更想表达的是：‘把算法指标刷高’很重要，但‘把 AI 真正用好’同样重要。 在真实的复杂场景中，单打独斗的算法往往不够用，我们真正的任务是如何像搭积木一样，将多种人工智能算法融合起来解决实际痛点。一个在电脑里训练得再完美的模型，如果不能写成带交互界面的 Web 应用（比如挂在
2026-03-04 16:43:05
487
原创 数据分析---时滞互相关分析
本文探讨了污水处理厂中进水水质变化与出水水质反应的时滞问题。研究发现，总氮(TN)指标存在约48小时的滞后反应时间，比设计水力停留时间(HRT)32小时更长，这主要源于生物反应和系统回流造成的"生物滞后"。研究采用时滞互相关分析(TLCC)方法，通过数据平移寻找最佳相关性，并展示了两种可视化方案：带置信区间的互相关图和滑动窗口热力图。这些分析方法可帮助提前48小时预测出水风险，为调整曝气量和碳源投加提供决策依据。文章还提供了Python实现代码，模拟真实数据场景进行验证。
2026-02-18 16:26:34
451
原创 ASM活性污泥法---二沉池的简化建模【微风轻语】
《AutoWaterSimu：自动化水循环模拟系统开发与应用》摘要 AutoWaterSimu是一款基于FastAPI+React架构开发的自动化水循环模拟系统，专注于水处理工艺流程的建模与分析。该系统提供三大核心功能：1）基于ReactFlow的工艺流程可视化建模；2）集成ASM1/ASM3等活性污泥模型的动力学模拟；3）物料平衡与体积平衡计算模块。项目采用工程化开发模式，已完成Docker部署、国际化等基础建设，正在开发沉淀池模型、pH计算等进阶功能。特别针对二沉池建模提出了三种解决方案：Takács
2026-02-01 10:14:10
986
1
原创 论文阅读|EZSpecificity：酶底物特异性预测准确率91.7%，颠覆生物催化与药物研发
[1] Cui, H.; Su, Y.; Dean, T. J.; Yu, T.; Zhang, Z.; Peng, J.; Shukla, D.; Zhao, H., Enzyme specificity prediction using cross attention graph neural networks. Nature 2025. (DOI: 10.1038/s41586-025-09697-2)酶最初只是一串写满氨基酸代号（MKFVK...）的软绳子，就像一堆没组装的乐高零件，没有
2026-01-25 16:37:12
794
2
原创 把二沉池“拍扁”？教你用 3 个 CSTR 搞定污水厂全流程模拟
本文介绍了一种简化的二沉池三层建模方案，将传统复杂的Takács分层模型简化为三个完全混合反应器（CSTR）。该模型通过引入"固体捕获率"参数，将二沉池垂直划分为澄清层、污泥毯层和压缩层，分别处理溶解性和颗粒性物质。溶解性物质随水流自由分布，颗粒性物质则根据捕获率强制分离。模型采用Python实现，通过15倍放大颗粒组分模拟污泥增长，计算结果显示出水TSS为10.59mg/L，底流TSS浓缩至3170mg/L。该简化方案计算速度快10倍以上，适合在线预测控制应用。
2026-01-22 21:44:43
632
原创 python实现BSM1仿真中运行代码的详解（3）
本文介绍了ASM1活性污泥模型的实现与应用。主要内容包括：1）模型核心函数asm1equations的输入输出定义；2）碳源投加模拟函数carbonaddition的工作原理；3）ASM1reactor类的结构设计，包括初始化参数设置和ODE求解过程；4）二沉池建模方法，详细阐述了污泥沉降速度计算、层间通量确定和组分浓度计算等关键步骤。文章通过Python代码示例演示了模型的具体实现，包括微分方程求解、参数传递和状态更新等过程，为污水处理过程的模拟提供了实用工具。
2026-01-18 16:15:24
1052
原创 Matlab数学建模(重点内容复习）
本文介绍了MATLAB在智能优化算法中的基础应用，涵盖矩阵运算、数组索引、向量化编程、微分方程求解和参数拟合等核心内容。重点讲解了矩阵加减乘除、转置求逆等运算，以及数组索引技巧和向量化编程方法。同时详细展示了集中参数模型的微分方程求解，包括解析解和数值解的实现步骤。此外，还介绍了polyfit和lsqcurvefit两种参数拟合方法，并给出实际应用案例。最后，文章演示了微分方程组的求解方法，为读者提供了全面的MATLAB算法实现指导。
2026-01-09 11:41:56
728
2
原创 AI+Water|带你工艺认知到单个池子单个组分的实现
本文介绍了污水处理厂AAO工艺及其ASM1模型的应用。AAO工艺通过厌氧-缺氧-好氧三区串联实现脱氮除磷，核心控制参数包括溶解氧、内外回流比和剩余污泥排放。ASM1模型通过13个状态变量和8个生化反应方程，定量描述了微生物降解污染物的动态过程。文章详细解析了ASM1的化学计量常数和动力学参数，并以氨氮为例演示了反应速率计算和数值模拟方法。通过Python代码实现了单池氨氮浓度变化的动态模拟，展示了工艺参数对处理效果的影响。该模型为污水处理厂优化运行提供了理论依据和计算工具。
2026-01-07 15:33:36
1330
2
原创 大白话PLC（以污水厂的曝气调节为例）
《PLC工程师的"七步走"开发全流程》 本文详细介绍了PLC工程师开发工业控制系统的七个关键步骤： 整理IO表（硬件信号与地址对应） 硬件组态（配置PLC及其扩展模块） 逻辑编程（使用梯形图实现控制逻辑） 制作HMI界面（可视化操作界面） 离线仿真测试（虚拟验证程序） 现场调试（设备联调） 验收培训（交付使用） 文章特别强调AI技术在控制逻辑中的应用方式，并分析了当前工业现场常见的三种溶解氧调控方式，指出实际项目中自动控制失效的常见原因。最后介绍了两个智能曝气的实际应用案例。
2026-01-07 10:36:57
1020
2
原创 活性污泥法（ASM学习路线图和实战）
🌞欢迎来到的世界🌟本文由卿云阁原创！🌠本阶段属于练气阶段，希望各位仙友顺利完成突破📆首发时间：🌹🌹✉️希望可以和大家一起完成进阶之路！🙏作者水平很有限，如果发现错误，请留言轰炸哦！
2026-01-05 10:40:41
700
2
原创 PyTorch深度学习实战 |AI学习路线图
本文提出了AI算法工程师的五重境界划分：从掌握基础工具（武夫）到开创全新领域（神游玄境）。作者详细规划了五个阶段的学习路线：1）数学与Python基础；2）传统机器学习；3）深度学习核心；4）八大工程实战；5）前沿领域探索。每个阶段包含核心知识点（如微积分、PyTorch、Transformer等）和实战项目（如GAN生成、ViT识别等），并强调从理论推导到工程部署的全流程能力培养。最后建议选择CV、NLP或多模态等细分领域深入发展。
2026-01-05 10:39:05
987
4
原创 PyTorch深度学习实战 |一文带你了解AI的入门内容
本文介绍了人工智能领域的核心概念与应用，重点阐述了机器学习和深度学习的基本原理及在地学领域的实践应用。机器学习部分详解了监督学习（分类、回归）和无监督学习（聚类、降维）的区别与典型工作流程，强调其"软测量"的本质特征。深度学习部分剖析了神经网络的特征提取机制，列举了CNN、RNN、GNN等多种网络结构及其在地质图像识别、测井预测等场景的应用案例。文章还探讨了AI的三大应用领域（计算机视觉、自然语言处理、多模态融合）及其地质实践价值，提出了"数据表示-模型协同-多模态融合&quo
2026-01-04 21:46:46
915
2
原创 2025年年度论文阅读整理（污水厂出水预测和优化）（下篇）
本文摘要合集聚焦机器学习在污水处理厂(WWTP)优化中的应用研究。主要内容包括：1）多目标进化算法优化污水处理厂与人工湿地组合系统，实现能耗降低27%或成本减少44%；2）多智能体强化学习(MARL)自主校准活性污泥模型(ASM)，使COD和TN建模误差分别降低87%和58%；3）XGBoost模型优化生态组合塘系统，实现TN浓度降低17.5%且年碳减排788吨；4）特征选择算法揭示TN、COD和流量是影响能耗的关键因素；5）混合TCN-LSTM模型提升出水TN预测精度33.1%；6）Optuna框架自动化
2026-01-02 19:02:47
708
1
原创 2025年年度论文阅读整理（污水厂出水预测和优化）（上篇）
本文综述了污水处理工艺优化中的多种智能方法与应用。研究重点包括：1）基于贝叶斯优化的XGBoost预测模型结合SHAP可解释性分析，实现出水水质与能耗的多目标优化（NSGA-II+TOPSIS），能耗降低1.55%；2）信号分解与动态特征选择的混合深度学习模型，COD/BOD5预测R²达0.88-0.96；3）机理模型特征提取方法将参数校准时间从939秒降至87秒；4）蚁狮优化算法结合深度置信网络，能耗降低3.31%；5）系统动力学模型揭示极端天气使营养负荷增加20%。这些方法通过机器学习、优化算法和动态控
2026-01-02 16:35:37
859
1
原创 论文阅读 | 污水处理厂出水预测1
本文摘要： 本研究提出两种混合建模方法提升污水处理厂出水水质预测精度。第一篇论文结合时间卷积网络(TCN)与长短期记忆网络(LSTM)，构建TCN-LSTM混合模型，实现总氮浓度的实时预测，相比单一模型准确率提升33.1%。第二篇论文将过程模型(GPS-X)与随机森林算法耦合，建立GPS-X-RF混合模型，对出水铵氮浓度进行长期模拟，确定系数达0.95。两研究均通过变量重要性分析优化输入参数，并验证了混合模型在处理进水波动方面的优势。这些方法为污水处理厂的智能运营提供了有效工具。
2026-01-01 09:48:52
585
1
原创 论文阅读 |对污水处理厂废水预测的增强洞察：基于SHAP的全面深度学习模型解释
本文提出了一种基于LSTM和SHAP方法的污水处理厂出水水质预测模型。研究利用中国北方某大型污水处理厂1年的运行数据，构建了能准确预测COD、TP和TN出水的深度学习模型。通过SHAP分析揭示了不同输入特征和时间维度对预测结果的影响机制，发现关键影响因素存在显著差异和时滞效应。实验结果表明，LSTM模型(R²:0.96/0.95/0.76)优于传统方法，SHAP特征选择能提升预测精度。该研究为污水处理过程建模提供了兼具高精度和可解释性的新方法，有助于优化运行控制。
2025-12-29 16:54:52
683
2
原创 论文阅读|基于机器学习的生态组合塘强化城市污水处理厂脱氮优化
本文提出了一种基于机器学习的优化方法，用于提升采用生态组合塘（ECPs）工艺的城镇污水处理厂的总氮去除效率。研究采集了某污水处理厂三年的运行数据，采用XGBoost模型预测出水总氮浓度（测试集R²=0.911，RMSE=1.283）。通过SHAP分析和部分依赖图确定了关键运行参数优化区间：5区溶解氧5.8-8.8mg/L、7区溶解氧0.3-2.8mg/L、外加碳源1.9-2.3m³/d。开发的图形用户界面实现了工艺参数的持续优化，使出水总氮降低17.50%，年碳源投加量减少33.29%，同时实现年碳减排78
2025-12-29 11:15:25
868
原创 论文阅读 |污水处理厂出水氮预测：可解释机器学习模型与机理模型的比较
【摘要】本研究对比了活性污泥模型（ASM）与6种机器学习模型在污水处理厂出水总氮（TN）预测中的性能。结果表明：1）机器学习模型（特别是XGBoost、LightGBM和随机森林）表现更优，最高R²达0.79，平均相对误差仅7.5%，显著优于ASM模型（R²=0.26）；2）SHAP分析揭示回流污泥比、MLSS浓度等关键影响因素，与ASM敏感性分析结果一致；3）研究证实可解释机器学习兼具高精度和透明性，为污水处理智能化提供了新思路。数据来自深圳某AAO工艺污水厂一年的实际运行数据，通过参数校准和特征选择优化
2025-12-28 21:42:21
1159
2
原创 论文阅读 |TCN&水文预测
本文提出了一种双通道时间序列模型，用于水质预测任务。模型结合了Transformer和TCN网络，分别处理常规水质指标和污染物特征数据。创新点包括：1）采用特征融合机制整合宏观环境和微观污染物信息；2）引入物理损失正则化，将化学反应动力学方程融入损失函数，确保预测结果符合化学原理。实验数据包含7项常规水质指标和9种抗生素污染物特征。模型实现了臭氧浓度和多污染物降解率的联合预测，为水处理工艺优化提供了决策支持。
2025-12-28 12:27:21
1350
1
原创 【大白话数据分析】搞懂这三种神仙编码(OE/QE/LOOE) + 随机森林，模型精度直接起飞！[特殊字符]
本文介绍了三种常用的分类特征编码方法及其应用场景：1）OrdinalEncoder（OE）简单排序编号，适用于有等级关系的数据；2）QuantileEncoder（QE）根据目标值分布分段编码，能平滑异常值；3）Leave-One-OutEncoder（LOOE）采用留一法计算均值，避免数据泄漏。文章推荐将编码后的数据输入随机森林模型，因其能有效处理编码带来的数值偏差，并提供了Python代码实现示例。三种编码方法各具特色，OE适合等级数据，QE擅长处理异常值，LOOE则能提高预测精度，读者可根据具体需求选
2025-12-26 08:55:14
1081
原创 PyTorch深度学习实战 |常见层 layer结构的实现和代码实战
本文介绍了PyTorch中常见的7种神经网络层结构及其输入输出逻辑。通过代码示例演示了全连接层(nn.Linear)、卷积层(nn.Conv2d)、LSTM层、GCN图卷积层和Transformer层的使用方法，重点讲解了各层的输入输出维度变换规则。文章以一张海绵宝宝图片为例，详细展示了图像数据的预处理流程，包括使用PIL和OpenCV两种方法读取图片并转换为PyTorch张量的过程。通过"代码+实战"的方式帮助读者理解神经网络层如何对特征进行维度变换，最终实现从原始输入到目标输出的映射
2025-12-25 16:52:20
851
4
原创 PyTorch深度学习实战 |从深度学习入门到项目化的任务（以Alexnet网络花分类任务为例）
本文介绍了PyTorch深度学习实战中的项目化开发方法。作者指出实际项目与玩具数据集的不同之处，强调需要考虑数据标准化、模型保存和实验追踪等工程问题。文章详细讲解了项目化文件结构，包括configs、models、utils等模块的划分，并提供了关键工具函数的实现，如YAML配置加载、模型检查点保存/加载、评估指标计算等。通过一个AlexNet训练示例，展示了如何将模型训练、验证和预测逻辑分离，构建完整的工程闭环。文章强调深度学习实战中80%时间在处理工程问题，只有20%在模型架构上，帮助读者从学习阶段过渡
2025-12-25 12:13:31
1280
原创 论文阅读|利用机器学习深入分析微量元素添加剂在厌氧消化中的关键作用，并指导投加策略的优化
本文提出了一种基于机器学习的厌氧消化系统微量元素添加优化方法。研究构建了包含单种和混合微量元素添加的数据集，采用贝叶斯优化的堆叠集成模型（CatBoost、XGBoost等）实现了高精度预测（R²≈0.95）。通过可解释性分析发现微量元素类型、底物类型和消化时间是影响甲烷产量的关键因素。实验验证表明，优化后的微量元素添加策略可使批次实验甲烷产量提升18.4%，半连续实验系统稳定性显著增强。该研究为厌氧消化系统性能优化提供了新思路。
2025-12-24 20:55:39
937
原创 PyTorch深度学习实战 | 时间序列预测 “小白手册”：让数据自己 “预测未来”
本文介绍了基于PyTorch的LSTM模型在水文时间序列预测中的应用。通过标准化处理2184个时间点的出水量数据，构建120小时历史数据预测未来4小时的"输入-输出"对。模型采用双层LSTM(隐藏层128维)提取时序特征，并通过全连接层映射到预测值。实验比较了不同参数设置，发现24小时时间步长和128维特征表现最佳(R²=0.6846)。进一步测试了GRU、BiLSTM等变体，其中物理神经网络(PINN)通过引入氯衰减物理约束，将R²提升至0.72936。文章详细阐述了数据预处理、模型架
2025-12-23 19:52:23
879
原创 数据不打烊：小白也能看懂的分析干货
《数据分析入门指南》摘要 本文是数据分析系列教程的开篇，作者卿云阁将于2025年12月23日开始连载数据分析相关内容。首期将重点讲解数据分析中的统计学基础知识，为后续进阶内容奠定基础。作者以谦虚的态度表示水平有限，欢迎读者指正错误，希望通过互动交流与读者共同成长。教程将涵盖数据分析的多个方面，后续将有更多实用内容陆续发布。
2025-12-23 13:57:22
301
原创 PyTorch深度学习实战 |物理神经网络
本文介绍了基于PyTorch实现的物理信息神经网络(PINN)方法，用于求解一阶线性衰减系统的常微分方程问题。文章详细讲解了PINN的网络结构设计（包含3层全连接网络和tanh激活函数）、数据生成方法（含噪声的模拟观测数据）以及双约束损失函数（数据损失+物理损失）的构建过程。通过5000轮训练，模型成功拟合了系统状态u(t)=10e^(-2t)的解，并展示了训练损失曲线和预测结果对比图。实验结果表明，PINN能够有效结合观测数据和物理定律，在少量带噪声数据条件下仍能准确预测系统行为。完整代码提供了从模型定义
2025-12-21 16:16:56
789
原创 数据分析---相关分析
本文介绍了相关性分析的常用方法及其应用场景。Pearson相关系数用于衡量两数值变量的线性相关性，取值范围为[-1,1]，需满足正态分布假设，且对异常值敏感。非参数相关分析（如Kendall秩相关）适用于非正态数据。偏相关分析通过控制第三方变量，揭示变量间的直接关系。文章还举例说明了普通相关分析可能产生虚假相关，而偏相关能消除干扰。最后介绍了基于距离的相似性度量方法，如欧式距离等。数据分析需结合散点图观察数据分布，并注意相关系数的统计显著性。
2025-12-21 11:00:29
1177
宝塔面板使用python项目管理器部署flask项目
2022-04-23
宝塔面板使用python项目管理器部署flask项目
2022-04-23
宝塔面板将SpringBoot项目部署到阿里云服务器
2022-02-13
怎么改？感觉没有错误。
2021-12-04
TA创建的收藏夹 TA关注的收藏夹
TA关注的人