4.1 栅格数据 在物种分布建模中，预测变量通常被组织为栅格（raster）（grid）形式的文件。每个预测变量应该是一个代表感兴趣变量的‘栅格’，变量可以包含气候、土壤、地形、植被、土地使用情况等等。这些数据通常被存储在某种GIS格式的文件中。几乎用到了所有的相关格式（包括ESRI grid，geoTiff，netCDF，IDRISI）。尽量避免使用ASCII文件，因为他们的处理速度相当慢。对
本文先从几何意义上对奇异值分解SVD进行简单介绍，然后分析了特征值分解与奇异值分解的区别与联系，最后用python实现将SVD应用于推荐系统。1.SVD详解SVD(singular value decomposition)，翻译成中文就是奇异值分解。SVD的用处有很多，比如：LSA（隐性语义分析）、推荐系统、特征压缩（或称数据降维）。SVD可以理解为：将一个比较复杂的矩阵用更小更简单的3个子矩阵的
网格搜索?网格可以发现超参值的最优组合，从而达到进一步改进模型性能的目的。网格搜索方法的实现原理是：采用暴力穷尽搜索方式，不同的超参会被设置成列表中不同的值，每次评估参数合并后的模型性能，以获得集合中参数值的最优组合。为什么叫网格搜索？?以有两个参数的模型为例，参数a有3种可能，参数b有4种可能，把所有可能性列出来，可以表示成一个3*4的表格，其中每个cell就是一个网格，循环过程就像是在每个网格
文章目录模型评估评价指标(Evaluation metrics)1 分类评价指标1.1 准确率1.2 平均准确率1.3 对数损失（Log-loss）1.4 基于混淆矩阵的评估度量1.4.1 混淆矩阵1.4.2 精确率(Precision)1.4.3 召回率(Recall)1.4.4 F1-score1.5 AUC(Area under the Curve(Receiver Operating C
1.过拟合与欠拟合欠拟合与过拟合： 训练数据预测数据欠拟合不准确不准确过拟合准确不准确好模型准确准确 欠拟合可以通过观察训练数据及时发现，通过优化模型结果解决。如何解决过拟合问题：原因：模型结构过于复杂（维度过高）；使用了过多属性，模型训练时包含了干扰项信息。解决办法：简化数据模型（使用低阶模型，如线性模型）；数据PCA处理；模型训练时，增加正则化项2.数据分离与混淆矩阵建立
回归类模型评估指标选择、局限、优势一、 是否预测到了正确的数值1.RSS残差平方和2.均方误差MSE(mean squared error)3.均方根误差RMSE(root mean squared error)4.均方对数误差MSLE(Mean squared logarithmic error)5.绝对均值误差MAE(mean absolute error)6.平均绝对百分比误差MAPE(M
机器学习评价指标1、几个概念精确率：Precision——”正确被检索的item(TP)”占所有”实际被检索到的(TP+FP)”的比例召回率：Recall——“正确被检索的item(TP)”占所有”应该检索到的item(TP+FN)”的比例F-measure= 正确率 * 召回率 * 2 / (正确率 + 召回率) （F 值即为正确率和召回率的调和平均值）准确率：Accuracy—–正确分类的样本
转载
2023-08-25 23:47:12
71阅读
云模型属于不确定性人工智能范畴，主要用于定性与定量之间的相互转换，自然界中的不确定性从属性角度来说主要有随机性和模糊性。“云”或者“云滴”是云模型的基本单元，“云”是指其在论域上的一个分部，可以用联合概率的形式（x,µ）来类比。基本的定义如下：设X是一个普通集合，X={x} , 称为论域。关于论域X中的模糊集合A，是指对于任意元素x都存在一个有稳定倾向的随机数Ua(x)，叫做x对A 的隶属度。如果
Tcmalloc早有耳闻，没有进行过细节的了解，直到最近有同事在几个模块中使用，才领略到它的强大！场景：模块多线程并发处理输入数据，大量使用各种STL容器，运行内存30G。程序重启，导入历史后，处理速度变慢，数个小时候后才能回到正常处理速度，处理速度慢期间，cpu idle高分析：重启后，缓存的内存被收回，大量内存需要重新分配，cpu频繁锁在malloc上解决：1. 使
转载
2021-07-31 12:08:19
205阅读
模糊综合评价一、经典集合和模糊集合的概念经典集合 模糊集合1.模糊集合和隶属函数2、模糊集合的三种表示形式 3.当模糊集合为无限集合时，可用积分表示 模糊集合的分类，模糊集合类别不同，隶属函数样式也不同 二、隶属函数的三种确定方法模糊统计法（几乎不用）借助已有的客观尺度（偶尔用）tips：需要有合适的指标，并能收集到数据指派法（常常）tips：根
使用ststsmodels库建立回归模型时，通常会输出模型的很多检验结果，这些结果是用来对模型的好坏进行检验和评价的 statsmodels是一个Python模块，它为许多不同的统计模型的估计，以及进行统计测试和统计数据探索提供类和函数。在线文档位于statsmodels v0.11.1网站1.模型的显著性检验判断建立的模型是否成立，主要是F-检验，在ststsmodels输出结果中，有F-sta
Tcmalloc早有耳闻，没有进行过细节的了解，直到最近有同事在几个模块中使用，才领略到它的强大！场景：模块多线程并发处理输入数据，大量使用各种STL容器，运行内存30G。程序重启，导入历史后，处理速度变慢，数个...
转载
2014-09-26 10:46:00
42阅读
2评论
万千思绪在心头, 却苦于腹中墨水不足, 不能表达我这汹涌澎湃的心理啊!我每年都会给自己写一封,一年之约的邮件, 到期看看自己的大计划,实现了哪些.先说没实现的:没有变漂亮,变丑了,丑,丑…穿衣还是不够自己的风格英语这个,考研百词斩点完了,感觉也没记住多少,现在习惯就是早上起来,开始放听力, 到公司停止.不太强求, 但是要在这个氛围里面.想学的算法,没能坚持每天一个
原创
2022-01-12 15:02:34
65阅读
# Surprise库：推荐系统的Python工具包
推荐系统是一种用于预测用户对物品喜好程度的算法。它在当今的电子商务和社交媒体应用中得到了广泛的应用。要实现一个推荐系统，我们需要根据用户的历史行为（如浏览记录、收藏、购买等）来预测他们对其他物品的兴趣。Python中有许多用于构建推荐系统的工具包，其中之一就是Surprise。
Surprise库是一个基于Python的开源推荐系统工具包。
原创
2023-08-02 13:29:38
223阅读
# Python Surprise：推荐系统开发利器
## 引言
在当今信息爆炸的时代，推荐系统已经成为各大互联网平台的重要组成部分。推荐系统可以有效地帮助用户发现他们感兴趣的内容，提升用户体验和平台的活跃度。而Python作为一种简洁、易读易写的编程语言，为推荐系统的开发提供了便利。
在推荐系统领域，有一款名为Surprise的Python库备受推崇。Surprise是一个用于构建和分析推
Tcmalloc早有耳闻，没有进行过细节的了解，直到最近有同事在几个模块中使用，才领略到它的强大！ 场景：模块多线程并发处理输入数据，大量使用各种STL容器，运行内存30G。程序重启，导入历史后，处理速度变慢，数个小时候后才能回到正常处理速度，处理速度慢期间，cpu idle高
分析：重启后，缓存的内存被收回，大量内存需要重新分配，cpu频繁锁在malloc上
解决：1. 使用STL内存分配器:
转载
2021-07-31 12:08:06
150阅读
上图矩阵中1是正例，0是只负例对于二分类问题，可以将真实类别和分类器预测类别组合为：真正例(truepositiveTP)：真实类别为正例，预测类别为正例；假正例（falsepositiveFP）:真实类别为负例，预测类别为正例；假负例（falsenegativeFN）:真实类别为正例，预测类别为负例；真负例（truenegativeTN）：真实类别为负例，预测类别为负例；分类模型评价指标有：1.
原创
2021-03-02 10:33:45
3760阅读
回归模型评价指标越接近1，表明方程的变量对y的解释能力越强，这个模型对
原创
2022-07-18 14:53:23
417阅读
先写在前面的话这篇笔记写下来，感觉似乎在我所学范围内对着两种模型简单模式的使用好像并不广泛，也不见什么复杂的例子。复杂的模式也没有去讲……看看之后还有没有相关的内容吧，之后再补。评价模型加权平均适用于每一项权重和评分都容易获得 对应的权重乘以对应的数值再求和。层次分析适用于没有给出权重和分析，需要自己定义的情况构造判断矩阵准则颜值C1 稀有度C2 知识C3 趣味性C4两两比价：Ci相对于Cj的重要
