问题背景：公司使用码云企业版作为代码托管平台，采用master/dev分支分类进行代码管理，matser分支为保护分支，只能审核后在网页端提交合并（请求评审）。 此时dev代码合并到master后发现有问题需要回退上次一合并，此时只能在请求评审处点击回退按钮，回退后master并没有改动，而是新产生了一个revert_xxxx的新分支。现有问题：1.新产生的revert_xxxxx分支是什么分支，
本文命令总结查看日志：git log回退到上一个版本：git reset --hard head^ 回退到上上版本：git reset --hard head^^回退前10个版本：git reset --hard head~10查看最近的命令操作： git reflog回退到某个提交：git reset --hard commit回退工作区某个修改文件：git checkout -- f
代码详解P.S:记录下第一个搞明白的模型哦！import statsmodels.api as sm # 基本api
import statsmodels.formula.api as smf # 公式api
import statsmodels.graphics.api as smg # 图形界面api
import patsy # 主要类似 R 语言的公式转成 statsmodels
转载
2024-03-21 19:26:46
44阅读
import numpy as np
import pandas as pd
import mathdf=pd.read_excel("data.xlsx",dtype=str)df.describe()
随机值公司Id时间内注册公司数量（月）注册地址重合关联公司涉案法人有涉案记录（总次数）社保人数纳税金额法人过境记录预测结果属性count47234723472347234723472347
转载
2024-05-17 15:05:17
93阅读
线性回归的代码。具体要求如下：
（1）回归函数为：x^2-0.5 + noisy
（2）神经网络的层数、节点数目、激活函数自定义。（记录心得）
（3）使用tensorboard把计算图显示出来。
（4）使用matplotlib.pyplot把拟合情况画出来。
一、初始数据如下：
线性回归函数：x^2-0.5 + noisy
step_num = 400
lr = 0.01
batch_s
转载
2024-04-20 10:49:49
56阅读
线性回归sklearn 接口和代码官网api：https://scikit-learn.org/stable/modules/linear_model.html#ordinary-least-squaresLinearRegressionclass sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=False,
线性回归从零开始问题解读这里要先详细解读一下我们前文提到的问题，如何实现我们的梯度下降的迭代？我们自然是使用最最常用的BP神经网络了。它是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络模型之一 。看起来很复杂是吧，那我们简而言之就是：前向传播，计算预测值，反向传播更新权重，不断迭代知道达到要求。这里具体过程我就不推导了，其实很简单，大家甚至可以手算一下，可以看这个UP主的视
转载
2024-08-21 09:49:27
71阅读
逻辑回归（Logistic regression）三种梯度下降策略：批量梯度下降：容易得到最优解，但是由于每次考虑所有样本，速度很慢随机梯度下降：每次找一个样本，迭代速度快，但不一定每次都朝着收敛的方向小批量梯度下降：每次更新选择一小部分数据来算，实用对于 逻辑回归 不了解的，可以看看我写的这篇文章，或许可以帮助到你。URL: 逻辑回归算法-推导学习详细案例：根据学生的两门课成绩，决定学生是否被录
转载
2023-10-22 07:33:54
162阅读
文章目录前言一、逻辑回归能够解决什么？二、公式三、激活函数四、如何求得w六、逻辑回归代码实现五、sklearn demo总结 前言虽然名字带有回归，但实际上是一个常用的二分类算法，并且在预测的时候能够提供预测类别的概率。一、逻辑回归能够解决什么？逻辑回归可以很好的解决连续的线性函数无法很好的分类的问题，如图所示，左侧为线性回归，右侧为逻辑回归。二、公式p的含义为输入x为类别1的概率，其中因为是二
转载
2024-05-07 19:21:20
150阅读
本节主要讲Spark ML中关于回归算法的实现。示例的算法Demo包含：线性回归、广义线性回归、决策树回归、随机森林回归、梯度提升树回归等。 文章目录1. 线性回归(Linear regression)2. 广义线性回归(Generalized linear regression)3. 决策树回归(Decision tree regression)4. 随机森林回归(Random forest r
转载
2024-03-28 17:07:46
131阅读
逻辑回归 Logistic Regression一. 小测试二 . 决策边界三 . 逻辑回归中的多项式特征 一. 小测试上次博客的结尾，我们根据前面的分析给出了逻辑回归算法中最主要得到代码，那么下面我们用上期博客留下来的代码测试一下这个算法的可行性，还是以鸢尾花数据集为例：既然是测试嘛，数据就不要那么庞大了，简单一点就好!import numpy as np
import matplotlib
转载
2024-04-19 16:01:44
34阅读
（作者：陈玓玏）逻辑回归算是传统机器学习中最简单的模型了，它的基础是线性回归，为了弄明白逻辑回归，我们先来看线性回归。一、线性回归假设共N个样本，每个样本有M个特征，这样就产生了一个N*M大小的样本矩阵。令矩阵为X，第i个样本为Xi，第i个样本的第j个特征为Xij。令样本的观测向量为Y，第i个样本的观测值为Yi，那么就会有以下公式： （X+[1]N*1）*W = Y 也就是说，对于一批已经存在
转载
2024-05-01 20:16:30
56阅读
copy : https://.cnblogs./liyropt/archive/2012/12/31/2841053.html 命令行 查看git上的个人代码量： 结果示例：(记得修改 username) 统计每个人增删行数 结果示例 查看仓库提交者排名前 5 贡献值统计 提交数统计
转载
2017-12-21 16:43:00
571阅读
2评论
cmp是比较指令,cmp的功能相当于减法指令。它不保存结果，只是影响相应的标志位。其他的指令通过识别这些被影响的标志位来得知比较结果。 cmp指令格式: cmp 操作对象1, 操作对象2 计算 操作对象1 - 操作对象2 但不保存结果，只是根据结果修改相应
转载
2024-07-04 08:16:31
34阅读
仅记录学习过程。一句话介绍：KNN是一种可用于分类和回归的方法。一般情况下用其进行分类任务。KNN三要素：1）模型，即对特征空间的划分； 2）距离度量，欧氏距离等； 3）分裂决策规则，即多数投票方法特点：KNN不具有显式的学习过程，实际上是利用训练集对特征空间进行划分，然后对新样本进行相邻K个最近样本的统计，并以多数类作为该样本的预测。理论部分就不做阐述了，直接上代码先来一段用线性模块来做回归模型
转载
2024-03-15 05:30:18
42阅读
程序员必须知道的几个Git代码托管平台 说到Git代码托管平台，首先推荐的是GitHub，好多好的开源项目都来自GitHub，但是GitHub只能新建公开的Git仓库，私有 仓库要收费，如果你做的是一个开源项目，可以首选GitHub。下面推荐几个比较好的Git代码托管平台，这里我不做过多的说明和评价，也好让大家多看 看，比较一下，找到自己的"真爱"。1
安装Git 下载地址：https://git-for-windows.github.io/
下载好git后 ----------创建代码仓库----新建一个邮箱和名字创建代码仓库--代码仓库是用于保存版本管理所需要信息的地方，所有本地提交的代码都会被提交到代码仓库中，如果有需要还可以再推送到远程仓库中。
现在尝试给BroadcastBestPractice项目建立一个代码仓库,开始打开Git
转载
2024-02-14 15:30:38
134阅读
『编者按』近年来，人工智能(AI)正在不断释放科技革命和产业变革积蓄的巨大能量，深刻改变着人类生产生活方式和思维方式，推动社会生产力整体跃升。什么是AI？它将为我们带来哪些价值？我们陆续为大家分享AI科普系列文章。后续更新敬请关注！
作者：高扬 卫峥 万娟本文导读：机器是怎样学习的？都学到了什么？人类又是怎样教会机器学习的？本文将通过案例为大家讲解各类算法的原理和应用。机器学习，一言
转载
2024-05-04 14:07:35
50阅读
Bagging 可以看成是一种圆桌会议, 或是投票选举的形式. 通过训练多个模型, 将这些训练好的模型进行加权组合来获得最终的输出结果(分类/回归)。即Bagging predictor 是一种生成多个预测器版本然后生成聚合预测器的方法。一般这类方法的效果, 都会好于单个模型的效果. 在实践中, 在特征一定的情况下, 大家总是使用Bagging的思想去提升效果。 训练时, 使用replac
转载
2024-05-16 06:10:07
103阅读
机器学习实战：Logistic回归 目录机器学习实战：Logistic回归本章内容Logistic回归的一般过程1 基于Logistic回归和Sigmoid函数的分类2 基于最优化方法的最佳回归系数确定2.1 梯度上升法2.2 训练算法: 使用梯度上升找到最佳参数2.3 分析数据: 画出决策边界2.4 训练算法: 随机梯度上升3 示例: 从疝气病症预测病马的死亡率3.1 准备数据:处埋数据中的缺失
转载
2023-11-15 11:08:30
30阅读
