传说中天机阁里有一台掌控世间一切的机器，万物运行由此产生。本文的“天机阁”是一个基于链路跟踪的监控系统，后台开发人员能够通过“天机阁”洞察“天机”，快速解决问题。摘要为了支撑日益增长的庞大业务量，业界大量使用微服务架构。服务按照不同的维度进行拆分，互联网应用构建在不同的软件模块集上，这些软件模块可能是由不同的团队开发、可能使用不同的编程语言来实现、可能布在了几千台服务器，横跨多个不同的数据中心，
矩阵在安防系统里的主要功能是任意路入到任意路数出的切换，简单来说是一个大型的多路开关阵列，源自于电话线路交换的技术。在安防系统主要是起到多路音/视频入，少路音视频出，通俗的说法就是把所有的音/视频输入通道，根据一定的规律，手工或自动交换到输出通道。它所有的功能都是为重点监控这个核心来设计的。 矩阵的分类 根据电信语音交换的分法，分线路交换与包交换，通过线路交换的产品称为模拟矩阵，即通过交换开关阵列
转载
2024-03-28 07:03:47
50阅读
接着上一回的工作，用kmeans聚类之后，感觉肘部法则有些问题，今天又看了一遍代码，发现fit（）函数的参数输错了，应该输入归一化之后的X_norm今天查阅了各种同学的分享，太多了，就不给出链接了，对聚类算法的评估，我筛选了下面三种方法第一种 SSE 样本距离最近的聚类中心的距离总和 （簇内误差平方和） 只对单个族中的数据分析，族与族之间的关系没有涉及 所以可能有一定的问题 在sklearn中直接
转载
2024-09-21 08:56:58
21阅读
%s 字符串string="hello"
#%s打印时结果是hello
print "string=%s" % string # output: string=hello
#%2s意思是字符串长度为2，当原字符串的长度超过2时，按原长度打印，所以%2s的打印结果还是hello
print "string=%2s" % string
我认为投资专业的学生只需要两门教授得当的课堂：如何评估一家公司，以及如何考虑市场价格。——巴菲特01 引言本文延续“手把手教你使用Python的TA-Lib”系列，以资金流量指标(MFI)为例，使用Python编写简单的回测框架，着重介绍动量指标(Momentum Indicators)及其运用。前面推文【手把手教你】股市技术分析利器之TA-Lib(一)主要探讨了重叠指标的相关原理与Python实
尺度不变性和旋转不变性是指，在图像不论是经过缩放还是旋转它的关键点是保持不变的 链接: link. slam orb 算法：主要优点是检测时间短，适用于实时。 orb特征步骤： oFast提取步骤： 色相 饱和度 亮度 1.FAST算法实现的具体步骤如下： （1）在图像中任选一点p， 假定其像素（亮度）值为 Ip。 （2）以p点为中心，以3为半径画圆，圆上有16个像素，如图所示。 （3）定义一个阈
转载
2024-02-28 10:00:39
35阅读
# 机器学习模型效果ks详解
## 1. 整体流程
下面是实现“机器学习模型效果ks详解”的整体流程表格：
| 步骤 | 描述 |
| --- | --- |
| 1 | 数据预处理 |
| 2 | 模型训练 |
| 3 | 模型评估 |
| 4 | 计算ks值 |
| 5 | 可视化展示 |
## 2. 数据预处理
在机器学习任务中，数据预处理是非常重要的一步。它包括数据清洗、特征选择
原创
2023-08-12 09:52:45
165阅读
import pandas as pd
import numpy as np
from sklearn.metrics import roc_curve
from scipy.stats import ks_2samp
def ks_calc_cross(data,pred,y_label):
'''
功能: 计算KS值，输出对应分割点和累计分布函数曲线图
转载
2023-07-11 13:27:56
207阅读
1，简介 k均值聚类算法（k-means clustering algorithm）是一种迭代求解的聚类分析算法，其步骤是，预将数据分为K组，则随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某
# 如何实现机器学习模型评价KS代码实现
## 1. 流程概述
在机器学习模型评价中，KS统计量常被用来评估模型的性能。KS（Kolmogorov-Smirnov）是一种用来比较两个累积分布函数（CDF）的统计量，通常用于检验模型的预测能力。下面是实现机器学习模型评价KS的流程：
```mermaid
erDiagram
Model --> Evaluation: 评价模型
原创
2024-06-29 05:47:33
94阅读
并发上传基于py自带模块concurrent.futures import ThreadPoolExecutor#!/usr/bin/env python3
# -*- coding:utf-8 -*-
# @Time: 2020/11/22 10:13
# @Author:zhangmingda
# @File: ks3_multi_thread_for_concurrent.future
转载
2023-12-28 11:31:51
42阅读
Kolmogorov-Smirnov是比较一个频率分布f(x)与理论分布g(x)或者两个观测值分布的检验方法。其原假设H0:两个数据分布一致或者数据符合理论分布。D=max| f(x)- g(x)|，当实际观测值D>D(n,α)则拒绝H0，否则则接受H0假设。
KS检验与t-检验之类的其他方法不同是KS检验不需要知道数据的分布情况，可以算是一种非参数检验方法。当然这样方便的代价就是当检验的数
转载
2023-09-14 14:51:25
193阅读
1. 混淆矩阵 确定截断点后，评价学习器性能 假设训练之初以及预测后，一个样本是正例还是反例是已经确定的，这个时候，样本应该有两个类别值，一个是真实的0/1，一个是预测的0/1 TP（实际为正预测为正），FP（实际为负但预测为正），TN（实际为负预测为负），FN（实际为正但预测为负） 通过混淆矩阵我
转载
2019-06-28 22:59:00
757阅读
Centos8 docker搭建单节点elk测试环境Centos8 docker搭建单节点elk测试环境1.安装Docker-ce2.安装Docker-compose3.Clone 代码 、了解目录结构了解目录结构修改官方订阅修改KIbana显示语言-默认EN5.首次构建Docker-elk并启动观察日志6.重置内建用户密码返回结果，将密码妥善保管，特别是==PASSWORD elastic==
转载
2024-05-28 12:28:39
60阅读
目录混淆矩阵KS曲线与ROC曲线KS曲线ROC曲线KS曲线与ROC曲线之间的关系洛伦兹曲线与Gini系数Lift曲线Gain曲线PSIPython代码参考混淆矩阵KS曲线与ROC曲线KS曲线KS检验：比较频率分布\(f(x)\)与理论分布\(g(x)\)或两个观测值分布的是否一致检验方法，原假设两个数据分布一致或数据符合理论分布，统计量\(D=max|f(x)-g(x)|\)KS值计算步骤：对变量
转载
2023-10-20 23:30:23
366阅读
一、xgboost模型函数形式 xgboost也是GBDT的一种，只不过GBDT在函数空间进行搜索最优F的时候，采用的是梯度下降法也就是一阶泰勒展开；而xgboost采用的是二阶泰勒展开也就是牛顿法，去每次逼近最优的F，泰勒展开越多与原函数形状越接近，比如在x0处进行展开，其展开越多，x0附近与原函数值越接近，且这个附近的区域越大。另外一个xgboost加入了正则化项，有效防止过拟合。 xgbo
转载
2024-03-27 11:59:36
302阅读
1 Nagios简介Nagios是一款开源的IT监控软件套件，被开发在Linux下使用，能有效监控Windows、Linux和Unix的主机状态，交换机路由器等网络设置，打印机等。在系统或服务状态异常时发出邮件或短信报警第一时间通知网站运维人员，在状态恢复后发出正常的邮件或短信通知。Nagios产品主要有Nagios XI、Nagios Log Server、Nagios Network Anal
1、export KKZONE=cn2、curl -sfL https://get-kk.kubesphere.io | VERSION=v1.1.1 sh -3、chmod +x kk4、./kk create cluster --with-kubernetes v1.20.4 --with-ku ...
转载
2021-10-18 16:09:00
658阅读
2评论
目录前言1、K-近邻算法概述2、K-近邻算法的一般流程3、具体模块实现4、附完整代码前言代码运行环境是pycharm，编译器是anaconda3，任何IDE或者编辑器都能运行此 demo，只要配置好环境即可数据集链接：https://www.manning.com/books/machine-learning-in-action sourcecode文件中cho2章节datingTes
转载
2024-08-09 11:54:56
28阅读
转载
2024-04-24 14:59:56
131阅读
