类的一般形式：
创建类使用class关键字，class后面跟类名字，可以自定义，最后以冒号结尾。可以使用三引号来备注类的说明
class ren(object): \\所有创建的类都是继承于object的
name = "meizi"
age = "18"
def hello(self): \\self：默认格式，代表函数本身
print ("h
转载
2023-11-27 15:13:30
53阅读
GitHub 上有个非常牛逼的仓库，作者收集了很多有趣且鲜为人知的 Python “特性”。这些特性有些是真正的特性，也有些是陷阱，因为光从表面看起来就觉得反人类直觉，而所有的一切，其实都是 Cpython 内部实现中利弊之间的的权衡，有优点就有缺点。举个和字符串相关的特别例子：>>> a = "wtf"
>>> b = "wtf"
>>> a
python注释 用处：注释用来书写一些解释性信息，对代码的逻辑作用等作出描述 单行注释、多行注释 1 # 这是单行注释，注释内容与# 之间要空一格
2
3 print("hello world!") # 这是代码后的注释，与代码之间要空两格
4
5
6 '''
7 这是多行注释，用三个单引号引起来
8 '''
9
10 """
11 这是多行注释，用三个双引号引起
转载
2024-08-02 20:49:47
46阅读
Python sklearn学习之特征选择
文章目录
Python sklearn学习之特征选择
1. 移除低方差特征2. 单变量特征选择2.1 单变量特征选择工具类2.2 score_func参数说明2.2.1 用于回归：2.2.2用于分类：3. 递归式特征消除4. SelectFromModel4.1 基于 L1 的特征选取4.2 基于 Tree
转载
2023-10-08 06:41:02
248阅读
# Python树模型特征重要性排序
## 引言
在机器学习中，了解特征的重要性对于模型的优化和理解至关重要。树模型（如决策树、随机森林等）天然支持特征重要性排序。本文将指导你使用Python实现这一功能，将整个流程分解为几个步骤，并提供代码示例和解释。
## 流程概述
以下是实现“Python树模型特征重要性排序”的步骤概览：
| 步骤 | 描述 |
|------|------|
|
原创
2024-10-08 05:34:49
51阅读
前文传送门：在之前的两篇文章中，我们讲解了统计语言模型来计算句子的概率大小，并且讲到了平滑方法。当我们学会计算句子的概率大小后，我们通常会思考，如何衡量和比较不同的统计语言模型好坏呢？比较不同语言模型的好坏，我们最快想到的就是将不同模型用在同一个具体任务中，例如机器翻译，然后分别得到模型的准确率。当然，这是很好的评价方式，但是这种评价方式的缺点是不够客观，因为你使用的是某个研究方向的任务去衡量结果
转载
2024-04-16 14:25:34
52阅读
2.1 “Adaptation”一词是用来指代将语言模型转化为任务模型的过程。这个过程需要一下两个的输入：任务的自然语言描述。一组训练实例（输入-输出对） 主要是有两种方式来进行适应：训练：标准的有监督的学习。提示（上下文学习）这个也可以进一步细分为零样本学习（ps；感觉这种就像对模型的一个检测，用来大致确认哪个部分需要优化），单样本学习，少样本学习。2.1.1困惑度：语言
转载
2024-08-25 21:03:26
24阅读
神经网络的一种求解W的算法，分为信号“正向传播(FP)”求损失，“反向传播(BP)”回传误差；根据误差值修改每层的权重，继续迭代。BP算法也叫做δ算法。以三层的感知器为例（假定现在隐层和输出层均存在相同类型的激活函数）隐层 y = f(x * v)输出层 o = f(f(y) * w)输入层误差:隐层误差: 输入层误差:误差E有了，那么为了使误差越来越小，可以采用
# Python特征重要度的实现方法
## 简介
在机器学习和数据分析中，为了了解不同特征对于模型预测的重要性，我们常常需要进行特征重要度的计算。Python提供了多种方法来计算特征重要度，其中包括随机森林、梯度提升树和逻辑回归等算法。本文将介绍如何使用随机森林算法来计算特征重要度。
## 流程图
```mermaid
flowchart TD
A[准备数据集] --> B[训练随机森
原创
2023-11-15 14:00:22
80阅读
一、基本概念GBDT（又称Gradient Boosted Decision Tree/Grdient Boosted Regression Tree），是一种迭代的决策树算法，该算法由多个决策树组成。它最早见于yahoo，后被广泛应用在搜索排序、点击率预估上。xgboost是陈天奇大牛新开发的Boosting库。它是一个大规模、分布式的通用Gradient Boosting（GBDT）库，它在G
转载
2024-06-17 22:48:00
95阅读
GBDT算法梳理学习内容：1.前向分布算法2.负梯度拟合3.损失函数4.回归5.二分类，多分类6.正则化7.优缺点8.sklearn参数9.应用场景 1.前向分布算法在学习模型时，每一步只学习一个基函数及其系数，逐步逼近优化函数式，从而简化优化的复杂度。2.负梯度拟合 针对这个问题，大牛Freidman提出了用损失函数的负梯度来拟合本轮损失的近似值，进而拟合一个CART回归树。第t轮的
转载
2024-05-10 17:14:49
56阅读
聊聊feature_importances_ 1 背景2 原理2.1 文字版2.2 公式版2.3 面试遇到的问题 3 Python实现3.1 解决mac下用jupyter绘图不显示中文的问题3.2 一个神奇的函数：np.argsort 4 参考 1 背景 在运用树模型建模的时候，常用的一个sklearn的子库就是看特征重要性，也就是f
转载
2024-01-04 06:06:30
142阅读
其实说到底也就通过条件熵最大和约束条件，得到原始问题maxmin，再通过对偶条件转化为minmax（更好求），然后分别求导，得到结果。为什么是使得条件熵最大，H§其实就是在p(y|x)，在x的约束条件下取得H§的最大。又因为Ep的假设，经验分布和要求的分布是相等的，那么就可以进一步拆成下式–也就是条件熵。 归结起来就是两个点： 1、条件熵极大化 2、模型的分布P(X,Y) = P(Y|X)*P(X
转载
2024-07-18 07:16:47
65阅读
方法特征重要性是指特征对目标变量的影响程度，即特征在模型中的重要性程度。判断特征重要性的方法有很多，下面列举几种常用的方法：1. 基于树模型的特征重要性：例如随机森林（Random Forest）、梯度提升树（Gradient Boosting Tree）等模型可以通过计算每个特征在树模型中被使用的次数或者被用来进行分裂的重要性，来衡量特征的重要性。2. 基于线性模型的特征重要性：例如线性回归（L
转载
2023-11-11 19:55:34
713阅读
# Python 特征重要度排名
作为一名经验丰富的开发者，我将教会你如何实现 Python 特征重要度排名。这个过程可以帮助你了解在机器学习模型中，哪些特征对结果的预测起到了重要作用。
## 整体流程
在开始具体的实现之前，让我们先来了解一下整个流程。下面是实现 Python 特征重要度排名的步骤：
| 步骤 | 描述 |
| --- | --- |
| 1 | 导入必要的库 |
| 2
原创
2024-01-10 11:46:42
111阅读
特征重要性评分是一种为输入特征评分的手段，其依据是输入特征在预测目标变量过程中的有用程度。特征重要性有许多类型和来源，尽管有许多比较常见，比如说统计相关性得分，线性模型的部分系数，基于决策树的特征重要性和经过随机排序得到重要性得分。特征重要性在预测建模项目中起着重要作用，包括提供对数据、模型的见解，以及如何降维和选择特征，从而提高预测模型的的效率和有效性。在本教程中，我将会阐述用于python机器
宅在家里不能回去工作，还是学习一下GEE吧！借用网友绘制的图片，加油，一切都会好起来的！ 之前在GEE中做随机森林分类时候，很多人都在问如何做特征重要性分析？但是在GEE之前并没有相关API可以做特征重要性分析，最新的API更新后GEE也可以做特征重要性分析了。 1、目前常用的包含特征重要信息分析的分类方法包括：
作者：George Seif
开篇先说，IEEE Spectrum 于9月6日发布了2019年最受欢迎的编程语言排名， 无疑Python蝉联第一，
转载
2024-07-31 18:01:20
18阅读
机器学习 特征工程 Python sklearn本博客代码：Github_GDUT-Rp1 特征工程数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。特征处理是特征工程的核心部分，sklearn提供了较为完整的特征处理方法，包括数据预处理，特征选择，降维等。首次接触到sklearn，通常会被其丰富且方便的算法模型库吸引，但是这里的介绍的特征处理库也十分强大！2 数据预处理通过特征提
转载
2024-05-15 09:37:47
36阅读
1. 特征工程概念1.1 特征工程概述特征工程是机器学习中至关重要的步骤，它涉及到特征的选择、获取、处理和监控。下面是对每个方面的详细解释：（1）特征使用： - 数据选择：在特征工程中，需要选择与问题相关的数据集。这意味着根据问题的定义和目标，选择包含相关特征的数据集。 - 可用性：在使用特征时，需要确保特征的可用性和可访问性。这包括确保数据集的
转载
2023-08-01 14:38:37
184阅读
