# Python中引用变量的理解与使用
在Python中，变量是用于存储数据的标识符。当我们创建一个变量并将一个值赋给它时，实际上是在内存中创建了一个对象，并将变量指向该对象。在Python中，变量本质上是一个指针，指向存储在内存中的对象。
## 引用变量的概念
在Python中，变量是一个标签，它指向存储在内存中的对象。当我们将一个变量赋值给另一个变量时，实际上是将一个变量的引用传递给另一
原创
2024-06-05 05:37:32
21阅读
场景在规则制定时，面对连续型变量，往往需要选取一个阈值，用以界定好坏客户，比如：这个10 就是我们需要事先给定的一个值，那是根据什么来定10，而不是9,8,11,15等其他值。 原理假定目前已经有一定的样本数据： 根据“3个月多头数”、“是否坏客户”整理后如下：现在我们可以设定一个值k∈(0,n)，k为整数，将3个月多头数分成2个部分[0,k)和[k,n]。因此上表可以转换成2
转载
2024-01-17 10:51:18
197阅读
需要excel数据源文件的请去下载，只保留少数列的数据，剩余的2000多个数据已经被我删除了。帮学医的同学弄完一个python数据处理的程序，怕以后忘记了，记录下来t检验是计量资料的假设检验中最为简单常用的，当样本含量n较小时，比如n小于60。配对t检验又称成对t检验，适用于配对设计的计量资料。配对设计是将受试对象按照某些重要特征，如可疑混杂因素性别等配成对子，每对中的两个受试对象随机分配到两处理
转载
2023-12-04 22:18:55
40阅读
百度百科上的解释：T检验，亦称student t检验（Student's t test），主要用于样本含量较小（例如n<30），总体标准差σ未知的正态分布资料。t检验是用t分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。它与f检验、卡方检验并列。t检验是戈斯特为了观测酿酒质量而发明的。戈斯特在位于都柏林的健力士酿酒厂担任统计学家，基于Claude Guinness聘用从牛津
转载
2023-12-09 23:49:57
133阅读
首先，在开始之前我觉得有必要稍微科普缓冲一下，以便不使得不熟悉生物信息或基因组的客官们疑惑。O(∩_∩)O！1.基因组：每个人都有一个基因组，这里的“基因组”并不只是“基因”的集合，基因是控制性状的遗传单元（什么是性状呢？性状也可以狭义的理解为个体的各种外在和内在特征，比如头发和眼睛颜色，高矮胖瘦，抵抗力强等），但是基因组所指的其实是我们的所有遗传信息，而不单单只是一些外在和内在特征，
目录变量选择回顾单变量筛选通过模型选择变量变量选择进阶只用模型就能选好变量么数据处理模型介绍实验结果认识伪相关两步法估计 变量选择回顾符号说明： 特征数量变量选择在机器学习中扮演着重要的角色，无论是对于构建一个可解释的模型，还是提升模型的预测能力。单变量筛选在高维情况下，有时候我们需要预先筛选部分变量，然后再训练模型。筛选过程需要做到如下两点：计算复杂度不能太高不能丢掉真正起作用的变量简言之，就
转载
2024-05-06 19:14:39
67阅读
基于相关性分析和主成分分析的变量筛选方法基于相关性分析和主成分分析的变量筛选方法 - 作业部落 Cmd Markdown 编辑阅读器主成分分析法 指标筛选既然在课程专题四中讲到主成分分析法，那么这里再进一步介绍主成分分析法，概括起来说，主成分分析主要由以下几个方面的作用。主成分分析能降低所研究的数据空间的维数（降维）。即用研究m维的Y空间代替p维的X空间(m多维数据的一种图形表示方法（可
转载
2023-11-30 13:45:33
121阅读
1 IV的用途IV的全称是Information Value，中文意思是信息价值，或者信息量。我们在用逻辑回归、决策树等模型方法构建分类模型时，经常需要对自变量进行筛选。比如我们有200个候选自变量，通常情况下，不会直接把200个变量直接放到模型中去进行拟合训练，而是会用一些方法，从这200个自变量中挑选一些出来，放进模型，形成入模变量列表。那么我们怎么去挑选入模变量呢？挑选入模变量过程
转载
2024-06-28 14:26:16
18阅读
# Python分布及其应用
## 引言
Python是一种高级编程语言，被广泛应用于各个领域。它不仅可以用于开发网站、构建机器学习模型，还可以进行数据分析和可视化。在Python的世界中，有许多用于处理概率分布和统计分析的库，比如numpy、scipy和pandas。本文将介绍一些常见的Python概率分布库，并提供一些示例代码。
## 概率分布的基本概念
在概率论中，概率分布是对随机变
原创
2023-08-10 13:31:39
26阅读
由于《An Introduction to Statistical Learning with R》书中的方法书中的方法都是一些比较基础的方法，在做模拟实验以及真实超高维数据时，会出现很多局限性。因此本文后半部分介绍了课本上未提及到的一些方法。这些方法会在后面的模拟实验以及真实数据中进行应用，并且比较书上传统的方法与下述三种方法的真实变量筛选效果。首先介绍将范数与范数相结合的SCAD方法。SCAD
转载
2024-01-13 07:02:12
269阅读
# 教你如何在Python中实现字体加粗
## 1. 整体流程
首先，我们来看一下整件事情的流程，可以用表格展示步骤：
| 步骤 | 操作 |
| ---- | ------------- |
| 1 | 导入所需库 |
| 2 | 设置字体样式 |
| 3 | 输出加粗字体 |
接下来，我们将详细介绍每一步需要做什么，包括所需的代码和代码注释
原创
2024-03-08 06:57:29
178阅读
写在最前由于《An Introduction to Statistical Learning with R》课程论文需要我们进行对一些变量筛选方法与降维的方法进行综述，所以这里将分几个部分，将学到的一些变量筛选方法写在博客之中。写成一篇长博客看得比较吃力，写的也比较慢，所以这里慢慢一部分一部分的来写。综述高维统计问题来自科学研究和技术发展的多个领域，在科学与人文等不同领域中变得越来越重要，从基因组
转载
2023-09-20 19:50:15
272阅读
缘起这篇博客的想法来源于知乎的一个关于多元线性回归的变量选择问题。从该问题的提问描述，以及回答中看出，很多人在做变量选择时，眼光依然局限于R 2
R2或者Ajusted−R 2
Ajusted−R2,以及P−Value
P−Value之中。记得计量课上，韩老师在讲到Ajusted−R
转载
2024-01-16 17:43:31
117阅读
特征选择在实际工程中，对于特征变量的选取，往往是基于业务经验，也就是所谓你的先验知识。现在数据的特征维度很多，而能作为训练集的样本量却往往远小于特征数量（如基因测序、文本分类）。特征选择的好处：便于理解和可视化数据，降低计算及存储压力，对抗维度灾难以提高模型预测准确率等等。特征选择的三类主流方法为：过滤式、包裹式、嵌入式。 一、过滤式变量排序就是一种典型的过滤式方法，该方法独
转载
2024-06-06 11:06:33
383阅读
风控建模二：变量筛选一 变量自身分布稳定性psi长期趋势图二 变量和目标值的强相关关系IV值变量数的选择三 变量和目标值相关关系的稳定性各个数据集上趋势一致变量预测效果不衰减变量预测方式不反转 好的模型变量直接决定着一个风险模型是否稳定和有效，而好的模型变量都具备以下三种特性： 1、变量自身的分布是随时间相对稳定的； 2、变量和目标值之间是有强相关关系的； 3、变量和目标值的强相关关系也是随时
转载
2023-10-04 20:28:16
122阅读
lasso的今世前身 引言 年关将至，少不了写年终总结。自己也绞尽脑汁对研读的统计文献做一个总结。我们来聊聊20年前诞生的lasso。lasso理论文章由统计学家Tibshirani, R在于1996年提出，并获得了里程碑式的影响。简单概述，lasso的目的就是选择合适的自变量。茫茫变量中怎么遇见合适的它。 此处说明下我们为什么要进行选变量这个动作？ -变量维数多并且变量之间存在相关
转载
2023-10-11 08:47:57
195阅读
我想说，你们真是太厉害了，向你们致敬！
逻辑回归，是一种分类学习方法。使用场景主要有两个：第一用来预测，第二寻找因变量的影响因素。 一 从线性回归到Logistic回归线性回归和Logistic回归都是广义线性模型的特例。假设有一个因变量y和一组自变量x1, x2, x3, ... , xn，其中y为连续变量，我们可以拟合一个线性方程： &
转载
2024-06-12 21:23:48
100阅读
更新: 2017/06/12 更新: 2017/06/16 补充.class的输出 更新: 2017/06/23 .include?检验数组/哈希表是否包含目标值 更新: 2017/07/02 block_given?检验是否给了代码块以及检验是否有layout 更新: 2017/08/26 增加p
转载
2017-06-10 09:45:00
122阅读
2评论
以前我个人的观念是，在线上运行的东西尽量不要记什么流水日志。 但是后来我变了，发现在线上记日志是一个绝对有必要的东西，尤其是在当下很流行的微服务的推动下，没有日志的帮助，犹如一个睁眼瞎，排查问题基本靠猜，这可不行。 那就打印记录每次的访问日志，尤其是访问接口时的参数及返回数据和耗费时间等，这是对自己将问题抛给上层及性能优化的依据。但是日志量应该是非常大的，一定要注意及时清理。 那么问题来
筛选变量在 Python 中的应用十分广泛，尤其是在数据处理与分析阶段。其重要性体现在通过条件判断和逻辑运算来选择需要的特定数据，从而在分析之前减少计算量，提高效率。下面将分享一个关于如何在 Python 中筛选变量的完整过程，涵盖环境配置、编译过程、参数调优等各个环节。
## 环境配置
在进行筛选变量的工作之前，首先需要搭建合适的环境。我们将使用 Python 的数据处理库，如 Pandas
