新年之初就发生了天大的事件，相信不须我指出名了，但它们打乱了太多人的生活安排，甚至是生命轨迹，几乎没有人不受到影响。面对那些事，我个人感觉很乏力，不安与疲惫。可是放空了几天后，我们还是得积极面对，将生活拨回正轨，继续那些未竟之事。人生苦短，愿诸君皆可平安喜乐！有许许多多文章写了 Python 中的许多很酷的特性，例如变量解包、偏函数、枚举可迭代对象，但是关于 Python 还有很多要讨论的话题，因
转载
2024-08-21 14:08:35
63阅读
最近在看张若愚老师的《Python科学计算》，也算是对Python的基本功进行一次锻炼，看着就记下笔记，这里开个系列来分享一下个人笔记，文章内容都是markdown直接编译过来的，所以排版也没多花心思了。NumPy提供了两种基本的对象： ndarray和ufuncndarray（下文统一称之为数组）是存储单一数据类型的多维数组ufunc则是能够对数组进行处理的函数import numpy
# Python中的SHAP值
## 简介
在机器学习中，解释模型的结果是很重要的。SHAP（SHapley Additive exPlanations）值是一种用于解释模型的预测结果的方法。它提供了一种方式来衡量每个特征对于预测结果的贡献程度。本文将介绍如何在Python中计算SHAP值。
## SHAP值的计算流程
以下是计算SHAP值的一般流程：
| 步骤 | 描述 |
| ---
原创
2023-10-17 15:30:34
891阅读
# 使用Python计算SHAP值教程
SHAP（SHapley Additive exPlanations）是一种解释机器学习模型输出的强大工具。它提供了每个特征对模型预测结果的贡献值，能够帮助我们理解模型的决策过程。本文将为你详细介绍如何使用Python计算SHAP值，并按照简单的步骤进行说明。
## 流程概览
以下是我们计算SHAP值的基本步骤：
| 步骤 | 描述
前言：机器学习很大一个问题是可解释性较差，虽然在RandomForest、LightGBM等算法中，均有feature_importance可以展现模型最重要的N个特征，但是对于单个样本来说情况可能并不与整体模型一致，所以就需要使用SHAP等算法将每个样本中不同特征的贡献度用数值展现出来。准备工作：首先还是需要传统的数据清洗、建模等，记得安装和导入shap库pip install shap注：我安
转载
2024-06-03 09:09:22
1195阅读
# 用Python进行SHAP值回归：探索模型可解释性
在机器学习中，模型的可解释性至关重要。SHAP（SHapley Additive exPlanations）值是提供模型输出解释的一种强大工具。通过量化每个特征对模型预测的贡献，SHAP值帮助我们理解模型的决策过程。本文将带你探索如何用Python实现SHAP值回归，并通过代码示例说明其应用。
## 什么是SHAP值？
SHAP值源于博
1. faster-rcnn安装与运行 note:将makefile.config中这两行注释去掉WITH_PYTHON_LAYER := 1
USE_CUDNN := 1将Faster R-CNN下载到本地git clone --recursive https://github.com/rbgirshick/py-faster-rcnn.git假设下载下来存放的路径根目录为：FRCN_R
目录0 代码示例1 数据预处理和建模1.1 加载库和数据预处理1.2 训练2 解释模型2.1 Summarize the feature imporances with a bar chart2.2 Summarize the feature importances with a density scatter plot2.3 Investigate the dependence of the
转载
2024-08-14 12:48:50
339阅读
层次分析法（运筹学理论）层次分析法，简称AHP，是指将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。该方法是美国运筹学家匹茨堡大学教授萨蒂于20世纪70年代初，在为美国国防部研究"根据各个工业部门对国家福利的贡献大小而进行电力分配"课题时，应用网络系统理论和多目标综合评价方法，提出的一种层次权重决策分析方法。层次分析法是将决策问题按总目标、各层子目标、
Your First Machine Learning Project in Python Step-By-Step - Machine Learning Mastery，标题为《Your First Machine Learning Project in PythonStep-By-Step》；即一步步带你入门第一个python机器学习项目；包括的内容有：1、python的机器学习需要哪些准备？
之前一直在网上苦苦寻找各种分类器的代码，直至发现了这篇博文，发现找到了捷径，不过之前的努力也不会白费，之后将研究结果从matlab转为C++时还是有用的。
【引言】
今天突然发现MATLAB 2015a的版本自带了许多经典的机器学习方法，简单好用，所以在此撰写博客用以简要汇总（我主要参考了MATLAB自带的帮助文档）。
MATLAB每个机器学习方法都有
转载
2024-10-22 21:07:22
595阅读
解释一个机器学习模型是一个困难的任务，因为我们不知道这个模型在那个黑匣子里是如何工作的。但是解释也是必需的，这样我们可以选择最佳的模型，同时也使其健壮。Shap 是一个开源的 python 库，用于解释模型。它可以创建多种类型的可视化，有助于了解模型和解释模型是如何工作的。在本文中，我们将会分享一些 Shap 创建的不同类型的机器学习模型可视化。我们开始吧… 文章目录技术提升安装所需的库导入所需库
转载
2023-12-31 15:21:11
1313阅读
AHP层次分析法分析流程：一、案例背景当前有一项研究，想要构建公司绩效评价指标体系，将一级指标分为4个，分别是：服务质量、管理水平、运行成本、安全生产，现在想要确定4个指标的权重。AHP层次分析法是一种主观赋权法和客观赋权法相结合的方法，近年来，被广泛应用于指标权重的确定。该方法将定量分析和定性分析方法结合，先用专家经验判断指标相对重要程度，再计算权重，比较适合解决难以用定量方法应对的问题。因此本
转载
2024-03-01 15:18:00
217阅读
03 python语法注释、用户交互、格式化输出、基本数据类型和运算符1.注释的种类号和顶头写的‘三引号’2.与用户交互1.什么是与用户交互？程序员输入一个信息，程序执行完给程序员一个反馈2.为何要让程序做到交互？为了让程序替代人，与人交流3.如何使用？python3中input将用户输入的所有信息转换为‘字符串’python2中用户通过input需要自行指定数据类型。否则报错>>&g
# 如何实现 Python SHAP
## 1. 流程概述
在实现 Python SHAP 过程中，我们可以按照以下步骤进行操作：
```mermaid
erDiagram
PARTICIPANT as 开发者
PARTICIPANT as 小白
开发者 -> 小白: 教学
```
1. 安装 SHAP 库
2. 准备数据
3. 训练模型
4. 解释模型结果
##
原创
2024-04-05 03:47:29
132阅读
文章目录一、前言二、模块安装三、图片美化1、祛痘2、词云——我不只是一张图3、风格迁移——努力变成你喜欢的样子4、图中图——每一个像素都是你5、切换背景——带你去旅行6、九宫格——一张照片装不下你的美7、图片二维码——冰冷的图里也饱含深情 一、前言Python中有许多用于图像处理的库，像是Pillow，或者是OpenCV。而很多时候感觉学完了这些图像处理模块没有什么用，其实只是你不知道怎么用罢了
转载
2023-10-27 19:31:24
411阅读
### 实现“shap python”流程
首先，我们来看一下实现“shap python”的流程。具体步骤如下：
```mermaid
flowchart TD
A[了解shap库] --> B[安装shap库]
B --> C[导入shap库]
C --> D[准备数据]
D --> E[构建机器学习模型]
E --> F[解释模型的预测结果]
``
原创
2023-09-29 03:58:09
128阅读
基本公式：贡献度 = 工作量 × 工作的影响力 × 工作的不可替代性 + 对项目有重大意义的idea工作的不可替代性指标：工作的难度，这个难度包括问题本身的难度和预计所需要的时间。由于我们的工作分配主要是以ISSUE的形式，所以我们会在ISSUE中标注这个工作的难度指标，具体的难度指标如何标记我们将会在每日例会和线上交流中确定。具体来说，我们会使用如下的分制来进行评判难度评分：
难度等级 描述 分
转载
2024-05-16 17:25:00
280阅读
作者：Samuele Mazzanti导读上一篇文章我们说到SHAP值可以用来对黑盒模型进行解释，具备比简单的逻辑回归更好的实际意义，那么SHAP值到底是什么？有什么实际意义？如何计算？揭开神秘的面纱在上次的文章中，我们看到SHAP值可以用来解释机器学习方法的决策。换句话说，我们使用SHAP来揭开黑箱模型的神秘面纱。到目前为止，我们利用了Python的SHAP库，而没有过多考虑它是如何工作的。足够
# 理解SHAP：计算机器学习模型的特征重要性
在机器学习中，特征重要性对于理解模型的决策过程至关重要。SHAP（SHapley Additive exPlanations）是一种有效的解释机器学习模型输出的方法。本文将带你学习如何使用Python实现SHAP并计算特征的权重。
## 一、实现流程
在开始之前，让我们先了解实现SHAP的基本步骤。下表总结了整个过程：
| 步骤
