一、导入模块Python之所以应用越来越广泛，在一定程度上也依赖于其为程序员提供了大量的模块以供使用，如果想要使用模块，则需要导入。导入模块有一下几种方法：1 import module
2 from module.xx.xx import xx
3 from module.xx.xx import xx as rename
4 from module.xx.xx import *导入模块其实就
转载
2024-07-29 23:29:35
14阅读
DoubleCad XT是一个免费方便的CAD查看器软件，在这个免费软件的帮助下，我们可以加载和查看sketchup，PLT，DXF和DWG文件。DoubleCad XT也是一个CAD（计算机辅助设计）应用程序，通过该软件我们可以打开和查看各种类型的CAD文件。Autodesk DWG TrueView free有了Autodesk DWG TrueView的帮助，我们可以很容易地查看.dwg文件
转载
2024-05-28 12:58:38
81阅读
###基础概念
在建模过程中，由于偏差过大导致的模型欠拟合以及方差过大导致的过拟合的存在，为了解决这两个问题，我们需要一整套方法及评价指标。其中评估方法用于评估模型的泛化能力，而性能指标则用于评价单个模型性能的高低。####泛化性能模型的泛化性能是由学习算法的能力，数据的充分性及学习任务本身的难度所决定的，良好的泛化性能代表了较小的偏差，即算法的期望预测结果与真实结果的偏离程度，同时还要有较小的
转载
2023-12-09 12:38:22
89阅读
python 中模块和模块包模块相关概念模块是高级别的程序组织单元，它将程序代码和数据封装起来以便重用。模块可以通过下面两个语句导入importfrom模块的作用代码重用系统的划分命名空间实现共享服务和数据python import模块如何工作python在执行import语句时，会有下面三个操作：1. 找到模块文件首先python会把载入的模块存储到一个名为sys.modules的表中，并在一次
逻辑回归（Logistic Regression）torchversion提供的数据集import torchvision # PyTorch提供的工具包
# 手写数字识别集 0-9
# root：存储路径 train：训练集还是测试集 download：从网上下载
train_set = torchvision.datasets.MNIST(root='./dataset/mnist'
转载
2024-09-27 06:36:06
48阅读
MAIN: 一、混淆矩阵 混淆矩阵就是如下图所示的那样，也是最简单的一种模型验证方法： 通过混淆矩阵可以算出模型预测精度((a+d)/(a+b+c+d))、正例覆盖率(b/(c+d))、负例覆盖率(a/(a+b))等。通过这么些指标综合考虑模型的预测准确率。二、ROC曲线 在讲解ROC曲线之前，我们先看看几个定义： Sensitivity:正确预测到的正例数/实际正例总数,即b/(c+d
转载
2024-05-04 18:41:09
356阅读
PS：本文以官方文章的内容为主，并尝试加入一些自己的理解。3.1 对象(s)，价值(s)和类型(s)。对象是python绝对数据类型，所有python program中的数据,或者被对象所代表，或者被对象之间的联系所代表。(某种意义上，符合冯.诺依曼“可储存可编程计算机”的模型，code也可被对象代表)每一个对象都有一个identity，一个类型和一个值。一个对象的identity，一旦对象被创造
转载
2023-10-10 10:29:58
137阅读
Pyinstrument 是一个 Python 分析器。分析器是一种帮助您优化代码的工具 - 使其更快。要获得最大的速度提升。 pyinstrument是一款python性能分析器，它通过记录程序执行过程中的堆
转载
2023-11-07 11:54:43
92阅读
# Python查看模型的结构
## 1. 介绍
在机器学习和深度学习中，模型的结构是非常重要的，它决定了模型的性能和功能。对于新手来说，了解如何查看模型的结构是很关键的。在本文中，我将向你展示如何使用Python来查看模型的结构。
## 2. 流程概述
可以使用以下步骤来查看模型的结构：
| 步骤 | 描述 |
| --- | --- |
| 步骤 1 | 导入相关库 |
| 步骤 2
原创
2023-12-04 05:50:52
472阅读
# Java内存模型
Java是一种面向对象的编程语言，在编写Java程序时，我们需要了解Java的内存模型，以便更好地理解和优化我们的代码。Java内存模型（Java Memory Model，JMM）定义了Java程序如何在主内存和线程之间共享数据。在本文中，我们将深入探讨Java内存模型的原理和一些相关的代码示例。
## 什么是Java内存模型？
Java内存模型定义了Java程序中的
原创
2024-02-02 09:33:29
30阅读
# Python RMSE 模型性能评估
随着数据科学的广泛应用，模型性能评估变得尤为重要。根均方误差（Root Mean Square Error，RMSE）是一种常用的回归模型性能评估指标。RMSE可以帮助我们了解模型预测值与真实值之间的偏差程度，从而判断模型的准确性。在这篇文章中，我们将探讨RMSE的定义、计算方法以及如何在Python中实现它，并通过实例代码进行演示。
## 什么是RM
一、CAPM 模型和公式参考作者：肖睿在量化课堂的文章CAPM 公式CAPM 公式是从以上模型框架推导出的数学表达式，它表达了任何风险资产的收益率和市场组合的收益率之间关系。在这个公式中，任何风险资产的收益率都可以被分为两个部分：无风险收益（利率）和风险收益（ββ 收益）。我们先看公式。定理（CAPM 公式）. 对于某一风险资产 S（可以把 SS想象为一种证
转载
2024-02-05 22:03:25
61阅读
一、RFM1、 RFM模型是众多客户关系管理（CRM）分析方法中的一种，能够方便快速有效的量化用户价值和创利能力。2、RFM模型有三个要素，分别是：Recency（最近一次交易距今时间）、Frequency（交易频率）、Monetary（交易金额）。R值（最近一次交易距今时间）用户最近一次交易距今的时间。间隔时间越短，则值越大，这类客户也是最有可能对活动产生反应的群体。F值（交易频率）用户在限定的
转载
2024-08-12 20:58:08
30阅读
文章目录前言一、模型评估方法1. 数据集切分重塑2. 交叉验证3. 混淆矩阵4. 评估指标二、进阶回归分析1. 多项式回归模型2. 岭回归模型3. Lasso回归模型总结 前言上次笔记阐述了一般的线性回归模型实现的数学原理和整体思路，但不是每个样本数据集都适合用线性回归，比如说样本数据的分布呈振荡的曲线，我们就可以尝试更高次的曲线来拟合样本数据，这时候就要用多项式回归模型，但是阶数过多也会带来过
转载
2023-10-21 08:51:30
73阅读
# 实现面板模型的Python代码
在这篇文章中，我们将一起学习如何用Python实现面板模型。面板数据是一种包含多个个体（如公司、国家等）、在多个时间点上观测的数据类型。其在统计学和经济学中有广泛的应用。下面，我们会通过几个步骤来实现一个简单的面板模型，最终展示我们的结果。
## 内容流程
在开始之前，首先看一下我们要实现的步骤：
| 步骤 | 描述 |
| ---- | ---- |
原创
2024-10-16 07:04:06
171阅读
## 用Python创建OpenSees模型的科普文章
OpenSees是一种用于非线性结构分析的开源软件，它提供了一种高效的方法来模拟结构在地震等载荷下的行为。本文将介绍如何使用Python编写OpenSees模型的代码，并通过一个简单的示例来演示其用法。
### 什么是OpenSees？
OpenSees（Open System for Earthquake Engineering Si
原创
2023-12-10 09:05:36
1120阅读
数据包络分析DEA时，其研究投入产出效率情况，并且其假定投入和产出之间存在单调线性关系，其为一种线性规划技术来确定DMU相对效率的方法。但有时候会多出下‘非期望产出’，就是不希望有它产出，比如资金投入、教育投入换来了GDP上升和人口素质提升，但同时可能带来环境污染这个非期望产出项。在此种情况时，DEA模型则不满足单调线性关系要求。此时则需要使用非期望SBM模型，该模型由Tone(2001)提出。非
# ARIMA模型简介及Python实现
## 一、什么是ARIMA模型？
ARIMA（自回归积分滑动平均模型）是一种用于时间序列预测的统计模型。它结合了自回归（AR）和滑动平均（MA）两个方面，并通过积分过程来确保数据的平稳性。ARIMA模型广泛应用于经济、气象、金融等领域，以帮助分析和预测时间序列数据的未来趋势。
ARIMA模型的基本结构有三个参数：\(p\)、\(d\)和\(q\)：
TransH:将知识嵌入到超平面(Knowledge graph embedding by translating on hyperplanes)1.从TransE到TransH模型在之前的文章知识图谱-TransE模型原理中，我们介绍了TransE模型的基本原理，对于TransE模型而言，其核心思想为：h + r = t其中h时头实体向量，r是关系向量，t是尾实体向量。根据这个核心公式，我们不难
摘要：通过金字塔池模块和所提出的金字塔场景解析网络(PSPNet)，利用基于不同区域的上下文聚合来开发全局上下文信息的能力。我们的全局先验表示可以有效地在场景解析任务上产生高质量的结果，而PSPNet则为像素级预测提供了一个优越的框架。我们提出了一个金字塔场景解析网络，将困难的场景上下文特征嵌入到一个基于FCN的像素预测框架中。提出了一种基于深度监督损失的深度ResNet优化策略。即辅助损失。总结
