本文主要針對plotly的參數(shù)含義進(jìn)行說明,隨著plotly版本的迭代更新,部分參數(shù)的用法會(huì)有細(xì)微變化,具體參加官方文檔 一、圖表預(yù)覽 二、圖表類型 Angularaxis:...
本文主要針對plotly的參數(shù)含義進(jìn)行說明,隨著plotly版本的迭代更新,部分參數(shù)的用法會(huì)有細(xì)微變化,具體參加官方文檔 一、圖表預(yù)覽 二、圖表類型 Angularaxis:...
LSTM(Long Short Term Memory Network)長短時(shí)記憶網(wǎng)絡(luò),是一種改進(jìn)之后的循環(huán)神經(jīng)網(wǎng)絡(luò),可以解決 RNN 無法處理長距離的依賴的問題,在時(shí)間序列...
一、Linux的安裝 1.1安裝方式 根據(jù)Linux系統(tǒng)在計(jì)算機(jī)中的存在方式,將Linux的安裝分為單系統(tǒng)、多系統(tǒng)和虛擬機(jī)。 1.單系統(tǒng)安裝。指在計(jì)算機(jī)中僅安裝Lin...
1. Linux歷史 1)起點(diǎn):1991年,在赫爾辛基,Linus Torvalds[https://zh.wikipedia.org/wiki/Linus_Torvalds...
1. 項(xiàng)目背景 項(xiàng)目來源于天池比賽工業(yè)蒸汽量預(yù)測 https://tianchi.aliyun.com/competition/entrance/231693/introdu...
1. 項(xiàng)目背景 項(xiàng)目來源于天池新人賽幸福感預(yù)測賽題https://tianchi.aliyun.com/competition/entrance/231702/introdu...
1.原理 Stacking方法是一種分層模型集成框架。以兩層為例,首先將數(shù)據(jù)集分成訓(xùn)練集和測試集,利用訓(xùn)練集訓(xùn)練得到多個(gè)初級學(xué)習(xí)器,然后用初級學(xué)習(xí)器對測試集進(jìn)行預(yù)測,并將輸出...
1. Blending原理 Blending技術(shù)上源于Stacking Generalization。將訓(xùn)練數(shù)據(jù)進(jìn)行劃分,劃分之后的訓(xùn)練數(shù)據(jù)一部分訓(xùn)練基模型,一部分經(jīng)模型預(yù)測...
1. XGBoost算法分析 eXtreme Gradient Boosting(XGBoost) 是為效率、計(jì)算速度和模型的表現(xiàn)而設(shè)計(jì)的一種規(guī)??勺兊摹⑻岣甙姹镜膅rand...
1. 前向分布算法 前向分布算法的思路是從前向后,每一步學(xué)習(xí)一個(gè)基函數(shù)及其系數(shù),最終逐步逼近優(yōu)化目標(biāo)函數(shù)式。 2. 梯度提升決策樹(GBDT) 梯度提升決策樹是一種迭代的決策...
1. Boosting boosting, 通常是使用同質(zhì)的弱學(xué)習(xí)器,用一種適應(yīng)性的方式進(jìn)行串行地學(xué)習(xí)并用確定性的策略將其結(jié)合起來。 2. AdaBoost AdaBoost...
1. Bagging Bagging經(jīng)常采用的是同質(zhì)的weak learners, models之間是相互獨(dú)立的平行狀態(tài)。相對比,Boosting的models間是串行狀態(tài)。...
海上復(fù)雜環(huán)境造成設(shè)備故障產(chǎn)生信號錯(cuò)誤或是數(shù)據(jù)丟失等現(xiàn)象經(jīng)常發(fā)生,可采用3-sigma算法來判斷異常值。 正態(tài)分布數(shù)據(jù),99.73%的數(shù)據(jù)都集中在 [mean - 3*std,...
1. 常用工具的安裝(MacOS系統(tǒng)) shapely :conda install -c conda-forge shapely geopandas :pip instal...