原创 排序算法-C++實現:插入排序,冒泡排序

直接插入排序: 整個序列分爲有序區和無序區,取第一個元素作爲初始有序區,然後第二個開始,依次插入到有序區的合適位置,直到排好序 void InsertSort(int arr[],int n){ //遍歷數組 f

原创 機器學習:決策樹算法

1.算法引入 先舉一個簡單的例子來介紹一下決策樹到底是個什麼東西。(參考:) 一個母親要給女兒介紹對象,所以有了如下的對話: 女兒:多大年紀了? 女兒:多大年紀了? 母親:26。 女兒:長的帥不帥? 母親:挺帥的。

原创 XGBoost算法原理及代碼(代碼持續更新。。。)

前言:有監督算法的組成:模型,參數和目標函數 (1)模型:給入指定的Xi如何去預測Yi,姑且認爲是一個Y關於X的函數吧,如線性迴歸Y=∑Wi*Xi (2)參數:就是指係數W (3)目標函數(損失+正則):目標函數的作用是找到比較好

原创 機器學習:GBDT和XGBoost的區別

一、GBDT原理 1、簡介 GBDT是一個基於迭代累加的決策樹算法,它通過構造一組弱的學習器(樹),並把多顆決策樹的結果累加起來作爲最終的預測輸出。 他的核心就是累加所有樹的結果最爲最終結果(但實際上並不是簡單的疊加),GB

原创 python:raw_input和input區別

raw_input() 與 input()都是python的內建函數,實現控制檯交互式輸入,但二者有區別 >>> raw_input_A = raw_input("raw_input: ") raw_input: abc >>>

原创 SMART硬盤檢測參數詳解

硬盤SMART檢測參數詳解 一、SMART概述        要說Linux用戶最不願意看到的事情,莫過於在毫無警告的情況下發現硬盤崩潰了。諸如RAID的備份和存儲技術可以在任何時候幫用戶恢復數據,但爲預防硬件崩潰造成數據丟失所花費的代價

原创 PyCharm徹底卸載(有時候破解的時候可能需要重新安裝)

刪除應用 打開訪達,找到PyCharm應用,移到廢紙簍; 清除殘留數據 清理緩存,參數,日誌相關配置文件,示例文件名:PyCharm2019.2打開終端依次執行下列命令 cd ~/Library/Preferences/        

原创 mac修改國內鏡像源

在終端進入目錄: cd ~/.pip/ 如果沒有 .pip 文件夾,新建文件夾: mkdir .pip cd .pip  nano pip.conf 粘貼如下內容 [global] index-url = http://mirrors.a

原创 ubuntu18.04安裝docker、docker-compose

1.卸載 sudo apt-get remove docker docker-engine docker.io containerd runc 2.安裝Docker sudo apt-get update # 安裝依賴包 sudo apt

原创 kaggle上的一些小技巧(下載文件)

如何從kernel上下載代碼保存的文件,因爲有時候點擊下載按鈕不好使 import os os.chdir('/kaggle/working') print(os.getcwd()) print(os.listdir("/kaggle/

原创 google colab如何修改tensorflow2到tensorflow1.X

Google colab默認導入的tensorflow版本是2.0想,想更改tensorflow版本爲1.x則需要加入 %tensorflow_version 1.x import tensorflow as tf tf.__ver

原创 virtualenv常用命令

一、安裝 sudo apt-get install python-virtualenv 創建虛擬環境 virtualenv ENV 默認情況下,虛擬環境會依賴系統環境中的site packages,就是說系統中已經安裝好的第三方packa

原创 車險相關的知識

一、車牌顏色 1、藍色:一種最常見的車牌顏色,只要你持有C1的駕照都能開,大多數小型汽車掛的也是藍色的車牌,不管是企業還是個體都可以開 2、綠色:這種車牌顏色也是最近幾年才新流行的,主要是新能源汽車,由於政策的原因,這樣的車牌大城市纔

原创 mac中使用matplotlib、seaborn畫圖,中文顯示成方塊如何解決

import matplotlib.pyplot as plt plt.rcParams['font.family'] = ['Arial Unicode MS'] 直接在代碼前面加上這句即可

原创 幾個重要的lightgbm自定義損失函數和評測函數(包括F1 score等)

f1_score自定義損失函數及評測函數 def custom_f1_eval(y_true, y_pred): num_TP = 0 threshold = 0.5 for i in range(len(y_t