weixin_45178611的博客

原创 学习 input； if ； while true

py学习 input; if ; while true

原创 python小题

python初学小题

原创 用r语言画一条悬链线

张宇说的悬链线，用curve（）函数画f(x)=ex+e−x2f(x)=\frac{e^x+e^{-x}}{2}f(x)=2ex+e−x​curve((exp(1)^x+exp(1)^(-x))/2,-1,1,col = "violet")真的很像一条项链

原创 逻辑回归卡方拟合优度检验 r语言

老师写的代码r语言做逻辑回归时的皮尔森拟合优度检验AZTAIDS <- expand.grid(AZT=factor(c("Yes","No"),levels=c("No","Yes")), Race=factor(c("White","Black"),levels=c("Black","White"))) AZTAIDS <- data.frame(AZTAIDS,Yes=c(14,32,11,12), No=c(93,81,52,43))

原创 r混淆矩阵可视化

plot_table = function(x,xlab='Predicted label', ylab='True label', normalize = F){ library(ggplot2) if(!is.table(x)){ warning('input should be a table, not a ', class(x)) x = as.table(x) } if(!

原创 r语言决策树模型建立 可视化 混淆矩阵 roc曲线

library(rpart)library(rattle)library(rpart.plot)library(RColorBrewer)set.seed(1234) #随机抽样设置种子train<-sample(nrow(d1),0.8*nrow(d1)) #抽样函数，第一个参数为向量，nrow()返回行数 后面的是抽样参数前tdata<-d1[train,] #根据抽样参数列选择样本，都好逗号是选择行vdata<-d1[-train,] #删除抽样行#tdata为训练

原创 r语言生成ar、ma、arma序列

用r语言模拟ar序列，ma序列，arma序列生成一个ar序列xt=0.8xt−1+εtx_t=0.8x_{t-1}+ε_txt​=0.8xt−1​+εt​x1<-arima.sim(n=1000,list(ar=0.8))或者用filter函数e<-rnorm(1000,0,1)x2<-filter(e,filter = 0.8,method = "recursive")method：指定拟合的是AR模型还是MA模型。method="recursive"为AR模型；

原创 含抽象函数极限的求法

含抽象函数极限求法（没有给出具体的函数形式）四种方法：1.洛必达法则什么时候用：在已知题目中的函数可以求导。在题目中同时出现fff和f′f'f′并且其他方法失败时，可以使用一次洛必达法则。2.凑导数定义什么时候用：f−ff-ff−f型 且 上下同次。也可以是f−f(c)f-f(c)f−f(c)，f−cf-cf−c，其中右边常数一项有可能是03.拉格朗日中值定理什么时候用：f−ff-ff−f型，上下次数不一定一至用凑导数定义法可能也能做出来，但是这个有可能更方便4.泰勒公式什么时候用：

原创 特殊三角函数求导 和差化积

三角函数求导csc x=1sin xcsc~x=\frac{1}{sin~x}csc x=sin x1​(csc x)′=−csc xcot x(csc~x)'=-csc~xcot~x(csc x)′=−csc xcot xsec x=1cosxsec~x=\frac{1}{cosx}sec x=cosx1​(sec x)′=sec xtan x(se

原创 微分中值定理 （罗尔、拉格朗日、柯西）

罗尔中值定理如果函数fff满足以下条件（i）fff 在闭区间 [a,b][a,b][a,b] 上连续（ii）fff 在开区间内可导（iii）f(a)=f(b)f(a)=f(b)f(a)=f(b)则在（a，b）中至少存在一点 εεε ，使得f′(ε)=0f'(ε)=0f′(ε)=0几何解释：在每一点都可导的一段连续曲线上，如果曲线的两端点高度相等，则至少存在一条水平曲线。三种条件缺少一个，结论将不一定成立  拉格朗日中值定理如果函数 fff 满足以下条件（i

原创 考研复习：有关连续的定理、间断点及其分类

连续初等函数的连续性一切基本初等函数都是其定义域上的连续函数一切基本初等函数都是其\pmb{定义域}上的连续函数一切基本初等函数都是其定义域定义域定义域上的连续函数↓↓↓（任何初等函数都是经有限次四则运算和复合运算得到的）（任何初等函数都是经有限次四则运算和复合运算得到的）（任何初等函数都是经有限次四则运算和复合运算得到的）↓↓↓所以，任何初等函数都是其定义区间上的连续函数所以，任何初等函数都是其\pmb{定义区间}上的连续函数所以，任何初等函数都是其定义区间定义区间定义区间上的连续函数最大值

原创 考研线代总结

链接：行列式思维导图矩阵思维导图n维向量思维导图线性方程组思维导图特征值、特征向量及相似矩阵二次型复习中间参杂了一些高代的知识点下面是考研大纲线代内容：一、行列式考试内容行列式的概念和基本性质行列式按行（列）展开定理考试要求1.了解行列式的概念，掌握行列式的性质．2.会应用行列式的性质和行列式按行（列）展开定理计算行列式．二、矩阵考试内容矩阵的概念矩阵的线性运算矩阵的乘法方阵的幂方阵乘积的行列式矩阵的转置逆矩阵的概念和性质矩阵可逆的充分必要条件伴随矩阵矩阵的初等变换初等矩阵

原创 考研复习 求解函数极限的方法全总结

lim⁡x→∞\lim\limits_{x\rightarrow\infty}x→∞lim​lim⁡x→ x0\lim\limits_{x\rightarrow\ x_0}x→ x0​lim​几种常用的极限：1.lim⁡x→∞qn=0\lim\limits_{x\rightarrow\infty} q^n=0x→∞lim​qn=0        ∣q∣<1|q|<1∣q∣<1引申：   &n

原创 线代考研复习 二次型

实二次型二次型的定义及矩阵二次型：含有n个变量x1,x2,x3,xn，而系数取自数域F的n元二次齐次函数（多项式的次数最高不超过二次），f(x1,x2,...,xn)=a11x12+2a12x1x2+...+2a1nx1xn+a22f(x_1,x_2,...,x_n)=a_{11}x_1^{2}+2a_{12}x_1x_2+...+2a_{1n}x_1x_n+a22f(x1​,x2​,...,xn​)=a11​x12​+2a12​x1​x2​+...+2a1n​x1​xn​+a22称为数域F上的

原创 特征值、特征向量及相似矩阵

特征值及特征向量特征值与特征向量的概念设A是n阶矩阵，α是n维非零列向量，满足：Aα=λα，(1)Aα=λα，\tag1Aα=λα，(1)则称λ是A的一个特征值。非零列向量是A的属于λ的一个特征空间。式（1）可以写成(λEn−A)X=0(λE_n-A)X=0 (λEn​−A)X=0它有非零解的充要条件是∣λEn−A∣=0 |λE_n-A|=0 ∣λEn​−A∣=01.由∣λE−A∣=0|λE-A|=0∣λE−A∣=0求特征值λ，共有n个（包含重根）2.由∣λiEn−A∣X=0|λ_iE_

原创 线性方程组思维导图 高代

原创 处理遮盖绘制问题 ggplot2

处理遮盖绘制问题绘制散点图当数据量很大时，难免会出现点重叠，从而影响看清真实的关系。小规模遮盖绘制小规模的遮盖问题一般通过绘制中空点或绘制更小的点来缓解遮盖df<-data.frame(x=rnorm(2000),y=rnorm(2000))norm<-ggplot(df,aes(x,y))a1<-norm+geom_point()#默认的shapea2<-norm+geom_point(shape=1)#shape=1中空的点a3<-norm+geom_poi

原创 ggplot2 基本图形类型 展示数据的分布

图层叠加总体来说，图层有三种用途一 用以展示数据本身，帮助人们辨识数据的整体结构、局部结构以及离群点等二 用以展示数据的统计摘要。通常在数据层中叠加一些图层以展示三 用以添加额外的元数据、上下文信息和注解。例如：在一些离群点或拐点上加上解释性的标签，并希望它突出显示。一般情况下这种图层是最后绘制的图层。基本图形类型以下是ggplot2图形的基本组合部分。每种几何对象即可独立构建图形，也可组合起来搭建更复杂的几何对象。它们均是二维的，故x和y两种图形属性不可或缺。同时接受colour和size属

原创 线性代数 n维向量思维导图总结（看这一张就完事了）

原创 ggplot2（二）映射函数 几何对象 统计变换 结合几何对象和统计变换

在默认情况aes(wpg,mt)下用映射函数更改图层属性操作层图形属性结果添加aes(colour=cyl)aes(wpg,mt,colour=cyl)修改ase(y=disp)aes(wpg,disp)删除ase(y=NULL)aes(wpg)library(ggplot2)library(ggpubr)p<-ggplot(mtcars,aes(x=mpg,y=wt))a1<-p+geom_point(colour="darkblue

原创 常微分齐次方程的规范化通解

一阶齐次微分方程：y′−ay=0y\prime-ay=0y′−ay=0⇓\Downarrow⇓(lny)′=a(lny)\prime=a(lny)′=a⇓\Downarrow⇓lny=ax+clny=ax+clny=ax+c⇓\Downarrow⇓y=ceaxy=ce^{ax}y=ceax基础解为：eλxe^{λx}eλx  ·················································································

原创 ggplot2快速入门学习(一) 迈出第一步

如果说qplot绘图的特点是一步到位，那么ggplot2绘图最大的特点就是逐层叠加看上去有点晦涩，简单的理解，就是说最后的结果图，就像是刚开始有一层画板，然后程序是一层一层的画上去的，每一层画不同的部分简单的划分，ggplot2有这么几个要素1.数据层2.美学层3.几何图形层在ggplot2中有几个相关概念数据和映射：将数据中的变量映射到图形属性。映射控制了二者之间的关系。图层：图层的作用是生成在图像上可以被人感知的对象，有四个部分：数据和图形属性映射、一种统计变换、一种几何对象、一种位

原创 qplot作图 ggplot学习笔记

set.seed() 的作用是让生成的随机数在下文中保持一致。括号里面的数字是代号，相同数字会得到相同的结果sample(x, size, replace = FALSE, prob = NULL)命令是从x中随机抽取size大小的样本，replace是否放回，prob 设置所要抽取的每个元素被抽取的概率。...

原创 微分方程解的结构

连续过程求积分用微分方程，离散过程求积分用差分方程。今天复习一下微分方程解的结构文章目录一阶微分方程可分离的变量方程齐次方程可化为齐次的方程（可适用于更一般的方程）tips:1.微分方程指的是：含有未知函数及其导数的方程。2.阶数取决于方程中出现的最高次导数阶数。3.解微分方程主要有关两个问题：初值问题 边界值问题初值问题：在给微分方程添加附加条件时，给出的是初始条件，一般是自变量为零时的函数值边界值问题：边值问题则是方程的边界条件，即自变量取某一值对应的函数值。对于一阶方程，往往只需要初始

原创 一张图搞清楚矩阵 （性质解法归纳）

原创 通俗的角度理解遍历性定理 （从大数定理,中心极限定理再到遍历性定理）

文章目录遍历性定理所以先理解什么是大数定律顺便再看看中心极限定理再看遍历性定理今天开始学时间序列分析，老师讲了一个名词叫遍历性定理。遍历性定理百度百科上的定义：遍历性定理类似于截面数据里的大数定律所以先理解什么是大数定律再看亿遍定理最具一般性的切比雪夫大数定理：如果是依概率收敛，则是弱大数定理；如果是几乎必然收敛，则是强大数定理。（来自百度百科）⬆纸老虎 ···通俗的讲就是随着样本容量n的增加，样本平均数将接近于总体平均数这一条让我们的统计推断，即用样本平均数估计总体平均数有

原创 k近邻法 KNN 统计学习笔记

KNN是一种基本的分类与回归方法算法k近邻法的输入为实例的特征向量，对应于特征空间的点；输出为实例的类别，可以取多类。（1）直观上：给定k个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的k个实例，这 个实例的多数属于某个类，就把该输入实例分为这个类。（2）涵盖这k个点的x的邻域记作Nk(x)，在Nk(x)中根据分类决策规则决定x的类别yI为指示函数，yi=cj时等于1。k近邻法没有显式的学习过程当训练集、距离度量(如欧氏距离)、k值及分类决策规则(如多数表决）确定后，对于任何

原创 一张图搞清楚行列式 （行列式所有性质和解法归纳）

原创 感知机理论+r实现 统计学习方法笔记

感知机模型介绍的话：感知机 (perceptron) 类分类的线性分类模型，其输入为实例的特征向量，输出为实例的类别，取 +1 和一 值。感知机对应于输入空间(特征空间)中将实例划分为正负两类的分离超平面，属于判别模型。假设输入空间对应全体实数空间，输出空间对应-1，+1.由输入空间到输出空间的如下函数:称为感知机。w和b为参数。w是全值向量，b叫做偏值。w·x是内积感知机模型的假设空间是定义在特征空间中的所有线性分类模型。...

原创 统计学习方法学习笔记（二）模型评估与模型选择，正则化与交叉验证，泛化能力

训练误差与测试误差当损失函数给定时，基于损失函数的模型的训练误差 (training error) 和模型的测试误差 (test error) 就自然成为学习方法评估的标准。但是，统计学习方法具体采用的损失函数未必是评估时使用的损失函数。这句理解下，参考下在数据科学比赛中给出的评分标准，与实际学习采用的损失函数之间的关系。过拟合在多项式函数拟合中可以看到，随着多项式次数(模型复杂度)的增加，训练误差会减小，直至趋向于0 ，但是测试误差却不如此，它会随着多项式次数(模型复杂度)的增加先减小而后增大

原创 统计学习方法学习笔记（一）统计学习方法的分类和简介，统计学习方法三要素（模型，策略和算法）

文章目录统计学习分类基本分类按模型进行分类按算法进行分类按技巧分类统计学习方法三要素实现统计学习方法的步骤如下：模型策略算法统计学习分类基本分类监督学习 无监督学习 强化学习 有时还包括 半监督学习 主动学习。····························································································监督学习：根据已有的数据集，知道输入和输出结果之间的关系。根据这种已知的关系，训练得到一个最优的模型。通

转载 r语言中的apply函数族 学习笔记

apply函数家族：上图来自http://blog.fens.me/r-applyapplyapply(array, margin, FUN, ...)作用于矩阵或数组中每一行或每一列的一个margin（margin是作为一个函数的输入，有一个对应的输出，例如均值，方差，也可以是自己写的函数），然后返回值存在一个向量或者数组中。举一个例子：> m <- matrix(c(1:10), nrow=2)> m [,1] [,2] [,3] [,4] [,5][1,

原创 把图调出好看的颜色 ggplot2-ggthemes包的使用 学习笔记

ggthemes介绍主要作用是提供一些额外的themes、geoms、scales可以让我们快速画出不同主题、背景和配色方案的图片。它将一些期刊、软件的图表风格进行了整理，做成扩展包，方便地格式化出不同风格的图表。ggthemes 有多种风格的主题，它们给ggplot2提供了接近于媒体图片的效果，这样绘出的ggplot2图形看上去增色不少。ggthemes的官方网址，这里有很多配色方案事先准备install.packages('ggthemes', dependencies = TRUE)libra

原创 使用gganimate包做动态图 r 学习笔记

今天学习一个主要用于绘制动画的ggplot2的扩展包—gganimate包文章目录gganimate包简要介绍先决条件：演示数据集静态绘图核心函数1：transition_*() 按时间添加动态核心函数2：view_*（）让视图跟随每个帧中的数据变换核心函数3：shadow（）：在给定的时间点显示其他时间点的数据（加小尾巴）gganimate包简要介绍几个主要函数transition_(）定义了数据应如何散布以及如何与时间相关。shadow_() 定义应如何在给定的时间点显示其他时间点的数据。

原创 r语言遗传算法的实现（应用mcga包和genalg包）

用r语言实现遗传算法遗传算法是一类常见的随机化搜索方法，目前被广泛应用于组合优化，机器学习，信号处理，人工智能等领域。这里以模型参数优化为背景学习遗传算法的r语言实现r语言中常用的实现遗传算法的包有mcga包、genalg包、rgenoud包。其中mcga、genalg包比较简单，上手较快。rgenoud包将遗传算法和衍生的牛顿算法结合起来，可以求解复杂函数的优化问题。这里主要学习mcga包，genalg包的用法mcga包使用字节表示变量，而不是实值，并且基于这些用字节表示的染色体进行经典的交叉

原创 特征构建---特征变换（概念分层、标准化（线性与非线性）、离散化（分箱法））基于r语言

特征变换特征变换是指对原始的某个特征通过一定规则或映射得到新特征的方法。常见的特征变化有：概念分层、标准化、离散化、函数变换以及深入表达。特征变换主要由人工完成，属于比较基础的特征构建方法。概念分层将类别过多的变量通过使用概念分层的变换方法得到类别较少的变量，比如可以将年龄变量“1岁”“2岁”“3岁”…等，变换为更高概念层次的值，如“儿童”“青年”“中年”等，这里通过r语言，使用身体发育数据集，介绍概念分层的用法。...

原创 r语言实现关联分析--关联规则挖掘（Apriori算法） （r语言预测学习笔记）

r语言实现关联分析–关联规则挖掘关联分析：引子：我们一般把一件事情发生，对另一间事情也会产生影响的关系叫做关联。而关联分析就是在大量数据中发现项集之间有趣的关联和相关联系（形如“由于某些事件的发生而引起另外一些事件的发生”）。 我们的生活中有许多关联，一个典型例子是购物篮分析。该过程通过发现顾客放入其购物篮中的不同商品之间的联系，分析顾客的购买习惯。通过了解哪些商品频繁地被顾客同时购买，这种关联的发现可以帮助零售商制定营销策略。其他的应用还包括价目表设计、商品促销、商品的排放和基于购买模式的顾客划

原创 r语言实现互相关分析和典型相关分析

互相关分析互相关与自相关不同，互相关是指两个时间序列在任意两个不同时刻的相关程度。假设有时间序列 xt 和 yt ，则 xt 在时刻 t 和 yt 在时刻 t+n 的相关即为n阶互相关。公式：重温一下自相关系数的公式：（可以看出与自相关的公式差不多，其实互相关分析就是两个时间序列在不同时刻暴力套上自相关系数的公式…大概可以这么理解）在r中用ccf函数可以计算这里以r中自带的airmiles数据集和LakeHuron（1937-1960年）进行演示。ccf(airmiles,ts(Lak

原创 r语言实现自相关分析和偏相关分析

r语言实现自相关分析和偏相关分析自相关分析为什么要做自相关分析：对数据进行建模前首先要对数据有一个大致的理解，自相关分析可以帮助人们看出数据是否平稳，时间序列是否存在某种变化的趋势。自相关简介：自相关是指同一时间序列在不同时刻取值的相关程度，假设有时间序列xt，t=1,2,3,…，则在此时刻 t 和 t+n 之间的相关即为 n 阶自相关，其定义如下：通俗上说，就是把一列数据按照滞后数拆成两列数据，再对这两列数据做类似相关系数的操作。如下图通过r语言实现自相关分析：在r语言中，可直接使用a