sdf57的博客

转载 Latex强制图片位置

overleaf, 图片位置

转载 使用mac外接适用于windows的键盘时，如何设置快捷键？

mac外接windows键盘，如何设置

转载 Column-and-constraint generation VS Benders‘ decomposition

Optimization

转载 pycharm收缩代码块 折叠/展开快捷键

展开展开当前代码块ctrl =彻底展开当前代码块ctrl alt =展开所有代码块ctrl shift +折叠折叠当前代码块ctrl -彻底折叠当前代码块ctrl alt -折叠所有代码块ctrl shift -

转载 自助法（bootstrapping）划分数据集

自助法（bootstrapping）划分数据集 一、前戏 在将数据集划分为训练集和测试集时，测试样本应从真实分布中独立同分布采样获得；同时测试集应该尽可能与训练集互斥，也就是测试样本尽量不要在训练集中出现、未在训练过程中使用过。 多数情况下采用留出法（hold-out），即从数据集中分层采样（stratified sampling）出约30%的数据作为测试集。分层采样的目的是要保持数据分布的一致性，避免划分过程

转载 从零开始实现核密度估计（kernel density estimation，KDE）-python实现

问题背景 核密度估计（kernel density estimation）是在概率论中用来估计未知的密度函数，属于非参数检验方法之一，由Rosenblatt (1955)和Emanuel Parzen(1962)提出，又名Parzen窗（Parzen window）。 具体原理推导...

转载 核密度估计（KDE)

对于大量数据的可视化，在一维数据中，直方图（histogram）是一种普遍的方式，另外还有一种方式：核密度估计(kernel density estimation)。除了在可视化方面的用处以外，核密度估计有利与进行聚类算法的构造。 基本概念 核密度估计方法从直观上来...

转载 MATLAB找出二维数组中最接近某个数的n个数

clear;clc;% 找出数组A中最接近b的n个数,一维二维通用A=round(100*rand(10)); % 要找的数组AA=A(:);b=20; % 要接近的数n=20; % 要找的个数[sA,index] = sort(abs(AA-b));RESULT=A(index(1:n))...

转载 一个专门下载全球气象站数据的网站（包括中国700多个站）

我只是搬运工。。。 1.我也下载了，好像不能超过500M每次，100个站。下了也不会看。有没有高手能介绍下专门下载某个省的所有气象站气温资料的方法，从而计算出每个站每月的平均气温。。格式为txt。 2 http://www.esrl.noaa.gov/psd/data/gridded/reanalysis/网站可以下载气象数据，.nc格式，同样不会用，不会打开，网上搜到.nc查看方法（http://blog.16...

转载 分位数回归（Quantile Regression）

在介绍分位数回归之前，先重新说一下回归分析，我们之前介绍了线性回归、多项式回归等等，基本上，都是假定一个函数，然后让函数尽可能拟合训练数据，确定函数的未知参数。尽可能拟合训练数据，一般是通过最小化MSE来进行： 所以得到的y本质上就是一个期望。 根据上面的分析，我们可以得到一个...

原创 plt颜色参考

转载 装上后这 14 个插件后，PyCharm 真的是无敌的存在

Key Promoter X如果让我给新手推荐一个 PyCharm 必装插件，那一定是Key Promoter X。它就相当于一个快捷键管理大师，它时刻地在：教导你，当下你的这个操作，应该使用哪个快捷操作来提高效率？提醒你，当下你的这个操作，还没有设置快捷键，赶紧设置一个？有了Key Promoter X，你很快就能熟练地掌握快捷键，替代鼠标指日可待。比如我使用鼠标点开Find in Path，它就会在右下角弹窗提示你该用哪个快捷键。　　2. Vim in PyCharm在大多数场景之.

转载 Pycharm | 像MATLAB一样使用cell模式编程，运行此cell代码等功能

示例： 点击“运行”按钮就可以只运行被一对“##”包含起来的代码块。 开启方法： 2020/4/28更新： 也可以直接使用 #%% 使用cell模式。  ...

转载 回声状态网络(ESN)原理详解(附源码实现)

最近在看回声状态网络(Echo State Network)的内容，因为很少搜到关于Echo State  Network的快速入门讲解，所以打算写一下ESN的基本原理。 1、概念 回声状态网络作为一种新型的递归神经网络(如上图)，也由输入层、隐藏层(即储备池)、输出层组成。其将隐藏层设计成一个具有很多神经元组成的稀疏网络，通过调整网络内部权值的特性达到记忆数据的功能，其内部的动态储备池(DR)包...

原创 地图素材网站

地图素材网站直接下载矢量图文件是PPT最好的选择，轻松变色设计出自己喜欢的版式类型。1、网站：国家标准地图（http://bzdt.ch.mnr.gov.cn）这是中国地图国家标准服务网站，需要商业使用地图建议在该网站调用，可以直接导出JPG及EPS格式文件，下载EPS格式文件更加方便PPT使用。2、网站：http://pixelmap.amcharts.com选择地图区域，网站直接自动生成，最后选择【SVG】格式下载，SVG格式是开放式标准的矢量图文件。...

转载 python中一次存储多张图片（for循环生成的图片）

python中一次存储多张图片（for循环生成的图片）在for循环语句中，每循环一次就要生成一张图片，可以按照以下方法将照片自动保存：#导入两个包import matplotlib.pyplot as pltimport numpy as np#数据准备x = np.arange(27)x = np.reshape(x, (3,9))#建立for循环语句，绘制x的前三列for i in range(3): plt.plot(x[:,i]) # plt.show() #

原创 Python与Gurobi接口问题

连接Python与Gurobi主要参考佐治亚理工学院博士写的知乎文章：https://zhuanlan.zhihu.com/p/29165673就是把Gurobi安装目录下的一个文件夹复制到Anaconda目录下即可。Gurobi安装目录下的文件路径为：C:\gurobi800\win64\python36\lib。将gurobipy文件夹复制到此路径下：C:\ProgramData\Anaconda3\Lib。 就可以在Anaconda界面下使用Python调用Python进行求解模型了。..

转载 单目标优化、多目标优化

1、优化问题三要素： 决策变量、目标函数、约束 2、单、多目标优化的关系： 多目标优化问题的各个子目标之间是矛盾的 ,一个子目标的改善有可能会引起另一个或者另几个子目标的性能降低 , 也就是要同时使多个子目标一起达到最优值是不可能的 , 而只能在它们中间进行协调和折中处理 , 使各个子目标都尽可能地达到最优化。其与单目标优化问题的本质区别在于 ,它的解并非唯一 ,而是存在一组由众多 Pareto最优解组成的最...

转载 多目标优化之帕累托最优

多目标优化 一般可以写为 帕累托最优 定义 帕累托最优（Pareto Optimality），也称为帕累托效率（Pareto efficiency），是指资源分配的一种理想状态，假定固有的一群人和可分配的资源，从一种分配状态到另一种状态的变化中，在没有使任何人境况变坏的前...

原创 keras进行超参数调参优化

python/keras中用Grid Search对神经网络超参数进行调参https://blog.csdn.net/tanlangqie/article/details/81976310

原创 混沌神经网络笔记

混沌神经网络笔记混沌神经网络学习笔记一https://blog.csdn.net/hey_mr_airplane/article/details/80249762?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-1.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachi

转载 遗传算法应用--基于遗传算法的神经网络结构改进

基于遗传算法的神经网络结构改进          author：SaulZhang    School：NWPU    &n...

转载 [机器学习] 特征选择-递归式特征消除

特征选择 代码下载 本文主要介绍sklearn中进行特征选择的方法。 sklearn.feature_selection模块中的类可用于样本集的特征选择/降维，以提高估计量的准确性得分或提高其在超高维数据集上的性能。 文章目录 1 基本使用介绍2 应用实例3 参考 递...

转载 【ML】sklearn中, fit，fit_transform,transform的区别与联系

scikit-learn提供了一系列转换库，他们可以清洗，降维，提取特征等。 在数据转换中有三个很重要的方法，fit，fit_transform,transform ss=StandardScaler()X_train = ss.fit_transform(X_train)X...

转载 PCA数据降维原理及python应用（葡萄酒案例分析）

目录 主成分分析（PCA）——以葡萄酒数据集分类为例 1、认识PCA （1）简介 （2）方法步骤 2、提取主成分 3、主成分方差可视化 4、特征变换 5、数据分类结果 6、完整代码 总结： 主成分分析（PCA）——以葡萄酒数据集分类为例 1、认识PCA （1）简介 数据降维的一种方法是通过特征提取实现，主成分分析PCA就是一种无监督数据压缩技术，广泛应用于特征提取和降维。 换言之，P...

转载 Python 深度学习实战：75个有关神经网络建模、强化学习与迁移学习的解决方案

深度学习正在为广泛的行业带来革命性的变化。对于许多应用来说，深度学习通过做出更快和更准确的预测，证明其已经超越人类的预测。本书提供了自上而下和自下而上的方法来展示深度学习对不同领域现实问题的解决方案。这些应用程序包括计算机视觉、自然语言处理、时间序列预测和机器人。 本书主要内容...

转载 Java中取余(%)和取模(Math.floorMod)的区别

之前一直都认为取模和取余是一样的，甚至还怀疑设计语言的大神们不是脑子有问题么，为什么要整两个一样的东西，现在想想还是自己太 low了，竟然不能 get 到大神们的良苦用心。今天莫名其妙的用到了Java的取模方法，发现竟然和我之前的认知完全不一样，what。。fuck。。于是来这里记录...

转载 python练习小项目

转载于：https://www.cnblogs.com/shiyanlou/p/7238503.html 1、【Python 图片转字符画】 2、【200行Python代码实现2048】 3、【Python3 实现火车票查询工具】 4、【高德API+Python解决租房问题 】 5...

原创 模拟退火算法

航迹规划——模拟退火算法模拟退火算法（代码）

转载 Python开n次方根

Python开多次方根https://blog.csdn.net/chang1976272446/article/details/89185450result = value ** (1 / root)开8的3次方根就是 8 ** (1 / 3)结果是2.0https://blog.csdn.net/kwame211/article/details/86542611pow(a, b)函数即可。需要开a的r次方则pow(a, 1/r)。t=math.pow(5, 1/10)print(t)

转载 python：如何对list元组进行排序

python：如何对列表/元组进行排序(list/tuple)链接：https://www.codenong.com/3121979/data = [[1,2,3], [4,5,6], [7,8,9]]data = [(1,2,3), (4,5,6), (7,8,9)]我想按子集中的第二个元素排序。也就是说，按2,5,8排序，其中2来自(1,2,3)，5来自(4,5,6)。通常的方法是什么？我应该在列表中存储元组或列表吗？sorted_by_second = sorted(data, key

转载 轮盘赌算法

轮盘赌算法思想举个例子若有群体pop，里面存在的个体为：pop = [‘a’ ,‘b’, ‘c’, ‘d’, ‘e’]他们的适应度（用于衡量被选择的概率）为：obj = [1 ,3, 0, 2, 4]判断是否选择的标准为一个随机生成的有序的序列：ms = [0.05 , 0.2 , 0.7 , 0.8 ,0.9]按照上述流程，计算出的相应的结果为：1.被选择概率p= [0.1 , 0.3, 0 , 0.2 , 0.4]2.累积概率q= [0.1 , 0.4 , 0

转载 使用动态规划求解旅行商问题

转载于：https://www.cnblogs.com/youmuchen/p/6879579.html 　　旅行商问题是np问题，在集合表示那里用set去实现效率很很低，而且要保存的数都是不重复的比较小的整数，所以这里用二进制串表示集合。比如集合{1,3,5,6,7}表示成二进制串用1110101，其中集合里面有的数对应的位数写成1，没有的写成0。要判断第3位是不是1，就把 1110101右移(3-1)位，得到11101，然后结果和00001进行 & 运算，如果结果是1说明第3位是1，否

转载 旅行商问题（动态规划方法，超级详细的）

一、题目 一个售货员必须访问n个城市，恰好访问每个城市一次，并最终回到出发城市。 售货员从城市i到城市j的旅行费用是一个整数，旅行所需的全部费用是他旅行经过的的各边费用之和，而售货员希望使整个旅行费用最低。（等价于求图的最短哈密尔顿回路问题）令G=(V, E)是一个带权重的有向图，顶点集V=(v0, v1, ..., vn-1)。从图中任一顶点vi出发，经图中所有其他顶点一次且只有一次，最后回到同一顶点vi的最短...

转载 椭圆的长短轴分别沿着矩阵A的两个特征向量的方向

转：https://www.cnblogs.com/jiahenhe2/p/7931129.html 椭圆的长短轴分别沿着矩阵A的两个特征向量的方向，而两个与之对应的特征值分别是半长轴和半短轴的长度的平方的倒数 于是可以看出，椭圆的轴向沿着A的特征向量，半轴长是A的特征值倒数的开方。 更一般以及更高维同理。 ...

转载 正定矩阵与半正定矩阵定义与判别

1.正定矩阵和半正定矩阵 若所有特征值均大于零，则称为正定。 定义:A是n阶方阵，如果对任何非零向量x，都有>0,其中表示x的转置，就称A为正定矩阵。 性质: 正定矩阵的行列式恒为正；实对称矩阵AA正定当且仅当AA与单位矩阵合同；两个正定矩阵的和是正定矩阵；正实数与正定矩阵的乘积是正定矩阵。根据正定矩阵的定义及性质，判别对称矩阵A的正定性有两种方法： 求出A的所有特征值。若A的特征值均为正数，则A...

转载 遍历二叉树的方法合集

转载于：https://leetcode-cn.com/problems/binary-tree-preorder-traversal/solution/leetcodesuan-fa-xiu-lian-dong-hua-yan-shi-xbian-2/关于 LeetCode 上的3道题的解法94.二叉树的中序遍历144.二叉树的前序遍历145.二叉树的后序遍历前序遍历-代码片段public static void preOrderRecur(TreeNode head) { if

转载 动态规划中的降维之逆序遍历

降维 动态规划类的题目，如果题目里给了两个参数，那么往往就需要建立二维动态数组，在做题的时候要随手把表格画出来，便于理解。 很多时候，二维数组可以进行空间优化，因为第i行的值往往只与第i-1行有关，因此只需要维护一个一维的动态数组就好了。 在维护一个一维dp数组的时候，有时候第i个元素的新的值，只跟第i个元素的旧值，以及它前面那个值有关，这样的话就不需要逆序遍历。 例题：1、leetcode 64 : 最小路径和 https://lee...

转载 01背包 与 完全背包 中的降维

01背包 每种物品只有一件 对于二维降一维，外层循环中的每一个i其实是不需要记录的 所以在第i次循环刚开始时，所有的dp[]都未更新，此时下面的dp[x]记录的是前i-1个物品在容量是x时的最大值(x>=0&&x<=V) dp[0]dp[1]dp...

转载 【线性代数】理解矩阵变换及行列式的本质

参考：行列式的本质是什么？ 这篇文章的结构是： 线性变换的几何直观 实现线性变换的矩阵 行列式 一、线性变换的几何直观 线性变换的几何直观有三个要点： 变换前是直线的，变换后依然是直线 直线比例保持不变 变换前是原点的，变换后依然是原点 比如说旋转： 比如说推移： 这两个叠加也是线性变换： 二、实现线性变换的矩阵 矩阵可以讲的东西非常多，这里通过一个具体的例子来展...