原创 圖論經典算法
原文鏈接：https://www.cnblogs.com/wushaogui/p/9222828.html 一.問題類 https://www.cnblogs.com/wushaogui/p/9
2019-09-05 05:39:52
1
原创 networkx功能彙總
原文鏈接：https://www.jianshu.com/p/e543dc63454f 轉載：https://www.jianshu.com/p/e543dc63454f 目錄 創建一個圖 節點
2019-09-05 05:39:52
2
原创 圖算法：概覽
原文鏈接：https://mp.weixin.qq.com/s/7PZ6L1YzPZdiMNK25sUqjg 上一篇博文中，我們已經對圖數據庫基礎作了分享，介紹了圖和圖數據庫的基本概念，今天我們
2019-09-05 05:39:52
原创 xgboost論文總結1
介紹 原文鏈接：http://d0evi1.com/xgboost/還可參考https://zxth93.github.io/2017/09/29/XGBoost%E7%AE%97%E6%B3%95%E5%8E%9F%E7%90%86/i
2018-09-04 10:54:41
原创 LightGBM與XGBoost原理
LightGBM和XGBoost都是GBDT的高效實現，所以先簡單介紹下GBDT。1. Gradient Boosting Decision Tree提升樹的學習優化過程中，損失函數平方損失和指數損失時候，每一步優化相對簡單，但對於一般損
2018-09-04 10:54:40
原创 時間序列分析——ARIMA模型
指數平滑法對時間序列上連續的值之間的相關性沒有要求。但是，如果你想使用指數平滑法計算出預測區間， 那麼預測誤差必須是不相關的， 且必須是服從零均值、 方差不變的正態分佈。即使指數平滑法對時間序列連續數值之間相關性沒有要求，在某種情況下，
2018-09-04 10:54:39
原创 Python time strptime()方法
Python time strptime()方法描述Python time strptime() 函數根據指定的格式把一個時間字符串解析爲時間元組。語法strptime()方法語法：time.strptime(string[, forma
2018-09-04 10:54:38
原创 預測算法——指數平滑法
目錄•1.指數平滑定義及公式•2.一次指數平滑•3二次指數平滑•4.三次指數平滑•5指數平滑係數α的確定1、指數平滑的定義及公式 產生背景：指數平滑由布朗提出、他認爲時間序列的態勢具有穩定性或規則性，所以時間序列可被合理地順勢
2018-09-04 10:54:38
原创 RANSAC隨機採樣一致性算法
RANSAC隨機採樣一致性算法RANSAC算法的輸入是一組觀測數據（往往含有較大的噪聲或無效點），它是一種重採樣技術（resampling technique），通過估計模型參數所需的最小的樣本點數，來得到備選模型集合，然後在不斷的對集合
2018-09-04 10:54:38
原创 pandas中關於set_index和reset_index的用法
1.set_indexDataFrame可以通過set_index方法，可以設置單索引和複合索引。 DataFrame.set_index(keys, drop=True, append=False, inplace=False, ver
2018-09-04 10:54:38
原创 Python datetime 模塊之timedelta
原文地址：http://blog.csdn.net/xinxing__8185/article/details/48022401timedalte 是datetime中的一個對象，該對象表示兩個時間的差值構造函數：datetime.tim
2018-09-04 10:54:37
原创 Holt-Winters模型原理分析及代碼實現（python)
引言 原文：http://blog.csdn.net/u010665216/article/details/78051192最近實驗室老師讓我去預測景區內代步車輛的投放量，於是乎，本着“一心一意地輸出年富力強的勞動力”這份初心，我就屁顛屁
2018-09-04 10:54:37
原创 GBDT和Xgboost對比
一．GBDT有哪些參數,如何確定樹的深度，學習率怎樣確定。 答：本題答案引自http://www.07net01.com/2016/12/1742073.html 在sk-learn中，GradientBoostingClassifier
2018-09-04 10:54:37
原创 關於AUC
預測值爲正例，記爲P（Positive）預測值爲反例，記爲N（Negative）預測值與真實值相同，記爲T（True）預測值與真實值相反，記爲F（False）樣本中的真實正例類別總數即TP+FN。TPR即True Positive Rat
2018-09-04 10:54:37
原创 Git學習筆記
學習途徑：廖雪峯博客：https://www.liaoxuefeng.com/wiki/0013739516305929606dd18361248578c67b8067c8c017b000/0013743256916071d599b3ae
2018-09-04 10:54:37