数据科学专业问答社区，好文章，一字千金--CDA答疑社区

热线电话：13121318867

登录

詹惠儿

简述深度学习

深度学习是多层神经网络的新名称。可以说，深度学习是神经网络的增强和强大形式。两者之间的区别是微妙的。不同之处在于，与神经网络（最多2层构建）相比，深度学习模型建立在几个隐藏层（例如，超过2个）上。由于数据有多种形式（表格，图像，声音，网络等），线性方法很难学习和检测数据中的非线性。实际上，很多次甚至非线性算法（例如基于树的（GBM，决策树））

1.0473

1

3

0

关注作者

收藏

zxq997

JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式。其中：json.dumps ：将 Python 对象编码成 JSON 字符串json.loads：将已编码的 JSON 字符串解码为 Python 对象。调用json，先导入：import jsonjson.dumps(obj, skipkeys=False, ensure_ascii=Tru

3.1270

1

3

0

关注作者

收藏

kejiayuan0806

sql分组查询报错

问题描述：在执行SQL分组查询语句时报错：“not a single-group group function”解决方法：使用group by进行分组时，select 后面要查询出来的字段需符合以下两种情况：1、在group by 子句中出现2、使用聚合函数

0.0000

0

1

0

关注作者

收藏

kejiayuan0806

MySQL server has gone away

问题描述：MySQL执行代码报错Error ：Code .2006 MySQL server has gone away 解决方法：由于MySQL服务有连接时间要求，即某个MySQL长连接很久没新的请求发起，达到了server端的timeout,那么这个连接会被server强行关闭。此时再通过这个connection发起的查询的时候就会报错 server has gone away。这

0.0000

0

6

0

关注作者

收藏

kejiayuan0806

Rstudio中更换包镜像服务器的方法

问题描述：在R中安装包时报错，提示：Warning in install.packages : unable to access index for repository “https://cran.rstudio.com/src/contrib”:cannot open URL 'https://cran.rstudio.com/src/contrib/PACKAGES' Warning

99.4764

1

1

0

关注作者

收藏

kejiayuan0806

修复office的方法

问题描述：在使用Excel时无法启动，提示Microsoft Excel已停止工作。解决方法：控制面板——程序----卸载程序选择office2016 并点击更改选择快速修复如果修复后仍无法启动，建议重装office

0.0000

0

4

0

关注作者

收藏

PGC123

hive连接MySQL时有ssl警告

在hive连接MySQL时有ssl警告，警告内容如下：WARN: Establishing SSL connection without server's identity verification is not recommended. According to MySQL 5.5.45 , 5.6.26 and 5.7.6 requirements SSL connection must

0.0000

0

3

0

关注作者

收藏

kejiayuan0806

Internet Explorer 11安装更新

问题描述：在使用Excel函数帮助时，由于Internet Explorer 9 版本过低无法打开帮助页面。解决方法：1、卸载IE9如果计算机上面安装有IE9，这将有可能会导致安装失败，此时就先把IE9卸载。卸载路径为：【控制面板】，【程序】，【程序和功能】，【已安装更新】，找到IE9之后单击右键，选择“卸载”。2、检查计算机的系统版本是否符合IE11的条件（如：32位/64位 w

0.0000

0

0

0

关注作者

收藏

dreamhappy2012

numpy中文件的存储和读取

一维和二维数组存储np.savetxt(frame,array,fmt='%.18e',delimiter=None,newline='\n', header='', footer='', comments='# ', encoding=None)frame : 文件、字符串或产生器，可以是.gz或.bz2的压缩文件。array : 存入文件的数组（一维或者二维）。fmt：写入文件的

0.0000

0

5

0

关注作者

收藏

dreamhappy2012

numpy的数值类型

bool 用一位存储的布尔类型（值为TRUE或FALSE）inti 由所在平台决定其精度的整数（一般为int32或int64）int8 整数，范围为128至127int16 整数，范围为32 768至32 767int32 整数，范围为231至231 1int64 整数，范围为263至263 1uint8 无符号整数，范围为0至255uint16 无符号整数，范围为0至6

0.0000

0

5

0

关注作者

收藏

dreamhappy2012

numpy#矩阵的拼接

matr1 = np.matrix([[1,2,3],[4,5,6],[7,8,9]])#使用matrix创建matr2 = np.matrix([[1,2,3],[4,5,6],[7,8,9]])#使用matrix创建np.bmat('matr1 matr2 ')#矩阵的拼接，横着拼接 np.bmat('matr1;matr2 ')#矩阵的拼接，竖着拼接

0.0000

0

3

0

关注作者

收藏

詹惠儿

如何将数据存储在不同站点

有两种方法可以将数据存储在不同的站点上。它们是：1。复制在此方法中，整个关系以2个或更多站点冗余存储。如果整个数据库在所有站点都可用，则它是完全冗余的数据库。因此，在复制中，系统维护数据副本。这是有利的，因为它增加了不同站点的数据可用性。此外，现在可以并行处理查询请求。但是，它也有一些缺点。数据需要不断更新。在一个站点进行的任何更改都需要记录在存储关系的每个站点上，否则可能导致不一致。这是

0.0000

0

2

0

关注作者

收藏

詹惠儿

理解二项逻辑回归

先决条件：线性回归本文讨论了Logistic回归的基础知识及其在Python中的实现。逻辑回归基本上是监督分类算法。在分类问题中，目标变量（或输出）y只能为给定的一组特征（或输入）X采用离散值。我们也可以说目标变量是分类的。根据类别数量，Logistic回归可分为：二项式：目标变量只能有两种可能的类型：“0”或“1”代表“赢”与“损失”，“通过”与“失败”，“死”与“活着”等。多项式：

0.0000

0

1

0

关注作者

收藏

詹惠儿

回归分析的基本目标

回归分析的基本目标是根据自变量x的值来模拟因变量y的期望值。在简单回归中，我们使用以下等式 -y = a bx e这里y是因变量，a是y截距，b是斜率，e是误差率。在许多情况下，这种线性模型将无法解决。例如，如果我们在这种情况下根据合成温度分析化学合成的产生，我们使用二次模型y = a b1x b2 ^ 2 e这里y是x的因变量，a是y截距，e是误差率。通常，我们

0.0000

0

0

0

关注作者

收藏

啊啊啊啊啊吖

sklearn.neighbors 中的无监督算法

>>> from sklearn.neighbors import NearestNeighbors>>> import numpy as np>>> X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])>>> nbrs = NearestNeighbors(n_neighbors=2, algorithm=

0.0000

0

0

0

关注作者

收藏

詹惠儿

python如何进行主成分分析

第1步：导入库# importing required librariesimport numpy as npimport matplotlib.pyplot as pltimport pandas as pd第2步：导入数据集导入数据集并将数据集分发到X和y组件以进行数据分析。# importing or loading the datasetdataset = pd.read

0.0000

0

3

0

关注作者

收藏

啊啊啊啊啊吖

loss 参数设置

具体的损失函数可以通过 loss 参数设置。 SGDRegressor 支持以下的损失函数:loss="squared_loss": Ordinary least squares（普通最小二乘法）,loss="huber": Huber loss for robust regression（Huber回归）,loss="epsilon_insensitive": linear Suppor

0.0000

0

3

0

关注作者

收藏

啊啊啊啊啊吖

SGD 支持以下 penalties（惩罚）

具体的惩罚方法可以通过 penalty 参数来设定。 SGD 支持以下 penalties（惩罚）:penalty="l2": L2 norm penalty on coef_.penalty="l1": L1 norm penalty on coef_.penalty="elasticnet": Convex combination of L2 and L1（L2 型和 L1 型的凸组合

0.0000

0

3

0

关注作者

收藏

啊啊啊啊啊吖

随机梯度下降

作为另一个 classifier （分类器）, 拟合 SGD 我们需要两个 array （数组）：保存训练样本的 size 为 [n_samples, n_features] 的数组 X 以及保存训练样本目标值（类标签）的 size 为 [n_samples] 的数组 Y>>> from sklearn.linear_model import SGDClassifier>>> X = [[0.

0.0000

0

2

0

关注作者

收藏

啊啊啊啊啊吖

拟合泊松回归

> fit summary(fit)Call:glm(formula = sumY ~ Base Age Trt, family = poisson(), data =breslow.dat)Deviance Residuals:Min 1Q

0.0000

0

3

0

关注作者

收藏

<1…459460461…531>

CDA考试动态

CDA报考指南