随笔分类 - Python
Python
摘要：安装UV 已有python环境，直接通过pip安装： pip install uv 或者通过命令来运行： # windows环境，在powershell窗口执行： powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/inst
阅读全文
摘要：1. 一元正态分布 对于随机变量\(X \sim \mathcal{N}(\mu, \sigma^2)\)，其概率密度函数为：\(f(x) = \frac{1}{\sigma\sqrt{2\pi}} \exp\left( -\frac{(x-\mu)^2}{2\sigma^2} \right)\)
阅读全文
摘要：高斯混合模型（Gaussian Mixture Model, GMM）是一种常用的概率模型，用于聚类和密度估计。它假设数据是由多个高斯分布混合生成的。GMM 的计算通常使用 期望最大化（Expectation-Maximization, EM）算法 来求解。 一、问题设定 我们有： 数据集：\(X
阅读全文
摘要：# 1. 生成示例数据 X, _ = make_blobs(n_samples=10, centers=2, cluster_std=0.90, random_state=0) 生成的数据： [[ 1.10590929 5.61263348] [-0.24242331 1.4859204 ] [ 1
阅读全文
摘要：KMeans 算法的核心是计算样本与质心之间的距离，不同的距离度量方法会导致聚类结果的差异。 1. 欧氏距离（Euclidean Distance） 公式：\(d(x,y) = \sqrt{\sum_{i=1}^{n}(x_i-y_i)^2}\) 特点：最常用的距离度量，直观表示空间中两点的直线距离
阅读全文
摘要：1. 正态分布的定义 正态分布（Normal Distribution），又称为高斯分布（Gaussian Distribution） ，是一种在统计学和概率论中最重要的连续概率分布。它广泛应用于自然科学、社会科学、工程、金融等领域。 正态分布的概率密度函数（PDF）如下： \[f(x|\mu, \
阅读全文
摘要：import numpy as np # 数据集，一个二维数组，每一行代表一个样本，每一列代表一个特征 data = np.array([ [11.51, 529.83, 526.49, 93.00, 71.45, 208.25], [12.09, 526.70, 524.66, 92.03, 84
阅读全文
摘要：StandardScaler 是一种常用的数据标准化方法，用于将数据转换为均值为 0，标准差为 1 的标准正态分布。 但是，StandardScaler在计算过程中用的是 “总体标准差”，而不是“样本标准差” 总体标准差 \[\sigma = \sqrt{\frac{\sum_{i=1}^n (x_
阅读全文
摘要：在DataFrame中使用np.select可以根据不同条件对DataFrame的列进行赋值操作。 example:创建了一个包含学生姓名和成绩的DataFrame，接着定义了一系列条件以及对应的等级标签，最后借助np.select函数依据这些条件为每个学生添加了等级标签。 import panda
阅读全文
摘要：from scipy.signal import lti, lsim # 微分环节的参数 T = 10 # 时间常数 # 创建惯性环节的传递函数 num = [T,0] den = [T, 1] system = lti(num, den) # 10s # # 10s+1 # 计算阶跃响应 t =
阅读全文
摘要：class PID: def __init__(self, kp, ki, kd): self.kp = kp self.ki = ki self.kd = kd self.prev_error = 0 self.integral = 0 def update(self, setpoint, cur
阅读全文
摘要：import numpy as np from sklearn.preprocessing import MinMaxScaler # 生成一个 10x5 的随机矩阵 matrix = np.random.rand(10, 5) # 创建 MinMaxScaler 对象 scaler = MinMa
阅读全文
摘要：微分信号 传递函数 \[G(s) = \frac{Ts}{Ts+1} \]阶跃响应 单位阶跃函数\(u(t)\) 的拉普拉斯变化为 \(U(s)=\frac{1}{s}\) \[Y(s)=G(s)U(s)=\frac{T}{Ts+1} \]对\(Y(s)\) 进行拉普拉斯反变换,得到微信信号的阶跃响
阅读全文
摘要：rolling参数 DataFrame.rolling(window, min_periods=None, center=False, win_type=None, on=None, axis=0, closed=None) window：表示时间窗口的大小；可省略不写。两种形式：int和offse
阅读全文
摘要：双向 LSTM（Bidirectional LSTM，BiLSTM）是一种特殊的 LSTM 结构，它同时处理序列的正向和反向信息。这意味着对于给定的时间步，双向 LSTM 不仅考虑了之前的时间步的信息（像标准的单向 LSTM 一样），还考虑了未来时间步的信息。这使得 BiLSTM 在处理自然语言处理
阅读全文
摘要：class LSTMModel(nn.Module): def __init__(self, input_size, hidden_size, num_layers, output_size): super(LSTMModel, self).__init__() self.lstm = nn.LST
阅读全文
摘要：通过Pip升级Torch报错：ERROR: Could not install packages due to an OSError: [Errno 28] 设备上没有空间 原来/tmp空间不足 临时解决方案 使用 tmpfs 暂时增加 /tmp 空间 # 创建一个新的 tmpfs 挂载点 sudo
阅读全文
摘要：数据集 AUTO MPG Auto MPG（Miles Per Gallon）数据集，它是一个经典的回归问题数据集，常用于机器学习和统计分析。该数据集记录了不同型号汽车的燃油效率（即每加仑燃油行驶的英里数）以及其他多个相关特征。 数据集特征: mpg: 每加仑燃油行驶的英里数（目标变量）。 cyli
阅读全文
摘要：过滤法 (Filter Method)：过滤法通过计算特征与目标变量之间的统计关系，独立于模型来选择特征，它通常使用简单的评估标准，如相关性或方差 过滤法： 方差阈值法：移除低方差特征 相关系数：计算特征与目标变量之间的相关性（如皮尔逊相关系数） 卡方检验：用于分类任务，评估特征与目标变量的独立性
阅读全文
浙公网安备 33010602011771号