2018年6月9日

摘要: 8u ftp 可以连接但是无法获取目录的解决办法:无法打开传输通道。原因:由于... 状态: 正在取得目录列表... 命令: CWD xinghun 响应: 250 OK. Current directoryis 命令: PWD 响应: 257 /www/xinghun is your curren 阅读全文

posted @ 2018-06-09 10:14 糖馅味 阅读(565) 评论(0) 推荐(0) 编辑

2018年2月3日

摘要: 数据分析中可能要用到的这些基础检验和模型,考虑什么时候适用 一、T检验 单样本T检验 独立样本T检验 配对样本T检验 二、方差分析 单因素方差分析 多因素方差分析 三、相关分析 四、回归分析 一元线性回归分析 多元线性回归分析 二元logistic回归分析 五、聚类和判别分析 六、主成分分析和因子分 阅读全文

posted @ 2018-02-03 11:58 糖馅味 阅读(342) 评论(0) 推荐(0) 编辑

2018年2月1日

摘要: 这次我们要做什么? 1、用IRIS的数据训练出一个决策树模型 ,并看他的模型精确度 2、同样用IRIS的数据训练出最近领域 KNN模型 ,并看这个模型的精确度 3、比较两个模型的精确度 4、了解模型是怎样训练出来的 一、用IRIS数据训练一个模型出来,用的是 tree (1)、从 sklearn 中 阅读全文

posted @ 2018-02-01 10:03 糖馅味 阅读(392) 评论(0) 推荐(0) 编辑

摘要: 用数据剖析热点 数据科学家=统计学家+程序员+讲故事的人+艺术家 此图自行忽略! 第一部分:总体思路 1、这是要完成一个区分水果类型的程序。 2、假象自己去果园,获得了一些数据,就是:苹果和橘子的重量和表面粗糙和光滑。 3、根据获得的数据,训练出一个模型。 4、用模型预测。即用新的一个水果,当输入重 阅读全文

posted @ 2018-02-01 10:01 糖馅味 阅读(341) 评论(0) 推荐(0) 编辑

2018年1月31日

摘要: 这次我们要做什么? 1、用IRIS的数据训练出一个决策树模型 ,并看他的模型精确度 2、同样用IRIS的数据训练出最近领域 KNN模型 ,并看这个模型的精确度 3、比较两个模型的精确度 4、了解模型是怎样训练出来的 一、用IRIS数据训练一个模型出来,用的是 tree (1)、从 sklearn 中 阅读全文

posted @ 2018-01-31 15:04 糖馅味 阅读(393) 评论(2) 推荐(0) 编辑

2018年1月27日

摘要: 一步一步来: 这是分析1992年到200年 国内生产总值x和财政收入y的数据。当知道某年的GDP是就可以预测财政收入了 1、导入相关包 2、读入数据并查看 3、导入模型,reshape(-1,1) 表示我也不知道几行,反正是一列! 4、查看估计的参数和截距项 5、假设某年的国内生产总值gdp为238 阅读全文

posted @ 2018-01-27 11:35 糖馅味 阅读(838) 评论(0) 推荐(0) 编辑

2018年1月26日

摘要: 研究一个班三组不同性别的学生(分别接受了三中不同的教学方法)在数学成绩上是否有显著差异。 数据 结果显示,分组和性别对数学成绩都有影响。 强调一点,分类变量需要加大写“C”!! 另外jupyter 有时候会出错,记得重启! 阅读全文

posted @ 2018-01-26 14:46 糖馅味 阅读(1262) 评论(0) 推荐(0) 编辑

2018年1月24日

摘要: 本例是用python种的scipy包和pandas包,分析四种不同的猪饲料 对 猪体重增加的作用有无不同。 1、导入所需要的包: 2、读取数据 3、展示数据 4、数据分组 5、方差齐性检验。结果显示:方差相等。可以看到p值等于0.9982大于0.05 说明应该接受H0(方差相等) 6、单因素方差分析 阅读全文

posted @ 2018-01-24 11:11 糖馅味 阅读(1438) 评论(0) 推荐(0) 编辑

2018年1月23日

摘要: 结束了。0.0 阅读全文

posted @ 2018-01-23 22:00 糖馅味 阅读(232) 评论(0) 推荐(0) 编辑

摘要: 首先获取两钟不同玉米的产量数据。 因为用了python的pandas包,因此读取数据前需要先引入pandas包。 图1 不同玉米用A B 表示,以下是读取了数据的前5行。 图2 分别把品种 A和品种B 的 玉米产量赋值给X和Y 。 然后用scipy.stats 包中的 levene 函数 检验数据方 阅读全文

posted @ 2018-01-23 21:59 糖馅味 阅读(2098) 评论(0) 推荐(0) 编辑