【机器学习】基于逻辑回归的癌症预测案例
1 import pandas as pd
2 import numpy as np
3 from sklearn.preprocessing import StandardScaler # 标准化
4 from sklearn.model_selection import train_test_split # 数据集拆分
5 from sklearn.linear_model import LogisticRegression
6 from sklearn.metri
吴裕雄--天生自然MySQL学习笔记:MySQL 运算符
要介绍 MySQL 的运算符及运算符的优先级。 MySQL 主要有以下几种运算符:
算术运算符
比较运算符
逻辑运算符
位运算符 算术运算符
MySQL 支持的算术运算符包括: 在除法运算和模运算中,如果除数为0,将是非法除数,返回结果为NULL。
1、加
mysql> select 1+2;
+-----+
| 1+2 |
+-----+
| 3 |
+-----+
2、减
mysql> select 1-2;
+-----+
| 1-2 |
+--
【转载】tensorflow学习笔记
tensorflow学习笔记一:安装调试 用过一段时间的caffe后,对caffe有两点感受:1、速度确实快; 2、 太不灵活了。 深度学习技术一直在发展,但是caffe的更新跟不上进度,也许是维护团队的关系:CAFFE团队成员都是业余时间在维护和更新。导致的结果就是很多新的技术在caffe里用不了,比如RNN, LSTM,batch-norm等。当然这些现在也算是旧的东西了,也许caffe已经有了,我已经很久没有关注caffe的新版本了。它的不灵活之处就是新的东西很难自己扩展,只能等版本更新
caffe.bin用法
$ ./build/tools/caffe.bin caffe.bin: command line brew usage: caffe <command><aegs> commands: train 训练或微调一个模型 test 对一个模型打分 device_query 显示GPU诊断信息 time 评估模型执行时间 Glags from tools/caffe.cpp: -gpu (可选参数,给定时运行在GPU模式,'-gpu all' 则表示运行在所有可用GPU设备上,此
【动态规划专题】5:换钱的方法数
《程序员代码面试指南--IT名企算法与数据结构题目最优解》 左程云 著 换钱的方法数 【题目】 给定数组arr, arr中所有的值都为正数且不重复。 每个值代表一种面值的货币,每种面值的货币可以使用任意张, 再给定一个整数aim,代表要找的钱数,求换钱有多少种方法。 【举例】 arr=[5,10,25,1],aim=0 组成0元的方法只有1种,就是所有面值的货币都不用。所以返回1. arr=[j5,10,25,1],aim=15 组成15元的方法有6种, 5Y*3 10Y*1+5Y*1 10Y
【机器学习】数据降维
1 import pandas as pd
2 from sklearn.decomposition import PCA
3
4 # 以detail 为例实现数据降维
5 # 加载数据
6
7 detail = pd.read_excel("../day05/meal_order_detail.xlsx")
8 print("detail :\n", detail)
9 print("detail 的列索引名称:\n", detail.columns)
10
11 #
【Pathview web】通路映射可视化
前言 pathview是一个通路可视化友好的R包,最主要的是它支持多组学数据映射(基因/蛋白-代谢)。自己用过它的R包,后来发现有网页版的,果断介绍给学员。因为不常用,记录要点,以后温习备用。 目前web版本和R包访问和应用次数如下,显然R群体用户占主导。Web界面是在PHP上使用Laravel Framework和R构建的。地址:https://pathview.uncc.edu/ 使用时可以游客快速访问,不过注册的话会保留一段时间分析的结果。 工具使用的帮助文档详见:https://pat
【机器学习】朴素贝叶斯文本分类案例
1 import pandas as pd
2 from sklearn.feature_extraction.text import CountVectorizer
3 import jieba
4 import numpy as np
5 from sklearn.naive_bayes import MultinomialNB
6
7 # 1、加载数据
8 data = pd.read_csv("./data.csv", encoding="ansi")
9 print
nginx导入学成静态网页
nginx导入学成静态网页 示例 server {
listen 80;
server_name localhost;
ssi on; # 使用服务端包含
ssi_silent_errors on;
location / {
alias D:/0xc/xc-front/xc-ui-pc-static-portal/; #如果末尾不加斜杠报403
index index.html;
}
} bug D:\cheng
【机器学习】词云(worldcloud)统计词的重要性
1 from wordcloud import WordCloud,ImageColorGenerator
2 import matplotlib.pyplot as plt
3 import jieba
4 from PIL import Image
5 import numpy as np
6
7
8 # # 1、设置一个文本,显示的文本
9 # #
10 # with open("./元尊.txt", "r", encoding="utf-8") as f:
11 #
ucosii- II
一、ucos是如何分层的 返回目录 二、HAL都有哪些代码 背景介绍: 硬件抽象层技术最初是由Microsoft公司为确保WindowsNT的稳定性和兼容性而提出的。针对过去Windows系列操作系统经常出现的系统死机或崩溃等现象,Microsoft总结发现,程序设计直接与硬件通信,是造成系统不稳定的主要原因。在得出这个结论的基础上,微软公司在WindowsNT上取消了对硬件的直接访问,首先提出了硬件抽象层(Hardware Abstraction Layer,简称HAL)的概念。 概念: 硬
【机器学习】基于线性回归的波士顿房价预测
1 import pandas as pd
2 from sklearn.datasets import load_boston # 波士顿房价数据
3 from sklearn.model_selection import train_test_split # 拆分数据集
4 from sklearn.preprocessing import StandardScaler # 标准差标准化
5 from sklearn.linear_model import Linea
01-切片的赋值操作
切片的赋值操作
作用:
可以改变原列表的排列,可以插入,和修改数据
语法:
列表[切片] = 可迭代对象
说明:
切片赋值的赋值运算符(=)的右侧必须是一个可迭代对象
示例:
L = [2, 3, 4]
L[0:1] = [1.1, 2.2] # L=[1.1, 2.2, 3, 4]
L[0:2] = [2] # L = [2, 3, 4]
L[1:2] = [3.1, 3.2] # L = [2, 3.1, 3.2
drf序列化组件实现十大接口
目录 序列化字段了解配置 response二次封装 连表深度查询 单查群查 单增群增 单删群删 整体单改群改 局部单改群改 序列化字段了解配置 了解配置: fields = '__all__'
exclude = ['name'] 排除name字段
depth = 2 自动深度,值代表深度次数,但是被深度的外键采用__all__,显示所有字段
response二次封装 from rest_framework.response import Response
class APIRes
今日推荐
周排行