1. 다시 읽어 SV 논문에 결정했다.
2.MMD : https://blog.csdn.net/a1154761720/article/details/51516273
사용 3.pytorch 학습 torch.squeeze ()와 torch.unsqueeze ()의
https://blog.csdn.net/xiexu911/article/details/80820028
4. 중간 수
https://blog.csdn.net/zhang20072844/article/details/13372753
https://blog.csdn.net/z84616995z/article/details/18909475
베이 즈 요인 https://www.zhihu.com/question/29620591
제 Benjamini-호흐 베르크 절차
https://wenku.baidu.com/view/fcc64d9af61fb7360b4c6575.html
7. 완성 된 독서는 아무것도 새로운 이해 아이 보인다.
제 누락 값을 나타내었다. 아주 이해되지 않는 단어의 전가 의미하는 것이 었습니다, 당신은 많은 관련 블로그 아 발생할 수 있습니다, 직접 바이두 데이터 전가가 있어야합니다, 당신은 NetEase는 번역보기 혼란 한 후 단어의 의미와 함께있었습니다. . . 더 바이보다는 추측 이해하지 마십시오.
https://www.jianshu.com/p/90220f34f9d5
누락 값을 처리하는 일반적인 방법 :
https://www.cnblogs.com/tecdat/p/11776029.html R 보간 (생각의 : 예를 들어, 많이 제시 보간 방법, 아주 키와 같은 임의 숲 외모, 그리고 약 쓰기에 코드를 볼려고 .... 문제 해결을 위해 빌린 그것을하지 않습니다 수 있습니다.)
9.sklearn 직접 데이터가 imputer 클래스는 직접 추가 할 수 있지만, 당신이 그것을 맞게하려는 이유 이해가 안 돼요?
https://blog.csdn.net/weixin_39541558/article/details/80627199
NumPy와 오기 로 순이익 에서 수입 Imputer을 sklearn.preprocessing ### 1 누락 기입의 평균값을 사용하여 IMP = Imputer (missing_values = " NaN이 ' 전략 = ' 평균 ' 축 = 0 ) 인쇄 (imp.fit ([ 1 , 2 ], [np.nan, 3 ], [ 7 , 6 ])) X = [np.nan, 2 ], [ 6 , np.nan], [ 7 , 6 ] 인쇄 (imp.transform (X)) # 다음은 출력되고 Imputer (축 = 0 , 복사 = 사실, missing_values = ' NaN의 ' 전략 = ' 평균 ' , 자세한 = 0 ) [ 4 . 2 . ] [ 6 . 3.66666667 ] [ 7 . 6 . ]]
https://www.cnblogs.com/chaosimple/p/4153158.html 에 맞게 맞춤으로 먼저 매트릭스 명확하게 비교, 나중에 매트릭스가 작성 변환에 평균 이동에 사용합니다.
당신은 평균 / 중앙값 / 공공 충전의 수를 선택할 수 있습니다.
# 벤치 마크 매트릭스 아에 대한 기존의 필요성, 나는 다른 방법이 그것을 다룰 수 있습니다, 그것은 다른 접근해야한다, 그것은 OK, 그것은 직접 행과 열의 매트릭스라고 생각? (개인 뷰)
는 사우스 캐롤라이나 #에있는 경우에, 어떻게 진행 하는가? 갑자기 생각하고 다음 transformX 모든 권리로,에 맞게 X를 사용, 당신은이 행렬이 자동으로 채워 사용할 수 있습니다.
당신이 잠자기, 다음 배우고 함께 작업을 계속 할 수 있다면 # 내일, 오 급유 계속합니다. .