- 综合排序
- 最热优先
- 最新优先
- 来自专栏Hank’s Blog
3-5 处理缺失值
> x <- c(1,NA,2,NA,3) > is.na(x) [1] FALSE TRUE FALSE TRUE FALSE > x[!is.na(x)] #找出不是缺失值 [1] 1 2 3 > x <- c(1,NA,2,NA,3) > y <- c("a","b",NA,"c",NA) > z <- complete.cases(x,y) #都不是缺失值的元素 > x[z] [1] 1 > y[z] [1] "a" > library(datasets) #import dat
47210发布于 2020-09-16 - 来自专栏NetCore 从壹开始
3-5 安装CICD管理平台：Jenkins
大家这里可以先安装gitlab工具，我就省事了，直接用gitee做源代码管理平台了。
32621编辑于 2023-01-09 - 来自专栏叽叽西
lagou 爪哇 3-5 spring cloud (下) 笔记
为了⽀撑⽇益增⻓的庞⼤业务量，我们会使⽤微服务架构设计我们的系统，使得 我们的系统不仅能够通过集群部署抵挡流量的冲击，⼜能根据业务进⾏灵活的扩展。那么，在微服务架构下，⼀次请求少则经过三四次服务调⽤完成，多则跨越⼏⼗ 个甚⾄是上百个服务节点。那么问题接踵⽽来：
81520编辑于 2022-05-17 - 来自专栏PHP实战技术
3-5年的PHPer常见的面试题
看到有很多，的总结一下，比较适合有一定经验的PHPer 平时喜欢哪些php书籍及博客？CSDN、虎嗅、猎云 js闭包是什么，原型链了不了解？ for与foreach哪个更快？ php鸟哥是谁？能不能讲
1.5K100发布于 2018-03-09 - 来自专栏AI机器学习与深度学习算法
机器学习入门 3-5 Numpy数组(和矩阵)的基本操作
shape 属性查看数组的维度，返回值是一个元组，元组中对应位置的值为数组中对应维度的元素个数。
78410编辑于 2022-05-25 - 来自专栏cwl_Java
C++编程之美-结构之法(代码清单3-5)
代码清单3-5 void RecursiveSearch(int* number, int* answer, int index, int n) { if(index == n)
24420编辑于 2022-11-30 - 来自专栏跟着官方文档学小程序开发
第二章 小程序开发指南3-5
在本章会介绍小程序的基本开发流程，结合前面章节的知识，完全可以独立完成一个体验很完善的小程序。为了让开发者更加了解小程序开发，在本章中还会通过常见的一些应用场景介绍小程序API的一些细节以及开发的一些技巧和注意事项。
32710编辑于 2025-08-25 - 来自专栏AI研习社
未来 3-5 年内，哪个方向的机器学习人才最紧缺？
而传统的线性回归 (一元和多元) 也还会继续流行下去，因为其良好的可解释性和低运算成本。如何掌握回归模型？ 所以以 3-5 年的跨度来看，这些工具依然会非常有用，甚至像 CNN 和 LSTM 之类的深度学习算法还在继续发展迭代当中。
67860发布于 2018-03-19 - 来自专栏开心的学习之路
线性结构------线性表（一）
线性表的相关概念： ------线性表（Linear List）由有限个类型相同的数据元素组成，除了第一个元素和最后一个元素外，其他元素都有唯一的前驱元素和唯一的后继元素。 ------表中元素个数成为线性表的长度。 ------线性表没有元素时成为空表。 ------表起始位置成为表头，结束位置成为表尾。 基本操作集合： （1）void InitList(List *L):初始化一个空线性表表 （2）DataType FindByNum(int k, List L):查找线性表中第K位的元素，返回该元素 e):在线性表中第i个位置上插入元素e （5）void Delete(List L, int i):删除线性表中第i个位置上的元素 （6）int Lengh(List L):返回线性表长度 （7）void PrintList(List L):打印线性表 线性表的实现： 一、顺序实现 #define MAXSIZE 20 typedef int DataType; typedef struct {
61760发布于 2019-02-14 - 来自专栏开心的学习之路
线性结构------线性表（二）
如果要对链表进行插入删除操作，用顺序结构需要找到目标位置然后移动大量元素，复杂度为O（n），此时就需要考虑线性表的链式存储结构。 链式线性表由n个结点通过指针域连接而成。
45410发布于 2019-02-14 - 来自专栏学习笔记持续记录中...
线性结构和非线性结构
数据结构包括线性结构和非线性结构： 线性结构 1）特点是数据元素之间存在一对一的线性关系 2）线性结构有两种不同的存储结构，即顺序存储结构和链式存储结构。 顺序存储的线性表称为顺序表，顺序表中的存储元素是连续的 3）链式存储的线性表称为链表，链表中的存储元素不一定是连续的，元素节点中存放数据元素以及相邻元素的地址信息 4）线性结构常见的有：数组、队列、 链表和栈 非线性结构 非线性结构包括：二维数组、多维数组、广义表、树结构、图结构
1.1K20发布于 2020-03-18 - 来自专栏小小程序员——DATA
线性回归 numpy实现线性回归
手写线性回归 使用numpy随机生成数据 import numpy as np import matplotlib.pyplot as plt # 生成模拟数据 np.random.seed(42) # 可视化数据 plt.scatter(X, y) plt.xlabel('X') plt.ylabel('y') plt.title('Generated Data') plt.show() 定义线性回归参数并实现梯度下降 对于线性拟合，其假设函数为： h_θ(x)=θ_1x+θ_0 这其中的 θ 是假设函数当中的参数。 ) plt.ylabel('y') plt.legend() plt.title('Linear Regression using Gradient Descent') plt.show() 实现多元线性回归 多元线性回归的梯度下降算法： θ_j≔θ_j−α\frac{∂J(θ)}{∂θ_j} 对 \frac{∂J(θ)}{∂θ_j} 进行等价变形： θ_j≔θ_j−α\frac{1}{m}∑_{i=1}^
1.1K10编辑于 2023-12-02 - 来自专栏又见苍岚
线性模型 -1- 线性回归
学习华校专老师的笔记内容，记录线性模型相关知识。 线性模型( linear model ) 的形式为: f(\overrightarrow{\mathbf{x}})=\overrightarrow{\mathbf{w}} \cdot \overrightarrow 很多功能强大的非线性模型(nolinear model) 可以在线性模型的基础上通过引入层级结构或者非线性映射得到。 线性回归 问题定义 给定数据集 \mathbb{D}=\left\{\left(\overrightarrow{\mathbf{x}}_{1}, \tilde{y}_{1}\right),\left 最终学得的多元线性回归模型为： image.png 矩阵非满秩 当 \mathbf{X}^{T} \mathbf{X} 不是满秩矩阵。此时存在多个解析解，他们都能使得均方误差最小化。
1.1K20编辑于 2022-08-06 - 来自专栏iOS逆向与安全
写作小技能：卡片式写文章（用3-5张卡片写文）
引言 书本创作=母题+大纲+文章 “写作是把网状的知识，用大纲二维展开，线性表达。” ------来自心理学家史蒂夫平克的《写作风格的意识》 知识是网状存储的，但大脑的输入端口宽度有限，所以只能线性的往里装。 挑战->核心概念->该怎么做->总结->升华 找到1张卡做大的核心概念 找到3-5张卡做子概念的内容 把这些卡片的“行动指引”总结下，列在最后做个行动指引大全。 .… 用3-5张卡片写文是个很好的体验：1.主题是自下而上生成，而不是逼你针对命题写一个。2. 内容是过去知识卡片的积累，而不是临时写一句，出去找一段儿。3.
1.4K10编辑于 2022-08-22 - 来自专栏Vamei实验室
线性代数01 线性的大脑
后来读了更多的线性代数的内容，才发现，线性代数远不是一套奇奇怪怪的规定。它的内在逻辑很明确。只可惜大学时的教材，把最重要的一些核心概念，比如线性系统，放在了最后。 总结这些惨痛的经历，再加上最近的心得，我准备写一些线性代数的相关文章。 这一系列线性代数文章有三个目的： 概念直观化 为“数据科学”系列文章做准备，没有线性代数基础，没法深入统计和机器学习。 线性的思维方式是如此的普遍，以致于我们要多想一下，才能想出非线性的例子。下面是一个非线性的情况：超市更改积分系统，积分超过20的话，将获得双倍积分。 更重要在于，线性系统和矩阵是互通的。矩阵表示的是一个线性系统。一个线性系统也总可以表示一个矩阵(证明从略)。 绕了半天，矩阵 = 线性系统。 总结 线性代数的核心是线性系统的概念。 线性系统与矩阵的等同性，让线性代数后面的内容，转入到对矩阵的研究中。但核心要牢记。 线性系统的概念在生活中非常常见。人的思维很多时候也是线性的。思考生活中线性和非线性的例子。
1.1K50发布于 2018-01-18 - 来自专栏专知
线性回归：简单线性回归详解
【导读】本文是一篇专门介绍线性回归的技术文章，讨论了机器学习中线性回归的技术细节。线性回归核心思想是获得最能够拟合数据的直线。 文中将线性回归的两种类型：一元线性回归和多元线性回归，本文主要介绍了一元线性回归的技术细节：误差最小化、标准方程系数、使用梯度下降进行优化、残差分析、模型评估等。在文末给出了相关的GitHub地址。 Linear Regression — Detailed View 详细解释线性回归 线性回归用于发现目标与一个或多个预测变量之间的线性关系。 有两种类型的线性回归 – 一元线性回归（Simple）和多元线性回归（Multiple）。 一元线性回归 ---- 一元线性回归对于寻找两个连续变量之间的关系很有用。 然后这个线性方程可以用于任何新的数据。也就是说，如果我们将学习时间作为输入，我们的模型应该以最小误差预测它们的分数。
2.4K80发布于 2018-04-08 - 来自专栏DeepHub IMBA
线性回归，核技巧和线性核
在这篇文章中，我想展示一个有趣的结果：线性回归与无正则化的线性核ridge回归是等 价的。 这里实际上涉及到很多概念和技术，所以我们将逐一介绍，最后用它们来解释这个说法。 首先我们回顾经典的线性回归。 线性回归 经典的-普通最小二乘或OLS-线性回归是以下问题: Y是一个长度为n的向量，由线性模型的目标值组成 β是一个长度为m的向量:这是模型必须“学习”的未知数。 X是形状为n行m列的数据矩阵。 这就是核函数的诀窍:当计算解'时，注意到X '与其转置的乘积出现了，它实际上是所有点积的矩阵，它被称为核矩阵 线性核化和线性回归 最后，让我们看看这个陈述:在线性回归中使用线性核是无用的，因为它等同于标准线性回归 线性核通常用于支持向量机的上下文中，但我想知道它在线性回归中的表现。 最后，我证明了线性回归背景下的线性核实际上是无用的，它对应于简单的线性回归。 作者：Yoann Mocquin
55130编辑于 2023-11-10 - 来自专栏Vamei实验室
线性代数01 线性的大脑
后来读了更多的线性代数的内容，才发现，线性代数远不是一套奇奇怪怪的规定。它的内在逻辑很明确。只可惜大学时的教材，把最重要的一些核心概念，比如线性系统，放在了最后。 总结这些惨痛的经历，再加上最近的心得，我准备写一些线性代数的相关文章。 这一系列线性代数文章有三个目的： 概念直观化 为“数据科学”系列文章做准备，没有线性代数基础，没法深入统计和机器学习。 线性的思维方式是如此的普遍，以致于我们要多想一下，才能想出非线性的例子。下面是一个非线性的情况：超市更改积分系统，积分超过20的话，将获得双倍积分。 更重要在于，线性系统和矩阵是互通的。矩阵表示的是一个线性系统。一个线性系统也总可以表示一个矩阵(证明从略)。 绕了半天，矩阵 = 线性系统。 总结 线性代数的核心是线性系统的概念。 线性系统与矩阵的等同性，让线性代数后面的内容，转入到对矩阵的研究中。但核心要牢记。 线性系统的概念在生活中非常常见。人的思维很多时候也是线性的。思考生活中线性和非线性的例子。
73530发布于 2018-09-25 - 来自专栏codechild
线性dp
f[i][j]表示从开始的位置到i，j位置的路径之和的最大值。 因为f[i][j]是要求的那个，所以我们要求出它的状态方程 f[i][j]=max(f[i-1][j-1]+a[i][j],f[i-1][j]+a[i][j]) ok，现在开始我们做这道题
44240编辑于 2023-05-30 - 来自专栏机器学习/数据可视化
线性模型
西瓜书的第三章，主要讲解的是线性模型相关知识 基本形式 ；线性模型通过学习到的一个属性的线性组合来表示： f(x)=w_1x_1+w_2x_2+…+w_dx_d+b 一般是写成向量形式 f(x)= ) 多元线性回归 个属性 f( x)=w^Tx_i+b 将，有 \hat w^*=arg\min_{\hat w}(y-X\hat w)^T(y-X\hat w) ? 解决这个问题，引入正则化 对数线性回归 lny=w^Tx+b 即表示为： y=e{wTx+b} ? 一般情况下，g(.)是单调可微函数，满足 y=g{-1}(wTx+b) 这样的模型称之为广义线性模型，其中g称之为联系函数；对数线性回归是广义线性模型在g=ln()时候的特例 对数几率回归 。 此时对应的模型称之为对数几率回归 线性判别分析LDA 思想 线性判别分析Linear Discriminant Analysis最早在二分类问题上有Fisher提出来，因此也称之为Fisher判别分析.
74910发布于 2021-03-02
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号