风控数据挖掘方法（决策树规则挖掘）import pandas as pdimport numpy as npdata = pd.read_excel("/Users/zhucan/Desktop/金融风控实战/第二课/oil_data_for_tree.xlsx")data.head()结果：set(data.class_new)#{'A', 'B', 'C', 'D', 'E', 'F'}#or

在之前的课程中，我们对现代分类网络进行了较为全面的讲解：我们解读了AlexNet，VGG16、NiN、 GoogLeNet以及ResNet的原始论文，并对各个网络都进行了完整的代码复现，现在我们已经了解这些网 络的构建思路和具体代码，可以开始应用他们了。从本节开始，我们开始建立我们自己的卷积神经网络架构，这是将之前学习的内容应用到实际架构上的过程，也是构筑自己的计算机视觉项目的过程。过去的大部分时

09.绘制散点图绘制散点图假设通过爬虫你获取到了北京2016年3,10月份每天白天的最高气温(分别位于列表a,b),那么此时如何寻找出气温和随时间(天)变化的某种规律?a= [11,17,16,11,12,11,12,6,6,7,8,9,12,15,14,17,18,21,16,17,20,14,15,15,15,19,21,22,22,22,23]b=[26,26,28,19,21,17,16,

KNN鸢尾花分类import matplotlib.pyplot as pltfrom sklearn.neighbors import KNeighborsClassifierfrom sklearn import datasetsimport numpy as npX,y = datasets.load_iris(True)X = X[:,:2]plt.scatter(X[:,0],X[:,1

引言求导法则回顾一下之前学习过的，在求解神经网络时，我们通常使用梯度下降算法进行求解。首先，先自定义一组参数作为我们的起始值，之后计算我们需要使用的梯度，有了梯度之后就可以利用它进行迭代求解了显而易见的是，在一个神经网络中，可能参数数目成千上万，远超过我们的想象，那么这么庞大的计算量，我们就需要一些可以辅助我们的工具。backpropagation（反向传播）可以帮助我们有效的进行渐变迭代计算（帮

线性回归import numpy as npfrom sklearn.linear_model import LinearRegressionimport matplotlib.pyplot as pltfrom sklearn import datasetsboston = datasets.load_boston()X = np.linspace(0,10,50).reshape(-1,1)y

引言求导法则回顾一下之前学习过的，在求解神经网络时，我们通常使用梯度下降算法进行求解。首先，先自定义一组参数作为我们的起始值，之后计算我们需要使用的梯度，有了梯度之后就可以利用它进行迭代求解了显而易见的是，在一个神经网络中，可能参数数目成千上万，远超过我们的想象，那么这么庞大的计算量，我们就需要一些可以辅助我们的工具。backpropagation（反向传播）可以帮助我们有效的进行渐变迭代计算（帮

sklearn-str类型数据量化操作OrdinalEncoderimport numpy as npimport pandas as pdfrom sklearn.neighbors import KNeighborsClassifierfrom sklearn.preprocessing import OrdinalEncoder,OneHotEncoder,LabelEncodersalar

记录了关于梯度的历史SGDSGD with Momentum防止gradient为0，SGD停止不动了sgd with momentum，前面的移动会累加到下一步sgd with momentum，前面的移动会累加到下一步，所以小球不会卡在局部的一个最优的位置Adagrad前几个time step如果坡度很大，就会暴走，走到不好的位置上，有个分母就会走小步一点RMSProp怕使用adagrad时，