PHM概述

  这里以案例的形式绘制雷达图案例1# 球员能力图import numpy as npimport matplotlib.pyplot as plt# 专门管理字体的类from matplotlib.font_manager import FontPropertiesplt.style.use('ggplot')# 定义字体font = FontProperties(fname=r'c:\wind

  这里以案例的形式绘制雷达图案例1# 球员能力图import numpy as npimport matplotlib.pyplot as plt# 专门管理字体的类from matplotlib.font_manager import FontPropertiesplt.style.use('ggplot')# 定义字体font = FontProperties(fname=r'c:\wind

ZooKeeperAPI实战

文章目录一、LightGBM简介1. LightGBM提出的动机2.XGBoost的缺点及LightGBM的优化2.1 XGBoost的缺点2.2 LightGBM的优化二、LightGBM的基本原理1、基于Histogram的决策树算法1.1 直方图算法1.2 直方图做差加速2.带深度限制的 Leaf-wise 算法3.单边梯度采样算法4.互斥特征捆绑算法4.1 解决哪些特征应该绑在一起4.2

文章目录一、TSNE参数解析  TSNE的定位是高维数据可视化。对于聚类来说，输入的特征维数是高维的(大于三维)，一般难以直接以原特征对聚类结果进行展示。而TSNE提供了一种有效的数据降维模式，是一种非线性降维算法，让我们可以在2维或者3维的空间里展示聚类结果。一、TSNE参数解析  t-SNE是一个可视化高维数据的工具。它将数据点之间的相似性转换为联合概率，并试图最小化低维嵌入数据和高维数据联合

文章目录###python入门介绍####特点1.可读性强2.简洁：python的简洁性让开发难度与和代码幅度大幅降低3.面向对象4.免费开源5.可移植性和跨平台：python会被编译成与操作系统有关的二进制代码，然后再解释执行6.丰富的库-标准库与第三方库7.可扩展性，可嵌入到C和C++语言-胶水式语言####什么时候不应该用pythonpython解释执行，性能较低；一些影响性能的功能可以使用

文章目录1. 分类器评价指标公式2.实例1. 分类器评价指标公式AUC与ROC2.实例#!/usr/bin/python# -*- coding:utf-8 -*-import numpy as npfrom sklearn.metrics import accuracy_scorefrom sklearn.metrics import precision_score, recall_score,

文章目录数据代码多个LSTM-每个LSTM的输入特征时间窗不同，将其输出进行连接，再通过一个Dense层数据数据代码#!usr/bin/env python# -*- coding:utf-8 _*-"""@author: liujie@software: PyCharm@file: Multi-LSTM.py@time: 2020/11/14 11:36"""'''使用LSTM处理回归问题，每个

文章目录1.多维GMM聚类2.GMM调参1.多维GMM聚类#!usr/bin/env python# -*- coding:utf-8 -*-"""@author: admin@file: EM.py@time: 2021/02/03@desc:"""import numpy as npfrom scipy.stats import multivariate_normalfrom sklearn.