通过MES，使用者可以计划他的活动和控制生产数据和过程。他是现场设备，eg：传感器、致动器、仪器、电机、阀门、开关和其他设备。假设一个工厂有10个PLC，你想去监控他们、控制他们，通过坐在一个远程中控室。多个工厂，各种供应商数据信息，设备信息，和计划和每日运行图表，可以通过mes来看和控制。控制器上需要些程序，接收硬件传奇的输入，并且作为依据，去控制硬件电机的输出。这个是一个公司内的多个部门，例如

7月14日发现influxDB没有数据了排查下来发现是写入失败了。主要是influx设置生效的保存策略和驱动程序里的不一致：另外，在将原来默认的autogen（不设限制）保存策略删除的情况下，发现服务器内存由97%一下子降到了65%！（虽然今天看，内存又上涨到了87%）autogen的保存策略是把数据维护在内存的，所以导致内存很高。influxDB插入快，查询较慢，是因为：底层用的红黑树，左右旋转

TASK2 回归问题作业：1、请详细描述线性回归模型的最小二乘法表达。回答：一元线性回归的基本假设：1）对模型和变量的假定：假设解释变量X是非随机的。假设变量和模型无设定误差。2）对随机误差项的假定：零均值假定同方差假定...

Parameters----------提升器或者XGB模型特征名称的映射关系的文件，主要是为了画图显示的是特征名，而不是012.指定目标树的序数, 画的第几课树通过graph_attr传给graphiz，'LR'=from left to right;

心跳信号分类预测TASK051.基本理论Task 5: 模型融合1.基本理论模型融合有三大类方式：简单加权融合:回归（分类概率）：算术平均融合（Arithmetic mean），几何平均融合（Geometric mean）；分类：投票（Voting)综合：排序融合(Rank averaging)，log融合stacking/blending:构建多层模型，并利用预测结果再拟合预测。boosting

心跳信号分类预测TASK03一、理论基础1.学习目标2.学习内容3.主要函数介绍4.时间序列预测方法介绍二、代码实现TASK03 特征工程一、理论基础1.学习目标学习时间序列数据的特征预处理方法学习时间序列特征处理工具 Tsfresh（TimeSeries Fresh）的使用2.学习内容数据预处理– 时间序列数据格式处理– 加入时间步特征time特征工程– 时间序列特征构造– 特征筛选– 使用 t

零基础入门数据挖掘-心跳信号分类预测TASK021.学习目标：2.学习内容2.1载入库2.2载入数据2.3数据总览2.4数据缺失和异常2.5预测值分布1.学习目标：数据探索性分析EDA为什么要做EDA：了解数据集了解变量间的相互关系、变量与预测值之间的存在关系引导数据处理以及特征工程2.学习内容2.1载入库载入各种数据科学以及可视化库:数据科学库 pandas、numpy、scipy；可视化库 m

数据挖掘实践-金融风控TASK02数据分析1.目标2.内容提纲2.1数据总体情况：2.2深入查看数据类型，2.3数据间相互关系：2.4用pandas_profiling生成数据报告。3.代码实现TASK02数据分析1.目标1.1对数据集整体概况分析，缺失值、异常值等1.2变量间的相互关系，变量与预测值的存在关系2.内容提纲2.1数据总体情况：数据集大小，原始特征维度，数据类型，各特征基本统计量，数

数据挖掘实践-金融风控TASK03特征工程学习目标学习提纲代码实现TASK03特征工程学习目标学习特征预处理、缺失值、异常值处理、数据分箱等特征处理方法学习特征交互、编码、选择的相应方法学习提纲数据预处理：a. 缺失值的填充b. 时间格式处理c. 对象类型特征转换到数值异常值处理：a. 基于3σ原则b. 基于箱型图数据分箱a. 固定宽度分箱b. 分位数分箱：b1.离散数值型数据分箱b2.连续数值型

心跳信号分类预测TASK041.理论基础TASK04模型调参1.理论基础1.1逻辑回归模型1.2树模型1.3集成模型1.3.1基于bagging思想的集成模型随机森林模型随机树模型1.3.2基于boosting思想的集成模型XGBOOSTLIGHTGBMCATBOOSTAdaboostGBDT1.3.3基于stacking思想的集成模型1.4模型对比与性能评估1.5模型调参1.5.1贪心调参方法1