备注：本篇博客摘自某培训机构上的图神经网络讲解的视频内容，该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细，逻辑主线也比较清晰。因此记录分享下。目录1：简介2：SCNN3：ChebNet4：GCNGCN特点5：总结5.1：图卷积实现思路5.2：谱域图卷积实现理论支撑5.3：经典图谱卷积上一篇文章链接：文章地址继续上一篇的图卷积推导过程：上面公式推导的结果就是谱域图卷积最终的公式，

1：论文信息1.1：论文思路1.2：摘要引言总结

本文是FAL量化风控全线条训练营的听课笔记，对此感兴趣的可以去关注FAL金科应用研究院的公众号、知乎、官网去了解相关内容。现将核心内容进行整理，补充一些自己的理解和总结，便于结合自己当前工作内容，提升认知。若对风控领域感兴趣，风控相关行业分析报告、论文、竞赛数据及代码可以私我，共同交流。知乎文章本文主要讲解贷前风控产品流程& 策略审批架构搭建 & 数据源及其相关注意事项。首先，什么

1：论文信息1.1：论文思路1.2：摘要引言总结

在这篇博客之前，花了些时间了解红黑树的内容，但是没有形成自己的知识图谱，也没有一条清晰的逻辑主线将知识串联起来，这次重新整理了一下。首先，这里过滤了树模型的一些基础概念上的内容，比如父节点，子节点，叶子节点（叶节点），兄弟节点，树的深度，树的高度，树的层数等，在这篇博客中没有叙述。首先以最基本的二叉树开始，由浅入深，逐渐了解各个算法的优缺点适用场景，可以解决什么样的问题，优缺点有哪些，实现权衡..

01：K均值聚类支持向量机、逻辑回归、决策树等经典的机器学习算法主要用于分类问题，即根据一些已给定类别的样本，训练某种分类器，使得它能够对类别未知的样本进行分类。与分类问题不同，聚类是在事先并不知道任何样本类别标签的情况下，通过数据之间的内在关系把样本划分为若干类别，使得同类别样本之间的相似度高，不同类别之间的样本相似度低。图 5.1 是一个二维空间中样本聚类的示意图，图 5.1 ( a ) 展示

相关概念1：实例方法除了静态方法与类方法外，类的其他方法都属于实例方法。实例方法隐含的参数为类实例self。实例方法需要将类实例化后才可以调用，如果使用类直接调用实例方法，需要显示地将实例对象作为参数传入。**直接用类调用实例方法代码**：class ClassA():def funcA(self):print('Hello world')# ...

备注：本篇博客摘自某培训机构上的图神经网络讲解的视频内容，该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细，逻辑主线也比较清晰。因此记录分享下。目录1：图卷积神经网络回顾2：空域图卷积局限性分析3：过平滑问题的若干缓解方案4：总结1：图卷积神经网络回顾图卷积神经网络分类：上图列出的图卷积缺点，使得谱域图卷积不能实际使用，而造成这种缺点的原因是正交基，能不能找到另外的基来代替呢？下

备注：本篇博客摘自某培训机构上的图神经网络讲解的视频内容，该视频关于图神经网络入门讲解、经典算法的引入和优缺点的介绍比较详细，逻辑主线也比较清晰。因此记录分享下。1：简介1.1：回顾谱域卷积1.2：谱域图卷积的缺陷2：空域卷积模型2.1：GNNGNN回答卷积就是：固定数量领域节点排序后，与相同数量的卷积核参数相乘求和。这有点绕口，实际上就是说，GNN认为卷积分为两步，第一步构建领域，第二步对领域上

Python 实时向文件写入数据（附代码）​之前在做数据分析的过程中，需要对数据进行实时的写入，比如对新生成的数据写入之前已经生成的txt或csv文件中。现在想想其实很简单，所以做一个总结。1：实时向csv文件写入数据​假设需要生成一张csv表，里面的字段对应一些数据，由于后续的过程中，不止一次写入数据，那么安全的做法是：首先写入字段；然后写入数据（否则字段也会每次被写入）步骤1：创建文件并写入字