超大规模数据集类的创建 图神经网络的新基准Benchmarking Graph Neural Networks 与图形无关的NN（MLP）在小型数据集上的表现与GNN相同 对于较大的数据集，GNN改进了与图无关的NN 最简单形式的GNN表现较差 各向同性GNN架构在原始GCN上有所改进。GraphSage证明了在图卷积层中使用中
Scrum Meeting 4 日期：2021年4月29日 会议主要内容概述：汇报两日工作，讨论任务优先级。 一、进度情况 组员 负责 两日内已完成的工作 后两日计划完成的工作 工作中遇到的困难 李明昕 后端 Task7 控制层：完成控制层剩余Task12 外部数据访问：正在写爬虫 Task12 外部数据访问：完善爬
Scrum Meeting 3 日期：2021年4月27日 会议主要内容概述：汇报两日工作。 一、进度情况 组员 负责 两日内已完成的工作 后两日计划完成的工作 工作中遇到的困难 李明昕 后端 Task8 WebAPI协调：用户服务的剩余Task7 控制层：控制层用户部分完成 Task7 控制层：完成控制层剩余Task10
Scrum Meeting 2 日期：2021年4月25日 会议主要内容概述：前后端针对WebAPI进行协调与统一工作，商量接下来两日计划；敲定部分设计细节。 一、进度情况 组员 负责 两日内已完成的工作 后两日计划完成的工作 工作中遇到的困难 李明昕 后端 Task3 WebAPI协调：经过邓新宇与前端同学协
Datawhale集成学习Task7-投票法 投票法的原理分析 这里以分类问题为例解释投票法的工作机理，假设我们有m个不同的分类器 { C 1 ,
1.缺失数据可以使用isna或isnull 1.同时对几个列，检索出全部为缺失或者至少有一个缺失或者没有缺失的行 sub_set = df[[‘Height’, ‘Weight’, ‘Transfer’]] df[sub_set.isna().all(1)] # 全部缺失 2.df[sub_set.isna().any(1)].head() # 至少有一个缺失 3.df[sub_set.not
文章目录 DataWhale-Pandas数据分析-Task7【任务一】企业收入的多样性【任务二】【任务三】 DataWhale-Pandas数据分析-Task7 记录DataWhale的Pandas数据分析的学习过程，本次是期中测试，测试前面6章学的怎么样（划水的菜鸡瑟瑟发抖）。本篇文章中的测试题及源数据可以从此链接
学习目标： 掌握随机抽样中几种基础的概率分布 学习内容： 随机抽样 numpy.random 模块对 Python 内置的 random 进行了补充，增加了一些用于高效生成多种概率分布的样本值的函数，如正态分布、泊松分布等。 numpy.random.seed(seed=None) Seed the generator. seed()用于指定随机数
