https://github.com/QInzhengk/Math-Model-and-Machine-Learning@TOC 一、Mac/Windows Git配置SSH1.生成SSH KEY1$ ssh-keygen -t rsa -C 1573488389@qq.com 注：邮箱填写你提交代码时要用的邮箱 2.查看.pub文件(.文件隐藏文件，使用ls -a显示隐藏文件)12

https://github.com/QInzhengk/Math-Model-and-Machine-Learning@TOC 一、常用快捷键 ctrl+c: 停止进程 ctrl+l: 清屏（之前的内容可以向上查看）；彻底清屏是：reset tab: 提示 上下键: 查找执行过的命令 二、文件目录类1.pwd显示当前工作目录的绝对路径 2.ls和llll 命令列出的信息更加详细，有时间，是否

https://github.com/QInzhengk/Math-Model-and-Machine-Learning@[TOC](Linux jq 、vim以及Linux集群安装miniconda并配置虚拟环境) 一、jq1zcat cent_g_20226/*.gz | head -n 10000 | jq .event | sort | uniq -c jq 是一个轻量级的json处理命

@TOC 数据科学：Scipy、Scikit-Learn笔记超参数调优：网格搜索，贝叶斯优化（optuna）详解XGBoost原生接口和Sklearn接口参数详解LightGBMLightGBM有Sklearn接口建模和原生建模两种方式。 一、Sklearn风格接口1234567891011121314151617181920212223import numpy as npimport pand

@TOC 函数（缩放误差）传统的均方误差（MSE）和平均绝对误差（MAE）对所有预测值给予相同的权重，但在某些场景下，更关心相对误差而非绝对误差。缩放误差通过将误差除以真实值来实现这一目标： 1缩放误差 = (真实值 - 预测值) / max(真实值, 阈值) 这样设计的优势： 对于大数值和小数值的预测给予相对平等的权重 避免大数值主导损失函数 更适合预测范围变化很大的场景 数学原理损失函

@TOC sklearn.neural_network.MLPRegressorscikit-learn 库中提供的一个多层感知器（Multi-Layer Perceptron, MLP）回归模型类，用于解决回归问题。该模型构建了一个包含隐藏层的前馈神经网络，并通过反向传播算法进行训练。以下是 MLPRegressor 主要参数的详细说明： hidden_layer_sizes:类型：元组或列

微信公众号：数学建模与人工智能https://github.com/QInzhengk/Math-Model-and-Machine-Learning@TOC Keras和Tensorflow（CPU）安装一、安装我用的是清华大学源keras安装： 1pip install -i https://pypi.tuna.tsinghua.edu.cn/simple keras tensorflow

## Python大数据分析与机器学习学习笔记Graphviz：微信公众号（数学建模与人工智能）github地址：https://github.com/QInzhengk/Math-Model-and-Machine-Learning 1、决策树模型搭建123456789101112131415# 模型搭建代码汇总import pandas as pd# 1.读取数据与简单预处理df = pd.

@TOC https://github.com/QInzhengk一、新建仓库对Github首页进行美化，需要新建一个仓库名和自己 Github 用户名相同的仓库；并且需要添加一个 README.md自述文件即可。如果出现红框里的东西，说明成功了：QInzhengk/QInzhengk是一个✨特殊的✨存储库，您可以使用它来添加一个README.md到你的GitHub配置文件。确保它是公

# 高级程序设计C++作业 按照如下要求建立程序，并演示程序运行结果： 用名称、人口、海拔高度、天气、年份等数据成员建立一个名为City的类。建立一个产生City对象的类。将产生的City对象（数量大于1000个）填充至一个容器，容器的类型自选。对于City对象的具体属性值通过创建发生器来生成。生成规则如下：年份为2009年；名称由4-8个英文小写字符随机构成；人口在范围[300000,1000

@TOC LightGBM原生接口和Sklearn接口参数详解XGBoost原生接口和Sklearn接口参数详解CatBoost一、Sklearn风格接口CatBoostRegressor参数 iterations (int): 模型迭代次数，即构建的决策树数量。默认值是100。 learning_rate (float): 学习率，控制模型在每一步更新权重的速度。默认值是0.03。 depth

https://github.com/QInzhengk/Math-Model-and-Machine-Learning@TOC Cassandra常用操作1、查看键空间1DESCRIBE keyspaces; 该命令用于展示casandra下的所有的keyspaces（类比mysql的show databases;），casandra的keyspaces和mysql的数据库概念相似，属于从逻辑