一，均值，方差均值反差所以二，OJ实战51Nod - 1098最小方差给出M个数，从中找出N个数，使这N个数方差最小。Input第1行：2个
原创
2021-12-27 10:00:12
146阅读
数据分布特征可以从集中趋势、离中趋势及分布形态三个方面进行描述。 1、平均指标是在反映总体的一般水平或分布的集中趋势的指标。测定集中趋势的平均指标有两类：位置平均数和数值平均数。位置平均数是根据变量值位置来确定的代表值，常用的有：众数、中位数。数值平均数就是均值，它是对总体中的所有数据计算的平均值，用以反映所有数据的一般水平，常用的有算术平均数、调和平均数、几何平均数和幂平均数。2、变
“本文介绍了风控业务中构建时间滑窗特征的一些实践经验，是一篇既能让读者快速上手特征工程又能加深其业务理解的深度好文。”作者：求是汪在路上：知乎专栏 风控模型算法。编辑：happyG...
转载
2022-09-22 16:03:22
118阅读
计数统计就是统计某一项出现的次数。实际应用中很多需求需要用到这个模型。比如测试样本中某一指出现的次数、日志分析中某一消息出现的频率等等"这种类似的需求有很多实现方法。下面就列举几条。(1)使用dict看下面代码#coding=utf-8
data = ["a","2",2,4,5,"2","b",4,7,"a",5,"d","a","z"]
count_frq = dict()
for one i
转载
2023-06-16 16:10:21
142阅读
# 机器学习模型与滑动统计特征
随着机器学习在各个领域的广泛应用，特征工程的重要性日益突出。其中，滑动统计特征（Sliding Statistical Features）作为一种有效的特征提取技术，尤其在时间序列数据处理中得到了广泛的应用。本文将介绍滑动统计特征的概念、作用、具体实现方式以及如何在机器学习模型中使用这些特征。
## 什么是滑动统计特征？
滑动统计特征是一种通过在数据集中选取一
## 如何在Python中实现滑动窗口计算统计特征
滑动窗口（Sliding Window）是一种常见的算法技术，通常用于处理需要在时间或空间上逐步移动的序列数据。它可以有效地评估连续子序列，并计算出各种统计特征（如平均值、标准差等）。本篇文章旨在向入门小白介绍如何使用Python实现滑动窗口计算统计特征。
### 整体流程
为了使整个过程变得清晰易懂，以下是实现滑动窗口技术的步骤：
|
定量数据的分布分析这就不用多说了，直方图。求极差--> 设定组距-->决定分点 --> 统计频率定性数据的分布分析这也不用多说了，扇形图，条形图统计法对比分析折线图统计量分析均值，中位数，极差，标准之类的就不说了，介绍一下变异系数，它是 标准差除以平均值 。反映了标准差相对于均值的离中趋势。数据：catering_sale.xls#-*- coding:utf-8 -*-
imp
转载
2024-04-11 12:48:31
28阅读
大多数数据挖掘算法都依赖于数值或类别型特征，从数据集中抽取数值和类别型特征，并选出最佳特征。
特征可用于建模， 模型以机器挖掘算法能够理解的近似的方式来表示现实
特征选择的另一个优点在于：降低真实世界的复杂度，模型比现实更容易操纵
特征选择
scikit-learn中的VarianceThreshold转换器可用来删除特征值的方差达不到最低标准
转载
2023-10-20 23:51:39
40阅读
首先了解一下图像存在的噪声类型，这样才能使我们在图像处理中思路更加清晰，以下的内容都来自于中英文文献和互联网，在此就不对每一个参考一一列出。
目前大多数数字图像系统中，输入图像都是采用先冻结再扫描方式将多维图像变成一维电信号，再对其进行处理、存储、传输等加工变换。最后往往还要在组成多维图像信号，而图像噪声也将同样受到这样的分解和合成。在这些过程中电气系统和外界影响将使得图像噪声的精确分析变得
1、要清楚的知道如果有两个样本他们的特征相似，是否就真的代表他们在现实世界中对预测结果的影响是相似的，否则这个就不是特征。2、要避免陷入自己计算自己的怪圈，会导致过拟合。3、采用一个样本的统计特征会比这个样本的本身的特征来预测效果要好。4、要相信人类才是这个世界的最高智慧，建立模型的时候合理思考究竟是什么对预测的结果会有影响，这些影响是怎么组织起来的，这些思考是建立模型的关键。5、合理的计算方式来
原创
2018-07-16 15:56:09
1013阅读
# Python 有向加权复杂网络特征统计
在现代数据分析中，复杂网络的研究逐渐成为一个重要的领域。尤其是在社交网络、交通网络和生物网络等应用中，理解网络的结构及其动态特性对于解决实际问题至关重要。本文将介绍如何使用 Python 进行有向加权复杂网络的特征统计，并提供相关的代码示例。
## 复杂网络的基础概念
### 有向网络与加权网络
- **有向网络**（Directed Netwo
# 查看数据特征和统计信息 import pandas as pd # 读取文件 dataframe = pd.read_excel(r'C:\Users\lenovo\Desktop\总结\Python\超市营业额.xlsx') # 查看所有的交易额信息 dataframe['交易额'].desc
原创
2021-07-21 16:22:16
2856阅读
相关性和协方差相关性和协方差是两个重要的统计量，pandas计算这两个量的函数分别是corr( )和cov( )。这两个量的计算通常涉及两个Series对象。python数据分析中的相关性和协方差，另外一种情况是，计算单个DataFrame对象的相关性和协方差，返回两个新DataFrame对象形式的矩阵。用corrwith( )方法可以计算DataFrame对象的列或行与Series对象或其他Da
转载
2023-08-17 16:01:03
69阅读
丰富的统计检验方法前言一：假设检验的背景知识简介二：参数检验之 $t$ 检验（主要用于样本含量较小（例如$n < 30$），总体标准差$σ$未知的正态分布）三：参数检验之 $z$ 检验（主要用于大样本（例如$n > 30$），总体标准差$σ$已知的正态分布）四：参数检验之方差分析五：非参数检验之卡方检验六：非参数检验之Kruskal-Wallis检验七：非参数检验之K-S分布检验八：
转载
2023-12-17 19:58:17
0阅读
0x01 前言nmap是渗透中尝尝用到的工具之一，在信息收集阶段经常用到，现在主流的流量分析设备也将其流量加入了特征库，为了防止在探测阶段IP就被封掉，对其的流量特征做一些简单的修改有点用的。由于没有厂商设备检测，故以下只是学习记录一下思路。具体效果还待验证。参考链接如何修改nmap， 重新编译，bypass emergingthreats 的公开ids规则：https://xz.aliyun.c
概论该篇文章讲述了NeoPI如何利用统计学特征来检测webshell，笔者认为NeoPI选择的这些统计学方法在webshell检测上有些鸡肋，没有太大的实用效果。反而其中的各种统计学方法值得学习一下，因此文章会重点讲解这些统计学特征的原理，以求可以举一反三，并应用在其他领域。统计学特征NeoPi使用以下五种统计学特征检测方法，下面分别来分析各种方法的原理和代码实现（代码部分只选择了核心代码并附加了
原创
2021-05-05 09:01:00
1109阅读
## 用Python对特征进行统计分析
### 引言
在数据分析领域，对特征进行统计分析是非常重要的一步，它可以帮助我们更好地理解数据的分布和特点，为后续的建模和预测提供依据。本文将介绍如何使用Python对特征进行统计分析，以解决一个具体的问题。
### 问题描述
假设我们有一批学生的成绩数据，包括他们的数学成绩和语文成绩，我们想要对这两个特征进行统计分析，了解它们的分布情况、相关性等信
原创
2024-03-19 04:10:24
114阅读
滑动平均原理部分： 注释：原理部分参考http://www.mbalib.com/，不过这个讲解的太菜了，评论清一色都是看不懂，大家简单看一下原理，例子别看了，越看越糊涂~~一、简单移动平均法 简单移动平均的各元素的权重都相等。简单的移动平均的计算公式如下： Ft＝（At-1＋At-2＋At-3＋…＋At-n）/n式中， ·Ft--对下一期的预测值； ·n--移动平均
转载
2023-10-29 11:16:11
59阅读
目标在本文中，我们将学习 - 如何找到轮廓的不同特征，例如面积，周长，质心，边界框等。 - 您将看到大量与轮廓有关的功能。1.特征矩特征矩可以帮助您计算一些特征，例如物体的质心，物体的面积等。请查看特征矩上的维基百科页面。函数cv.moments()提供了所有计算出的矩值的字典。见下文：import numpy as np
import cv2 as cv
path = r'D:\PYTHON\t
转载
2023-11-09 22:43:17
42阅读
NX/UG二次开发——孔特征查找孔特征查找代码所需包含的额外头文件1.获得模型的所有圆柱面的Tag值。2.获得圆柱面的所有边。3.判断每个边是否为整圆。do_it函数 孔特征查找在二次开发过程中会遇到需要获取模型孔特征的Tag值，以方便对获取到的孔特征进行编辑。下面介绍一种获取孔特征的方法。主要分为三个过程：1.获得模型的所有圆柱面的Tag值。2.获得圆柱面的所有边。3.判断每个边是否为整圆。代
转载
2023-10-05 21:13:31
369阅读
