个人笔记

本章主要围绕matplotlib和seaborn两个模块进行可视化的演示

1 matplotlib API入门

matplotlib的图像都是基于Figure对象

• plt.figure()可以创建一个空白的新Figure
• 通过Figure对象的属性实现对图片的调整（比如figsize控制图片大小）
• Figure对象可以通过add_subplot创建多子图，并可以依次进行绘制
• 直接调用绘图函数时，Figure对象等创建过程会在内部自动进行

代码示例：

import matp

Read more

仅搜集收录了部分个人感兴趣的文章，并进行简单记录

1 概念科普

1.1 自杀：高危因素、风险评估和预防

2023-02-03 12:29 文章链接

背景知识：

• 世界卫生组织（WHO）估计2016年全球自杀率

Read more

仅搜集收录了部分个人感兴趣的文章，并进行简单记录

1 概念科普

1.1 不同年龄、性别和医学专业医护人员打字速度的数字差异

2023-01-03 06:30 文章链接

评价指标：校正

Read more

1 基本介绍

对抗性鲁棒性工具集（Adversarial Robustness Toolbox，ART）是用于机器学习安全性的Python库

• 从逃逸，数据污染，模型提取和推断的对抗性威胁等方面捍卫和评估模型
• 适用广泛，支持所有常见的数据类型、机器学习任务、机器学习框架

本项目由IBM团队在2019年开源。项目文档不是特别完善，但是示例丰富，API设计

Read more

1 内生性问题

对于回归方程$Y = a + bX + e$，当解释变量$X$和误差项$e$存在相关性时，说明回归模型存在内生性问题

内生性问题的产生原因：

• 遗漏变量（比如在分析学历和收入的关系时，容易忽略个人能力的影响）
• 反向因果（比如分析政策对经济影响时，要意识到经济对政策也是有影响的）
• 选择偏误（样本选择偏误和自选择偏误）、以及测量误差等

内生性问题的后果：在小样本下，内生变量和外生变量估计系数都有偏。在大样本下，内生变量估计系数不一致。外

Read more

1 基本信息

许立志（1990年7月28日－2014年9月30日），曾用笔名浅晓痕，中国诗人

2 个人经历

1990年7月28日，许立志生于广东省揭阳市玉湖镇东寮村。2010年，开始诗歌创作。2011年初，进入深圳富士康工厂成为一名流水线工人。2012年起，在厂刊《富士康人》上发表诗歌、散文等30余篇。2014年9月30日，从深圳龙华一座大厦的17层跳楼身亡，终年24岁。

按照习俗，自杀者不能归葬祖坟。2014年10月15日傍晚，许立志的哥哥将他的骨灰撒进了深圳南澳的海水中。

这大海葬着立志——陈年喜

后来人们

Read more

1 基本介绍

Optuna 是一个为机器学习设计的自动超参数优化软件框架

• 轻量级、多功能和跨平台架构；依赖少，安装简单
• Python式搜索空间（条件语句和循环均为Python语法）
• 高效的优化算法；先进的超参采样方法，支持剪枝算法
• 易用的并行优化；少量改动代码即可实现多服务器并行
• 便捷的可视化；支持各种绘图函数展示优化历史记录

项目地址
官方文档
中文文档 ：不推荐，因为很久没更新了（230331）

截至230331，Op

Read more

1 层次化索引

层次化索引（hierarchical indexing）为pandas提供了一种以低维形式处理高维数据的方法

层次化索引的简单示例：

data = pd.Series(np.random.randn(9),index=[['a', 'a', 'a', 'b', 'b', 'c', 'c', 'd', 'd'],
    									   [1, 2, 3, 1, 3, 1, 

Read more

中文标题：TPE：基于贝叶斯的超参优化算法改进

英文标题：Algorithms for hyper-parameter optimizati

Read more

核密度估计（kernel density estimation，简称KDE）是核平滑对概率密度估计的应用，即一种以核为权重估计随机变量概率密度函数的非参数方法。由Rosenblatt (1955)和Emanuel Parzen(1962)提出，又名Parzen窗（Parzen window）

核密度估计的实现：

• 假设$(x_1,x_2,...,x_n)$是来自同一个单变量未知分布中的独立样本
• 核密度估计可以根据这些样本推测出该分布的概率密度函数： $$\hat{f}_h(x)=\frac{1}{n}\Sigma_{i=1}^nK_h(x-x_i)=\frac{1}{nh}\Sigma_{

Read more