BART代码未来学习思路
论文的代码,还没有学会怎么把html直接导到jupyter notebook并且可以编辑(是要爬虫吗还是?),只能一段一段粘贴,运行到import arviz as az的时候又报错(有种又要重装环境的感觉555)先看看html代码结合ai学一下吧。 Weibull regression是建模生存数据的一种回归统计方法,回归模型如下:
h
(
t
)=
h
0(
t
)⋅exp(
β
1
x
1+
β
2
x
2+…+
βp
xp
) 时间t时发生的概率=没有自变量时的风险概率*exp(回归系数与自变量乘积的求和) 在计算机中,随机数的生成是基于初始种子的一个确定的序号。这样的确定性随机确保了结果的可重复性,还是比较重要的。当执行 np.random.seed(RANDOM_SEED) 这行代码时,它会将 NumPy 随机数生成器的种子值设置为 RANDOM_SEED 变量的值。 az.style.use("arviz-darkgrid")是arviz中的一个绘图样式,有深色的背景和网格线。 nb_data = nb_data.iloc[:,1:]用处是删除第一列,第一个:表示所有行,1: 表示从第二列开始的所有列。 X_freq=nb_data[["lvmt","walk_ratio"]]的用处是把nb_data的"lvmt"和"walk_ratio"这两列提取出来。 BART(Bayesian Additive Regression Trees贝叶斯回归树)和NB(Negative Binomial负二项分布)是这个代码的数学基础,可能以后深入这方面还得专门学一下,应用层面的话或许就不用了,似乎和机器学习中也用了很多这方面知识。 这么说我把相似性研究和这个回归模型建立背后的数学知识学了,就能对动态规划和贝叶斯模型有初步掌握?或许把时间投入到这上面是值得的,反正研一还有时间学学这样。不过动态规划真的难掌握,每次学一遍过半个月又忘了还得重学,也许智商上限确实这样了哈哈,不过通过表格算法确实能辅助理解。不知道贝叶斯怎么样,本科统计学过的是基础的。也算是能把机器学习两个重要章节学了。似乎力扣中也有很多这两方面的题? 对了,还有html怎么更有效的利用,有机会学学可以更好利用网页上的资源。