DataScience：机器学习中特征工程之WOE编码(离散变量编码/有监督)的简介、计算过程、案例应用之详细攻略 (1)、什么是WOE编码 (2)、案例理解WOE编码 (3)、WOE编码技术的深度思考 (4)、为什么选择采用WOE编码？ (5)、WOE编码的优势 WOE编码—离散变量编码(有监督性的编码) 在建模前，我们需要把原始的值转化成WOE值才能使得模型效果好。 提出问题 怎样对字段的每个分段进行评分呢？这个评分是怎么来的？ 解决方案 WOE编码， 将预测概率值转化为评分， 利用变量相关性分析和变量的系数符号保证每个分箱评分的合理性。 分箱之后我们便得到了一系列的离散变量，下面需要对变量进行编码，将离散变量转化为连续变量。WOE编码是评分卡模型常用的编码方式。

肺炎疫情防控监督检查情况报告20203篇.pdf

ENVI监督分类、决策树分类、火烧迹地提取和ArcMap制图，适用于遥感软件初学者大学生

半监督文本分类的变体自动编码器 所有这些存储库都在标题为“用于半监督文本分类的可变自动编码器”的论文中使用。 列表： data：所有数据文件都保存在此目录中，包括数据，单词嵌入，pretrained_weights。 结果：保存结果模型的目录。 assistant_vae和avae_fixed：在VAE中使用辅助变量的模型，可以产生良好的结果。 它们的不同之处在于是否在生成中固定潜在变量。 SemiSample-S1是带有基于EMA基准的基于采样的优化器的模型 SemiSample-S2是带有VIMCO基线的基于采样的优化器的模型 笔记 该代码有点多余，因为最初的模型是使用辅助变量提出的，但是事实证明，如果没有辅助变量，它也可以很好地工作。 要运行此代码，您可能需要预处理的数据，可以通过给我发送电子邮件（pku.edu.cn上的wead_hsu）获得这些数据。 或者，您也可以使用

支持向量机_with_python 在本笔记本中，我们介绍了支持向量机（SVM）算法，这是一种功能强大但简单的监督学习方法，用于预测数据。 对于分类任务，SVM算法尝试将特征空间中的数据划分为不同的类别。 默认情况下，这种划分是通过构造最佳分割数据的超平面来执行的。 为了进行回归，构造了超平面以映射数据分布。 在这两种情况下，这些超平面均以非概率方式映射线性结构。 但是，通过采用内核技巧，我们可以将非线性数据集转换为线性数据集，从而使SVM可以应用于非线性问题。 SVM是功能强大的算法，已得到广泛普及。 这部分是由于它们在高维特征空间中有效，包括那些特征数与实例数相似或略微超过实例数的问题。 与具有大量数据集的内存需求很高的KNN不同，SVM可以提高内存效率，因为仅需要支持向量即可计算超平面。 最后，通过使用不同的内核，SVM可以应用于各种学习任务。 另一方面，这些模型是黑匣子，很难解释

建设工程质量监督信息化的应用.pdf

高达模板支撑系统安全监督导则.pdf

基于半监督的图卷机异常识别DGCN（DGL）项目代码

计量认证专项监督检查检测室自查工作总结.pdf

无监督学习：通过无标签的数据，学习数据的分布或数据与数据之间的关系。 1. 降维算法 1 定义：用低维的概念去类比高维的概念．将高维的图形转化为低维的图形的方法。 1.1. 算法模块 ：PCA算法、NMF（非负矩阵分解）算法、LDA算法等。 1.2. Python库 ：sklearn.decomposution； 2. 主成分分析( PCA )降维算法 1 主成分分析：主成分分析( Principal Component Analysis, PCA )是最常用的一种降维方法，通常用于高维数据集的探索与 可视化，还可以用作数据压缩和预处理等。PCA可以把具有相关性的高维变量合成为线性无关的低维变