Inplace 是一个 Matlab 包，用于处理按引用而不是按值传递的矩阵和向量。 这个包允许就地修改函数的变量。 以前，这种行为在 Matlab 中是不可能的。 要安装，请参阅文档页面的安装部分： http : //www.stanford.edu/~dgleich/programs/inplace/ 它提供了两个类，ipdouble 和 ipint32（inplace double 和 inplace int32），它们包装了 Matlab 的 double 和 int32 矩阵和向量。 该包背后的想法只是提供一种直接修改函数参数的方法，而无需返回结果，从而消除所需的副本。 例子： 函数a=func1(a) a(1) = a(1)+1; 函数func2(ipd) ipd(1) = ipd(1)+1; a = 个（5,1）； ipd = ipdouble(a); a = fun

在灰色理论中，背景值系数是影响多变量灰色预测模型性能的一个重要参数。然而，实际操作中为了简化建模过程，既有的多变量灰色预测模型通常将背景值系数取为0.5。

一个表达式中包括变量、常量、操作符、圆括号，圆括号可以嵌套, 编写程序判断表达式中的括号是否正确匹配。输入任意一个表达式，判断其中括号是否匹配，匹配, 输出OK, 不匹配，输出NO。(表达式的长度小于50)

cmake 是常用的跨平台预编译技术。使用cmake可以轻松的构建我们的vs工程。

岭回归分析0 载入库1 数据预处理2 普通线性回归和岭回归2.1 最小二乘法，参数估计2.2 岭回归，参数估计，固定岭参数2.3 岭回归，按 CV 标准自动选择岭参数2.4 列举岭参数的值，计算回归参数，画出岭迹图，计算 VIF 0 载入库 载入 sklearn 模块中的线性回归与岭回归的函数 import numpy as np import matplotlib.pyplot as plt import pandas as pd np.set_printoptions(suppress=True) #不用科学计数法输出 from sklearn.linear_model import Li

函数fun功能是：将a,b中的两个两位正整数合并形成一个新的整数放在c中。合并的方式是：将a中的十位和个位数依次放在变量c十位和千位上，b中的十位和个位数依次放在变量c个位和百位上。 例如，当a=45，b=12.调用该函数后，c=5241. 注意：部分源程序存在文件PROG1.C中。数据IN.DAT中的数据不得修改. 请勿改动主函数main和其它函数中的任何内容，仅在函数fun的花括号中填入你编写的若干语句。

修复Visual Studio控件不能添加变量错误

关于变量分箱主要分为两大类：有监督型和无监督型 对应的分箱方法： A. 无监督：(1) 等宽 (2) 等频 (3) 聚类 B. 有监督：(1) 卡方分箱法(ChiMerge) (2) ID3、C4.5、CART等单变量决策树算法 (3) 信用评分建模的IV最大化分箱 等 本篇使用python，基于CART算法对连续变量进行最优分箱 由于CART是决策树分类算法，所以相当于是单变量决策树分类。 简单介绍下理论： CART是二叉树，每次仅进行二元分类，对于连续性变量，方法是依次计算相邻两元素值的中位数，将数据集一分为二，计算该点作为切割点时的基尼值较分割前的基尼值下降程度，每次切分时，选择基尼下降

运行 M 文件后，如何使用编辑器/调试器将变量加载到工作区）

用法：[Y CovY] = Correlation_elimination( X ) 输入： X表示多元原始观测值（相关数据） 输出： Y 表示多元不相关数据 CovY 是 Y 的协方差_________________________________________ 例子： 将多元 Poisson-Weibull (X) 数据转换为新的不相关数据 (Y) %生成随机数据（使用NORTA方法） corrZ=[1 0.5;0.5 1]; Z=mvnrnd([0 0],corrZ,1000); X(:,1)=poissinv(normcdf(Z(:,1)),3); X(:,2)=wblinv(normcdf(Z(:,1)),3,2); X=X'; [Y CovY] = Correlation_elimination( X ) ____________________________