小明的博客

overview At the start of the lecture, we introduce the “formal ingredients” of a game: the players, their strategies and their payoffs. Then we return to the main lessons from last time: not playing a dominated strategy; and putting ourselves into others’ shoes. We apply these first to defending the Roman Empire against Hannibal; and then to picking a number in the game from last time. We learn that, when you put yourself in someone else’s shoes, you should consider not only their goals, but...

本章小结 一元线性回归（掌握） 回归方程及估计（经验）的回归方程（掌握） 参数的最小二乘估计一最小化残差平方和（掌握） 回归方程的拟合优度： 和估计标准误差（掌握） 回归模型的显著性检验（掌握） 回归方程总体的显著性检脸(线性关系检验，或 F 检验) 回归系数的显著性检验(回归系数检验，或 t 检验) 回归系数的区间估计（掌握） 利用回归方程进行估计和预测（理解） 点估计：个别值的，点估计、平均值的点估计 区间估计：平均值的置信区间估计、个别值的预测区间 相关和回归分析是用来度量数值型自变量和数值型因变量之间关系的分析方法。 相关分析 相关关系是指变量之间存在的不确定的数量关系。这种关系与函数关系最大的区别是一个变量的取值不能由另一个变量唯一确定。 相关是考察两个变量是否存在共同变化的趋势 两个变量共同变化的趋势在统计中用共变异数（covariance）来表示，即变量 A 的取值从低到高变化时变量 B 是否也同样发生变化。 线性相关关系的度量 相关系数（correlation coefficient）是根据样本数据计算的度量两个变量之间线性关系强度的统计量。可以根据计算数...

Introduction All of the notes that you’re about to see were written while I was watching the open course at Yale. and this was my first attempt at writing notes in English, which means that many mistakes in synax and grammar are quite possible. Why I choose wrting English class notes is to make this experience more meaningful! Lecture 1 Overview We introduce Game Theory by playing a game. We organize the game into players, their strategies, and their goals or payoffs; and we learn that we...

Introduction We apply the main idea from last time, iterative deletion of dominated strategies, to analyze an election where candidates can choose their policy positions. We then consider how good is this classic model as a description of the real political process, and how we might build on it to improve it. Toward the end of the class, we introduce a new idea to get us beyond iterative deletion. We think about our beliefs about what the other player is going to do, and then ask what is the...

本章小结 方差分析的基本原理——误差来源分解（理解） 方差分析的基本假设（理解） 单因素方差分析（重点） 有/无交互作用的双因素方差分析（理解） 方差分析就是检验各总体均值是否相等来判断分类型自变量对数值型因变量是否有显著性影响。 在研究一个或者多个分类型自变量和一个数值型因变量之间的关系时，方差分析是主要的方法。 有关术语 在方差分析中，要检验的分类型自变量叫做因素或者因子(factor)。 因素的不同表现称为水平或者处理。 每个因子水平下得到的样本数据称为观测值。 例如, 要分析行业对被投诉次数是否有显著影响。这里的行业是要检验的对象，称为因素或因子； 零售业、旅游业、航空公司、家电制造业是行业这一因素的具体表现，称为水平或处理； 在每个行业下得到的样本数据（被投诉次数）称为观测值。由于这里只涉及行业一个因素，因此称为单因素 4 水平的试验。 因素的每一个水平可以看做一个总体，如零售业、旅游业、航空公司、家电制造业可以看做 4 个总体，上面的数据可以看做从这 4 个总体中抽取的样本数据。被投诉次数是一个数值型变量，行业是自变量，一个分类型变量。...

正则化是为了避免过拟合现象的出现而出现的，本质是对模型训练误差和泛化误差的一个平衡(过拟合下的泛化能力是比较弱的)。正则化是机器学习中的一种叫法，其他领域叫法各不相同: 机器学习把L1L_1L1​和L2L_2L2​叫 正则化，统计学领域叫 惩罚项，数学领域叫 范数 不加入正则化项，我们的目标是最小化损失函数，即经验风险最小化。 加入正则化项，目标变成了最小化损失和复杂度之和，这个称为结构风险最小化。 结构风险最小化时在往往会在正则化项前加一个系数，一般称为正则化系数或者是惩罚系数，这个系数来平衡模型的泛化能力和预测能力的权重。 正则化项一般形式是： β^=argmin(∑i=1n((yi−∑j=1pxijβj)2+∑j=1p∣βj∣q))\hat{\beta}=argmin(\sum_{i=1}^n((y_i-\sum_{j=1}^px_{ij}\beta_j)^2+\sum_{j=1}^p|\beta_j|^q)) β^​=argmin(i=1∑n​((yi​−j=1∑p​xij​βj​)2+j=1∑p​∣βj​∣q)) 在实际运用过程中，比较常用的是L1L_1L1​和L2...

Python 中的*除了常见的以下操作以外： 乘法符号’*’ 导入包内所有内容 除了上述简单的操作以外，’*'还可以实现一些 Python 容器(tuple、list、)里的迭代运算符号。 迭代运算符号 感觉这块的*像是一个简单的迭代生成器，‘*+容器’能够将容器中所有的元素都迭代出来，不过也应该注意的是可以用一个*进行迭代，也可以用两个*进行迭代具体含义是有区别的： 一个星号经常用于迭代元组和列表之类的结构 两个星号会用来迭代字典结构，不过一个星号也可以用于字典对象，迭代生成的是字典的 key 值 def my_add(x,y,z,w): return x+y+z+wdef my_newadd(*pg): print(pg)a=(1,2,3,4)b=['a','b','c','d']print(b)print(*b)d=dict(zip(b,a))my_add(*d)my_newadd(*b)my_newadd(b) 在实际应用过程中，因为’*'的这一特殊作用，常被用作自定义函数...

这篇文章主要介绍了假设检验的一些方法。

一些应该会用到的快捷键 快捷键 描述 Ctrl+Shift+Space 调整输入参数提示是否激活 F12 前往定义 F2 重命名变量 Ctrl+N 新建文件 Ctrl+P 跳转文件 Ctrl+Shift+P 调出命令面板 Ctrl+/ 切换行注释(打开→关闭) Shift+Alt+A 切换块注释 F5 运行 Ctrl + Alt +↑/↓ 插入多个光标（常用于批量去除缩进等操作） F2 选中文件按F2可以进行重命名，按一下重命名文件名字，两下是全名，三下是后缀名(v1.71新功能) 全局 快捷键 描述 Ctrl+Shift+P 调出命令面板 Ctrl+P 快速打开文件 Ctrl+Shift+N 打开新的工作区 基本的编辑 快捷键 描述 Ctrl+Shift+K 删除行 Ctrl+Enter 在本行的下边插入一行 Ctrl+Shift+Enter 在本行的上边插入一行 Ctrl+Shift+\ 跳到匹配的括号 Home/end 行首或者行尾 Ctrl+home/...

网页解析完成的是从下载回来的html文件中提取所需数据的方法，一般会用到的方法有: 正则表达式：将整个网页文档当成一个字符串用模糊匹配的方式来提取出有价值的数据 Beautidul Soup：一个强大的第三方插件 lxml：解析html网页或者xml网页 不同解析办法只是匹配的方式不同，按道理来说几种方法可以相互替换，正则表达式的语法就不做赘述，这里介绍一下Python中的一个库Beautidul Soup，它能将HTML的标签文件解析成树形结构，然后方便地获取到指定标签的对应属性。 Beautiful Soup 官方中文文档 搜索过程： 根据结构化解析的方式将对html的节点按照节点的名称/属性/文字进行搜索： Beautiful使用方法为: 首先根据html网页和解析编码方式创建一个bs对象 调用find_all或者find方法对节点进行搜索,或者使用find()返回第一个匹配结果 对于搜索到的结果 find all(name,attrs,string)其中name参数表示节点的标签名称，attr为节点的属性名称，string为节点的文字内容。 from bs4...