diff --git a/search.xml b/search.xml
index 864008a..bb4853f 100644
--- a/search.xml
+++ b/search.xml
@@ -1,23 +1,5 @@
-
- Panda、Numpy、Matplotlib演示
- /2025/03/09/Panda%E3%80%81Numpy%E3%80%81Matplotlib%E6%BC%94%E7%A4%BA/
- 1.matplotlibimport matplotlibmatplotlib.use('TkAgg' ) from matplotlib import pyplot as pltx=[1 ,2 ,3 ,4 ,5 ] y=[2 ,3 ,4 ,5 ,6 ] fig1 = plt.figure(figsize = (5 ,5 )) plt.plot(x,y) plt.title('y vs x' ) plt.xlabel('x' ) plt.ylabel('y' ) plt.show()
-
-2.numpy import numpy as npa = np.eye(5 ) print (type (a))print (a)b = np.ones((5 ,5 )) print (type (b))print (b)print (b.shape) c = a+b print (type (c))print (c.shape)print (c)
-
-3.panda import pandas as pddata = pd.read_csv('detectedData01.csv' ) x = data.loc[:,'编号' ] y = data.loc[:,'姓名' ] c = data.loc[data['性别' ] == 1 , '姓名' ] data_array = np.array(data) data_new = data + 10 data_new.head() data_new.to_csv('data_new.csv' )
-
-
-]]>
-
- 机器学习
-
-
- 库
-
-
JAVA网络编程
/2025/03/28/Java%E7%BD%91%E7%BB%9C%E7%BC%96%E7%A8%8B/
@@ -108,6 +90,105 @@
协议
+
+ Panda、Numpy、Matplotlib演示
+ /2025/03/09/Panda%E3%80%81Numpy%E3%80%81Matplotlib%E6%BC%94%E7%A4%BA/
+ 1.matplotlibimport matplotlibmatplotlib.use('TkAgg' ) from matplotlib import pyplot as pltx=[1 ,2 ,3 ,4 ,5 ] y=[2 ,3 ,4 ,5 ,6 ] fig1 = plt.figure(figsize = (5 ,5 )) plt.plot(x,y) plt.title('y vs x' ) plt.xlabel('x' ) plt.ylabel('y' ) plt.show()
+
+2.numpy import numpy as npa = np.eye(5 ) print (type (a))print (a)b = np.ones((5 ,5 )) print (type (b))print (b)print (b.shape) c = a+b print (type (c))print (c.shape)print (c)
+
+3.panda import pandas as pddata = pd.read_csv('detectedData01.csv' ) x = data.loc[:,'编号' ] y = data.loc[:,'姓名' ] c = data.loc[data['性别' ] == 1 , '姓名' ] data_array = np.array(data) data_new = data + 10 data_new.head() data_new.to_csv('data_new.csv' )
+
+
+]]>
+
+ 机器学习
+
+
+ 库
+
+
+
+ 炎性指标
+ /2025/03/09/%E5%85%B3%E4%BA%8E%E7%82%8E%E7%97%87%E6%8C%87%E6%A0%87/
+ 需要关注的一些指标1. C反应蛋白(CRP) 定义与特点:
+
+CRP 是一种由肝脏合成的急性期蛋白,能迅速反映体内炎症反应。
+响应速度: 炎症或感染发生后,CRP水平一般在6–8小时内开始上升,并在48小时内达到高峰;其半衰期约为19小时,控制炎症后水平会较快下降。
+正常参考值: 大多数实验室的正常值范围约为<10 mg/L(具体数值可能因检测方法不同略有差异)。
+
+临床应用:
+
+急性炎症和感染: 当怀疑急性炎症或感染(特别是细菌感染)时,CRP是一个敏感的指标。
+监测疗效: 治疗过程中CRP下降常提示炎症得到控制;反之,持续或再次升高可能提示病情恶化或继发感染。
+辅助诊断: 虽然CRP本身不具备病因特异性,但其水平可以帮助判断炎症的严重程度,并与其他临床指标、症状综合评估。
+
+局限性:
+
+非特异性: CRP在多种炎症状态(如感染、手术后、创伤、慢性炎症性疾病甚至某些恶性肿瘤)中均可能升高,因此需要结合其他检查结果和临床表现。
+
+2. 降钙素原(PCT) 定义与特点:
+
+PCT 是降钙素的前体蛋白,主要在细菌感染(尤其是严重感染和败血症)时显著升高。
+响应速度: 在细菌感染初期(2–4小时内)开始上升,6–24小时内达到峰值;若感染控制得当,PCT水平会较快下降。
+正常参考值: 正常情况下通常低于0.1 ng/mL,超过0.5 ng/mL常提示存在细菌感染,而>2 ng/mL则可能提示重症感染或败血症。
+
+临床应用:
+
+区分感染类型: PCT较高提示细菌感染,而病毒感染通常不会引起PCT显著上升。
+抗生素指导: PCT水平的变化有助于判断是否需要使用抗生素以及评估抗生素治疗的效果;例如,在抗生素治疗过程中PCT下降可以作为疗效改善的一个指标。
+重症监测: 在ICU及重症患者中,PCT常用于判断感染严重程度和监测败血症发展。
+
+局限性:
+
+部分非感染性因素: 大手术、严重创伤或某些自身免疫疾病中,PCT也可能出现轻度升高。
+成本因素: 相较于CRP和ESR,PCT检测费用较高,在资源有限的情况下需要权衡使用。
+
+3. 红细胞沉降率(ESR) 定义与特点:
+
+ESR 测定红细胞在特定时间(通常为1小时)内的沉降距离,主要反映血浆中急性期蛋白(如纤维蛋白原)等因素的浓度。
+响应速度: ESR反应较慢,升高和下降都不如CRP迅速,因此不适合监测急性变化。
+正常参考值: 正常范围与年龄、性别密切相关,一般男性为0–15 mm/h,女性为0–20 mm/h(具体数值可能因实验室标准略有不同)。
+
+临床应用:
+
+慢性炎症和免疫性疾病: ESR在风湿性关节炎、系统性红斑狼疮、血管炎等疾病中常被用作炎症指标;持续升高可反映慢性炎症状态。
+长期监测: 在一些慢性疾病中,ESR可以作为疾病活动度的一个参考指标,尽管其敏感性和特异性较低,但作为补充信息仍有价值。
+
+局限性:
+
+受多种因素影响: 如贫血、妊娠、老年或某些技术因素均可能影响ESR的值,导致结果的非特异性。
+动态监测不足: 由于变化缓慢,ESR不适合用于急性病情的实时监测。
+
+4.肿瘤坏死因子α(TNF-α) 参考意义
+注意事项
+]]>
+
+ 医学指标
+
+
+ 炎性因子
+
+
面向对象加强
/2025/03/23/%E5%8A%A0%E5%BC%BA/
@@ -684,87 +765,6 @@
集合框架
-
- 炎性指标
- /2025/03/09/%E5%85%B3%E4%BA%8E%E7%82%8E%E7%97%87%E6%8C%87%E6%A0%87/
- 需要关注的一些指标1. C反应蛋白(CRP) 定义与特点:
-
-CRP 是一种由肝脏合成的急性期蛋白,能迅速反映体内炎症反应。
-响应速度: 炎症或感染发生后,CRP水平一般在6–8小时内开始上升,并在48小时内达到高峰;其半衰期约为19小时,控制炎症后水平会较快下降。
-正常参考值: 大多数实验室的正常值范围约为<10 mg/L(具体数值可能因检测方法不同略有差异)。
-
-临床应用:
-
-急性炎症和感染: 当怀疑急性炎症或感染(特别是细菌感染)时,CRP是一个敏感的指标。
-监测疗效: 治疗过程中CRP下降常提示炎症得到控制;反之,持续或再次升高可能提示病情恶化或继发感染。
-辅助诊断: 虽然CRP本身不具备病因特异性,但其水平可以帮助判断炎症的严重程度,并与其他临床指标、症状综合评估。
-
-局限性:
-
-非特异性: CRP在多种炎症状态(如感染、手术后、创伤、慢性炎症性疾病甚至某些恶性肿瘤)中均可能升高,因此需要结合其他检查结果和临床表现。
-
-2. 降钙素原(PCT) 定义与特点:
-
-PCT 是降钙素的前体蛋白,主要在细菌感染(尤其是严重感染和败血症)时显著升高。
-响应速度: 在细菌感染初期(2–4小时内)开始上升,6–24小时内达到峰值;若感染控制得当,PCT水平会较快下降。
-正常参考值: 正常情况下通常低于0.1 ng/mL,超过0.5 ng/mL常提示存在细菌感染,而>2 ng/mL则可能提示重症感染或败血症。
-
-临床应用:
-
-区分感染类型: PCT较高提示细菌感染,而病毒感染通常不会引起PCT显著上升。
-抗生素指导: PCT水平的变化有助于判断是否需要使用抗生素以及评估抗生素治疗的效果;例如,在抗生素治疗过程中PCT下降可以作为疗效改善的一个指标。
-重症监测: 在ICU及重症患者中,PCT常用于判断感染严重程度和监测败血症发展。
-
-局限性:
-
-部分非感染性因素: 大手术、严重创伤或某些自身免疫疾病中,PCT也可能出现轻度升高。
-成本因素: 相较于CRP和ESR,PCT检测费用较高,在资源有限的情况下需要权衡使用。
-
-3. 红细胞沉降率(ESR) 定义与特点:
-
-ESR 测定红细胞在特定时间(通常为1小时)内的沉降距离,主要反映血浆中急性期蛋白(如纤维蛋白原)等因素的浓度。
-响应速度: ESR反应较慢,升高和下降都不如CRP迅速,因此不适合监测急性变化。
-正常参考值: 正常范围与年龄、性别密切相关,一般男性为0–15 mm/h,女性为0–20 mm/h(具体数值可能因实验室标准略有不同)。
-
-临床应用:
-
-慢性炎症和免疫性疾病: ESR在风湿性关节炎、系统性红斑狼疮、血管炎等疾病中常被用作炎症指标;持续升高可反映慢性炎症状态。
-长期监测: 在一些慢性疾病中,ESR可以作为疾病活动度的一个参考指标,尽管其敏感性和特异性较低,但作为补充信息仍有价值。
-
-局限性:
-
-受多种因素影响: 如贫血、妊娠、老年或某些技术因素均可能影响ESR的值,导致结果的非特异性。
-动态监测不足: 由于变化缓慢,ESR不适合用于急性病情的实时监测。
-
-4.肿瘤坏死因子α(TNF-α) 参考意义
-注意事项
-]]>
-
- 医学指标
-
-
- 炎性因子
-
-
回归分析
/2025/03/09/%E5%9B%9E%E5%BD%92%E5%88%86%E6%9E%90/
@@ -1231,6 +1231,64 @@
File和IO流
+
+ 逻辑回归
+ /2025/03/09/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E4%B9%8B%E9%80%BB%E8%BE%91%E5%9B%9E%E5%BD%92/
+ 分类任务任务 :根据余额,判断小明是否会去看电影
+
+
+
+训练数据
+余额
+决定
+
+
+
+1
+1、2、3、4、5
+看电影(正样本)
+
+
+2
+-1、-2、-3、-4、-5
+不看电影(负样本)
+
+
+分类任务的基本框架 :
+
+
+
+
+,
+不 看 电 影 负 样 本 看 电 影 正 样 本
+逻辑回归 用于解决分类问题的一种模型。根据数据特征和属性,计算其归属与某一类别的概率 ,根据概率数值判断其所属类别。主要应用场景:二分类问题 。数学表达式 :
+
+其中, 为类别结果, 为概率分布函数 , 为特征值
+当分类任务变得更为复杂
+
+
+
+三 角 圆
+
+
+
+
+
+三 角 圆
+逻辑回归最小损失函数(J)
+
+
+逻辑回归实战 """ 考试通过预测 examdata.csv为考试数据,包括Exam1, Exam2, Pass """ import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score data = pd.read_csv('examdata.csv' ) data.head() fig1 = plt.figure() plt.scatter(data.loc[:,'Exam1' ], data.loc[:,'Exam2' ]) plt.title('Exam1-Exam2' ) plt.xlabel('Exam1' ) plt.ylabel('Exam2' ) plt.show() mask = data.loc[:,'Pass' ] == 1 fig2 = plt.figure() passed = plt.scatter(data.loc[:,'Exam1' ][mask], data.loc[:,'Exam2' ][mask]) failed = plt.scatter(data.loc[:,'Exam1' ][~mask], data.loc[:,'Exam2' ][~mask]) plt.title('Exam1-Exam2' ) plt.xlabel('Exam1' ) plt.ylabel('Exam2' ) plt.legend((passed,failed),('Pass' ,'Fail' )) plt.show() x = data.drop('Pass' , axis=1 ) y = data.loc[:,'Pass' ] x1 =data.loc[:,'Exam1' ] x2 =data.loc[:,'Exam2' ] LR = LogisticRegression() LR.fit(x,y) y_pred = LR.predict(x) print (y_pred) accuracy = accuracy_score(y, y_pred) print (accuracy) y_text = LR.predict([[70 ,65 ]]) print ('passed' if y_text == 1 else 'failed' ) theta0 = LR.intercept_ theta1,theta2 = LR.coef_[0 ][0 ],LR.coef_[0 ][1 ] print (theta0,theta1,theta2) x2_new = -(theta0+theta1*x1)/theta2 print (x2_new) fig3 = plt.figure() passed = plt.scatter(data.loc[:,'Exam1' ][mask], data.loc[:,'Exam2' ][mask]) failed = plt.scatter(data.loc[:,'Exam1' ][~mask], data.loc[:,'Exam2' ][~mask]) plt.plot(x1,x2_new) plt.title('Exam1-Exam2' ) plt.xlabel('Exam1' ) plt.ylabel('Exam2' ) plt.legend((passed,failed),('Pass' ,'Fail' )) plt.show() x1_2 = x1*x1 x2_2 = x2*x2 x1_x2 = x1*x2 x_new = {'x1' :x1,'x2' :x2,'x1_2' :x1_2,'x2_2' :x2_2,'x1_x2' :x1_x2} x_new =pd.DataFrame(x_new) LR2 = LogisticRegression() LR2.fit(x_new,y) y2_pred = LR2.predict(x_new) accuracy2 = accuracy_score(y, y2_pred) print (accuracy2) x1_new = x1.sort_values() theta0 = LR2.intercept_ theta1,theta2,theta3,theta4,theta5 = LR2.coef_[0 ][0 ],LR2.coef_[0 ][1 ],LR2.coef_[0 ][2 ],LR2.coef_[0 ][3 ],LR2.coef_[0 ][4 ] print (theta0,theta1,theta2,theta3,theta4,theta5) a = theta4 b = theta5*x1_new+theta2 c = theta0+theta1*x1_new+theta3*x1_new*x1_new x2_new_boundary = (-b+np.sqrt(b**2 -4 *a*c))/(2 *a) fig4 = plt.figure() passed = plt.scatter(data.loc[:,'Exam1' ][mask], data.loc[:,'Exam2' ][mask]) failed = plt.scatter(data.loc[:,'Exam1' ][~mask], data.loc[:,'Exam2' ][~mask]) plt.plot(x1_new,x2_new_boundary) plt.title('Exam1-Exam2' ) plt.xlabel('Exam1' ) plt.ylabel('Exam2' ) plt.legend((passed,failed),('Pass' ,'Fail' )) plt.show() plt.plot(x1,x2_new_boundary) plt.show()
+
+]]>
+
+ 机器学习
+
+
+ 库
+ 公式
+
+
面向对象
/2025/03/15/%E9%9D%A2%E5%90%91%E5%AF%B9%E8%B1%A1/
@@ -1564,62 +1622,4 @@
单例类-设计模式
-
- 逻辑回归
- /2025/03/09/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E4%B9%8B%E9%80%BB%E8%BE%91%E5%9B%9E%E5%BD%92/
- 分类任务任务 :根据余额,判断小明是否会去看电影
-
-
-
-训练数据
-余额
-决定
-
-
-
-1
-1、2、3、4、5
-看电影(正样本)
-
-
-2
--1、-2、-3、-4、-5
-不看电影(负样本)
-
-
-分类任务的基本框架 :
-
-
-
-
-,
-不 看 电 影 负 样 本 看 电 影 正 样 本
-逻辑回归 用于解决分类问题的一种模型。根据数据特征和属性,计算其归属与某一类别的概率 ,根据概率数值判断其所属类别。主要应用场景:二分类问题 。数学表达式 :
-
-其中, 为类别结果, 为概率分布函数 , 为特征值
-当分类任务变得更为复杂
-
-
-
-三 角 圆
-
-
-
-
-
-三 角 圆
-逻辑回归最小损失函数(J)
-
-
-逻辑回归实战 """ 考试通过预测 examdata.csv为考试数据,包括Exam1, Exam2, Pass """ import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score data = pd.read_csv('examdata.csv' ) data.head() fig1 = plt.figure() plt.scatter(data.loc[:,'Exam1' ], data.loc[:,'Exam2' ]) plt.title('Exam1-Exam2' ) plt.xlabel('Exam1' ) plt.ylabel('Exam2' ) plt.show() mask = data.loc[:,'Pass' ] == 1 fig2 = plt.figure() passed = plt.scatter(data.loc[:,'Exam1' ][mask], data.loc[:,'Exam2' ][mask]) failed = plt.scatter(data.loc[:,'Exam1' ][~mask], data.loc[:,'Exam2' ][~mask]) plt.title('Exam1-Exam2' ) plt.xlabel('Exam1' ) plt.ylabel('Exam2' ) plt.legend((passed,failed),('Pass' ,'Fail' )) plt.show() x = data.drop('Pass' , axis=1 ) y = data.loc[:,'Pass' ] x1 =data.loc[:,'Exam1' ] x2 =data.loc[:,'Exam2' ] LR = LogisticRegression() LR.fit(x,y) y_pred = LR.predict(x) print (y_pred) accuracy = accuracy_score(y, y_pred) print (accuracy) y_text = LR.predict([[70 ,65 ]]) print ('passed' if y_text == 1 else 'failed' ) theta0 = LR.intercept_ theta1,theta2 = LR.coef_[0 ][0 ],LR.coef_[0 ][1 ] print (theta0,theta1,theta2) x2_new = -(theta0+theta1*x1)/theta2 print (x2_new) fig3 = plt.figure() passed = plt.scatter(data.loc[:,'Exam1' ][mask], data.loc[:,'Exam2' ][mask]) failed = plt.scatter(data.loc[:,'Exam1' ][~mask], data.loc[:,'Exam2' ][~mask]) plt.plot(x1,x2_new) plt.title('Exam1-Exam2' ) plt.xlabel('Exam1' ) plt.ylabel('Exam2' ) plt.legend((passed,failed),('Pass' ,'Fail' )) plt.show() x1_2 = x1*x1 x2_2 = x2*x2 x1_x2 = x1*x2 x_new = {'x1' :x1,'x2' :x2,'x1_2' :x1_2,'x2_2' :x2_2,'x1_x2' :x1_x2} x_new =pd.DataFrame(x_new) LR2 = LogisticRegression() LR2.fit(x_new,y) y2_pred = LR2.predict(x_new) accuracy2 = accuracy_score(y, y2_pred) print (accuracy2) x1_new = x1.sort_values() theta0 = LR2.intercept_ theta1,theta2,theta3,theta4,theta5 = LR2.coef_[0 ][0 ],LR2.coef_[0 ][1 ],LR2.coef_[0 ][2 ],LR2.coef_[0 ][3 ],LR2.coef_[0 ][4 ] print (theta0,theta1,theta2,theta3,theta4,theta5) a = theta4 b = theta5*x1_new+theta2 c = theta0+theta1*x1_new+theta3*x1_new*x1_new x2_new_boundary = (-b+np.sqrt(b**2 -4 *a*c))/(2 *a) fig4 = plt.figure() passed = plt.scatter(data.loc[:,'Exam1' ][mask], data.loc[:,'Exam2' ][mask]) failed = plt.scatter(data.loc[:,'Exam1' ][~mask], data.loc[:,'Exam2' ][~mask]) plt.plot(x1_new,x2_new_boundary) plt.title('Exam1-Exam2' ) plt.xlabel('Exam1' ) plt.ylabel('Exam2' ) plt.legend((passed,failed),('Pass' ,'Fail' )) plt.show() plt.plot(x1,x2_new_boundary) plt.show()
-
-]]>
-
- 机器学习
-
-
- 库
- 公式
-
-
diff --git a/tags/index.html b/tags/index.html
index 04920c9..a6d45be 100644
--- a/tags/index.html
+++ b/tags/index.html
@@ -515,12 +515,6 @@