MF-DFA-master

应用背景 数据   ：两个月之内 40000个客户的15个数据字段   包含客户的 地          理位置，职业，职级，年收入，。。。。。。    购买过得产品 目的：对新客户进行推荐一个适合该客户的产品， 对老客户推荐可能再购买的产品 数据处理    数据清洗：   describe 每个特征统计分析       方差     -分析缺陷特征和波动性                 空值赋值为  “-1 “              -  保证模型的可使用    数据归一化：eg：邮编 相似度不高 根据一线二线….进行划分  – 特征的重要性 关键技术特征选择    随机森林：  判断特征的重要性 ：思考为何重要性高     AHP    ：  迭代设置每个特征的权重 模型选择   ：根据数据量数量，是否有标签，分类or回归选取 关于模型选择时候我想用协同过滤  但是不知道关于特征的协同过滤是怎么执行的   是每个特征都有一个评分构成评价矩阵么？

多重分形去趋势波动分析法，用于不同时间序列的重分形交叉相关性分析。(Multifractal detrended fluctuation analysis)

通过Python对妹子图网站的图片集进行爬取(Crawling the collection of images on the sister map site via Python)

说明：  python PCA算法原理推导，及源代码实现，并基于PCA算法实现图片压缩，附pdf文件说明(Python PCA algorithm principle derivation, and source code implementation, and based on PCA algorithm to achieve image compression, with PDF file description)

Eclat算法是一种深度优先算法,采用垂直数据表示形式,在概念格理论的基础上利用基于前缀的等价关系将搜索空间(概念格)划分为较小的子空间(子概念格)。Eclat算法采用方法二计算支持度。对候选k项集进行支持度计算时,不需再次扫描数据库,仅在一次扫描数据库后得到每个1项集的支持度,而候选k项集的支持度就是在对k-1项集进行交集操作后得到的该k项集Tidset中元素的个数。本算法利用diffset数据格式实现。

数据挖掘，推荐系统，堆叠降噪自编码器，逻辑回归(Data mining, recommender systems, stack noise reduction, self coder, logic regression)

通过包围盒法和K-D树法实现电云数据的邻域收索，邻域值可以自动设置(Point cloud data by bounding boxes and K-D tree search method income neighborhood, neighborhood values can be automatically set)

脉动风速功率谱估计,并与标准风谱进行对比()

FDTD three-dimensional CPML

说明：  一个用python实现的PCA算法，并且给了简易素材(A PCA algorithm implemented in python, and gave a simple material)