评分卡建模学习（一）————数据预处理part.3

评分卡建模学习（二）————变量分箱学习part.1

变量分箱（Variable Binning 或 Binning）是指将变量的取值范围分割成若干个互不重叠的区间（称为“箱子”），并将原始数据根据其取值分配到这些区间中的过程。这个过程通常用于数据分析和数据挖掘中，以改善数据的可解释性、降低数据的复杂性，或者为某些统计模型或机器学习算法准备数据。变量分箱：是一种数据预处理技术，它涉及将一个或多个连续变量或类别变量的取值范围分割成若干个离散的组别（箱子）。对于连续变量，这通常意味着将无限的数值范围转换为有限的几个类别；

PART 3.2 风控建模卡方分箱前期数据处理篇

单一变量比重检测 通常是设置比例的 #drop_list不满足条件列表 drop_list=[] #对变量单一值进行检测，比例大于等于0.95，放入不满足条件列表，最后扔掉 for col in adata.columns: percent = adata[col].value_counts().max()/float(len(adata)) if percent>=0....

PART 2.2 风控建模前数据预处理&清洗

广义数据预处理包括：数据清洗，数据集成（用户基础数据，外部第三方数据，埋点数据），数据变换（WOE） 类型 重复值 字段问题 空格 大小写不一致 多余符号 关键字 替换 缺失值 完全随机缺失（是随机的，数据的缺失不依赖于任何不完全变量或完全变量：设备出问题，导致缺失值，仅仅本身问题） 随机缺失（数据的缺失不是完全随机的，即该类数据的缺失依赖于其他完全变...

PART 3.1 风控建模卡方分箱步骤详解篇

风控建模卡方分箱内容详解篇 这是我第一次使用CSDN文章，希望将很多事情做到细致和极致，也希望真的可以给大家带来帮助 客观讲，卡方检验逻辑简单， 基于四个表计算卡方值， 通过自由度，置信度得到该条件下的卡方值 基于四个表卡方值与实际操作进行比对，对实际结果进行比对，是否有显著区别 风控建模分箱流程图 很多博客很客观的讲，代码的问题不多讲述，基本都是以代码讲解，大部分都是复制，不具备可读性，这里...

风控建模专栏：日志记录&内容发布

风控建模篇： 卡方分箱篇 处女文章 1：PART 3.1 风控建模卡方分箱步骤详解篇 发布时间：2019年02月11日 2：PART 3.2 风控建模卡方分箱前期数据处理篇 发布时间：2019年02月13日 3：PART 3.3 风控建模卡方分箱计算篇 发布时间：2019年03月06日 数据预处理篇 4 PART 1 如何确定建模的Y值 发布时间：2019年02月19日 5 PART 2.1...

Python | 基于LendingClub数据的分类预测研究Part02——进一步分类研究+结论+完整详细代码

三、对Lending Club数据集分类预测的进一步分析： 3.1 特征选取与预处理； 3.2 算法的介绍； 3.2.1 随机森林； 3.2.2 极端随机树； 3.3 建模分析与结果比较； 3.3.1 决策树； 3.3.2 随机森林； 3.3.3 极端随机树； 3.3.4 比较分析； 四、结论： 五、完整代码汇总： 5.1 Lending Club部分数据分析； 5.2 逻辑回归对Lending Club二分类； 5.3 多源数据集分类； 5.4 Lending Club三分类；

多维聚合实战：超越GROUP BY的维度建模与空值治理

多维聚合是数据分析的核心能力，本质是在时间、地域、产品等多维坐标系中对数据点进行结构化汇总。其技术原理远超基础GROUP BY，涉及维度空间建模、GROUPING SETS组合控制、FILTER条件聚合及窗口函数二次计算。关键价值在于支撑管理报表钻取、客户健康度建模、设备OEE分析等高阶业务场景，解决传统分组无法生成全量维度组合、空值语义模糊、跨周期统计失真等痛点。本文聚焦PostgreSQL与Pandas协同实践，深入拆解ROLLUP/CUBE/ GROUPING SETS选型逻辑、GROUPING()函

机器人运动控制学习3——动力学

现在正式进入动力学。

Linux系统学习：进程间的通信

读写端都存在，可以读写管道，但是如果管道是满的，写操作阻塞，如果管道是空的，读操作会阻塞；读端存在写端不存在，如果管道是空的，读操作直接返回；有名管道进行通信时，需要进行打开操作 open，如果只有一端 以 只读或只写的方式打开 ，此时程序会阻塞在open操作 ，必须等待 另一端 以只写或只读的相对方式打开，阻塞才会解除，此时也表示有名管道文件 读端和写端都打开了。就是在内核建立一个管道，无名管道本质上是一种特殊的文件，它不存在硬盘，而是在内核空间的内存中，因为在文件系统中没有名字，所以叫无名。

一天半时间 学习完ROS系列

APT Github下载软件包网站：https://github.com/6-robotswin+空格键 或者shift可以切换中英文输入法cd ~ 回到主文件夹gedit 名字.格式。

VLM学习-DINOv2论文解读

**一句话总结**：DINOv2 通过"自动化筛选构建的 1.42 亿高质量图像数据集（LVD-142M）+ DINO/iBOT 组合式判别自监督训练 + 大规模训练工程优化"，训练出 1B 参数 ViT-g 并蒸馏出系列小模型，仅凭自监督、无需任何标注或文本监督，就产出了在分类、检索、分割、深度估计等图像级与像素级任务上媲美甚至超越 OpenCLIP 等弱监督模型的通用冻结特征，确立了"数据质量驱动的自监督视觉基础模型"路线。

北斗导航 ｜ 从零开始学习基于奇偶矢量的接收机自主完好性监测（RAIM）算法及改进

接收机自主完好性监测（Receiver Autonomous Integrity Monitoring, RAIM）是GNSS接收机内部的一种算法，它仅利用冗余的伪距观测量来判断定位结果是否可靠、是否存在故障卫星，并能识别和排除故障卫星。奇偶矢量法是RAIM最经典的实现方式之一，它将不可直接观测的测量误差映射到一个“奇偶空间”中，使故障检测变得简单且服从精确的概率分布。w\mathbf{w}w虽然能反映故障，但它的协方差矩阵不是单位阵，各分量相关，不利于统计检验。奇偶矢量通过一个正交变换P。

青少年网页制作入门学习架构方案-阿雪技术观-东方仙盟

兴趣优先：特效先行，动态渲染实时反馈，降低网页入门门槛，提升青少年学习速度；对标考试：模拟 NetBeans IDE 环境，训练上机答题技巧，适配 Web 二级考试的练习需求；自主可控：可自建题库，支持嵌入式部署，对接外部测试平台，支持多端使用；学习闭环：代码保存、自动评分、进度笔记、错题复盘，形成完整学习闭环；开源探索：允许学生修改平台源码，自主开发特效，变被动刷题为主动创造；向上拓展：不只学网页基础，延伸到 AI 网页纠错、跨平台套壳、多编程语言交互，为后续软件开发打下基础。

[论文学习]AutoMalTool:基于模型上下文协议工具的LLM智能体自动红队测试

随着大语言模型（LLM）的迅猛发展，LLM智能体已在金融、软件开发、科学研究等众多领域得到广泛应用。为了标准化LLM智能体与外部资源的交互，模型上下文协议（Model Context Protocol, MCP）应运而生，并已成为事实上的行业标准。然而，MCP工具的引入也带来了全新的安全风险——工具投毒攻击。攻击者通过提示注入等手段，在MCP工具的元数据（如工具描述）中植入恶意指令，生成恶意MCP工具。

VLM学习-CLIP论文解读

CLIP论文翻译

【ICML 2025】SynSup：理论引导的少样本合成数据训练｜从少样本视觉学习视角

【ICML 2025】SynSup 用可证明的泛化界同时指导数据分区、合成数据生成与分类器训练，10 个少样本数据集平均 87.0%，超最强基线 DataDream 达 0.7 个百分点。

OpenClaw源码学习

概述、Gateway、Agent运行时、多渠道通信系统:、消息标准化安全控制、浏览器控制实现、CDP协议封装、浏览器操作配置文件管理、Canvas可视化系统、节点系统、节点管理、跨平台应用、工具系统、技能系统、三层技能体系、技能的构建和执行、沙箱系统、沙箱工作流程、安全机制、开发工具链、代码质量工具、测试体系、持续集成、package.json、生产依赖、可选依赖、开发依赖

LVGL学习笔记（六）

本文介绍了事件冒泡的概念、作用、使用场景及其实现方式，并提供了一个简单的计算器实例。