論文的代碼，還沒有學(xué)會(huì)怎么把html直接導(dǎo)到j(luò)upyter notebook并且可以編輯（是要爬蟲嗎還是？），只能一段一段粘貼，運(yùn)行到import arviz as az的時(shí)候又報(bào)錯(cuò)（有種又要重裝環(huán)境的感覺555）先看看html代碼結(jié)合ai學(xué)一下吧。 Weibull regression是建模生存數(shù)據(jù)的一種回歸統(tǒng)計(jì)方法，回歸模型如下：

h

(

t

)=

h

0?(

t

)?exp(

β

1?

x

1?+

β

2?

x

2?+…+

βp

?

xp

?) 時(shí)間t時(shí)發(fā)生的概率=沒有自變量時(shí)的風(fēng)險(xiǎn)概率*exp(回歸系數(shù)與自變量乘積的求和) 在計(jì)算機(jī)中，隨機(jī)數(shù)的生成是基于初始種子的一個(gè)確定的序號(hào)。這樣的確定性隨機(jī)確保了結(jié)果的可重復(fù)性，還是比較重要的。當(dāng)執(zhí)行 np.random.seed(RANDOM_SEED) 這行代碼時(shí)，它會(huì)將 NumPy 隨機(jī)數(shù)生成器的種子值設(shè)置為 RANDOM_SEED 變量的值。 az.style.use("arviz-darkgrid")是arviz中的一個(gè)繪圖樣式，有深色的背景和網(wǎng)格線。 nb_data = nb_data.iloc[:,1:]用處是刪除第一列，第一個(gè)：表示所有行，1： 表示從第二列開始的所有列。 X_freq=nb_data[["lvmt","walk_ratio"]]的用處是把nb_data的"lvmt"和"walk_ratio"這兩列提取出來(lái)。 BART（Bayesian Additive Regression Trees貝葉斯回歸樹）和NB（Negative Binomial負(fù)二項(xiàng)分布）是這個(gè)代碼的數(shù)學(xué)基礎(chǔ)，可能以后深入這方面還得專門學(xué)一下，應(yīng)用層面的話或許就不用了，似乎和機(jī)器學(xué)習(xí)中也用了很多這方面知識(shí)。 這么說(shuō)我把相似性研究和這個(gè)回歸模型建立背后的數(shù)學(xué)知識(shí)學(xué)了，就能對(duì)動(dòng)態(tài)規(guī)劃和貝葉斯模型有初步掌握？或許把時(shí)間投入到這上面是值得的，反正研一還有時(shí)間學(xué)學(xué)這樣。不過(guò)動(dòng)態(tài)規(guī)劃真的難掌握，每次學(xué)一遍過(guò)半個(gè)月又忘了還得重學(xué)，也許智商上限確實(shí)這樣了哈哈，不過(guò)通過(guò)表格算法確實(shí)能輔助理解。不知道貝葉斯怎么樣，本科統(tǒng)計(jì)學(xué)過(guò)的是基礎(chǔ)的。也算是能把機(jī)器學(xué)習(xí)兩個(gè)重要章節(jié)學(xué)了。似乎力扣中也有很多這兩方面的題？ 對(duì)了，還有html怎么更有效的利用，有機(jī)會(huì)學(xué)學(xué)可以更好利用網(wǎng)頁(yè)上的資源。