- 博客(8)
- 资源 (6)
- 收藏
- 关注
RSS订阅转载 java jdbc连接数据库的完整步骤
JDBC连接数据库 •创建一个以JDBC连接数据库的程序，包含7个步骤： 1、加载JDBC驱动程序： 在连接数据库之前，首先要加载想要连接的数据库的驱动到JVM（Java虚拟机）， 这通过java.lang.Class类的静态方法forName(String className)实现。 例如： try{
2015-09-30 10:56:33
584
转载 KMeans算法的K值以及初始类簇中心点的选取
KMeans算法是最常用的聚类算法，主要思想是:在给定K值和K个初始类簇中心点的情况下，把每个点(亦即数据记录)分到离其最近的类簇中心点所代表的类簇中，所有点分配完毕之后，根据一个类簇内的所有点重新计算该类簇的中心点(取平均值)，然后再迭代的进行分配点和更新类簇中心点的步骤，直至类簇中心点的变化很小，或者达到指定的迭代次数。 KMeans算法本身思想比较简单，但是合理的确定K值和K个初始类簇
2015-09-22 09:16:22
45526
1
原创 hive的远程模式安装（用mysql作为hive的元数据库）
主机ip（主机名）：192.168.80.10(Master)192.168.80.11(Slave1)192.168.80.12()Slave2在主机Master中解压hive：tar –zxvf hive hive-0.9.0.tar.gz 设置环境变量，这里我用的是root用户修改/etc/profile文件。然后source /etc/profile
2015-09-19 20:10:38
7043
2
转载 MapReduce工作原理
本文的目录：1.MapReduce作业运行流程2.Map、Reduce任务中Shuffle和排序的过程 MapReduce作业详细的执行流程：流程分析：1.在客户端启动一个作业。2.向JobTracker请求一个Job ID。3.将运行作业所需要的资源文件复制到HDFS上，包括MapReduce程序打包的JAR文件、配置文
2015-09-18 10:01:04
663
转载 最优化问题中，牛顿法为什么比梯度下降法求解需要的迭代次数更少？
牛顿法是二阶收敛，梯度下降是一阶收敛，所以牛顿法就更快。如果更通俗地说的话，比如你想找一条最短的路径走到一个盆地的最底部，梯度下降法每次只从你当前所处位置选一个坡度最大的方向走一步，牛顿法在选择方向时，不仅会考虑坡度是否够大，还会考虑你走了一步之后，坡度是否会变得更大。所以，可以说牛顿法比梯度下降法看得更远一点，能更快地走到最底部。 根据wiki上的解释，从几何上说，牛顿法就是
2015-09-11 23:37:34
1832
转载 逻辑斯蒂回归与梯度下降算法
Logistic回归属于分类模型。回顾线性回归，输出的是连续的实数，而Logistic回归输出的是[0,1]区间的概率值，通过概率值来判断因变量应该是1还是0。因此，虽然名字中带着“回归”（输出范围常为连续实数），但Logistic回归属于分类模型（输出范围为一组离散值构成的集合）。整体步骤假如我们的自变量是“数学课和英语课的成绩”，x={x1,x2}，因变量是“能否被哥大录取”，y∈{0
2015-09-11 23:34:03
5261
转载 线性回归与梯度下降算法
仍然是以房价与房屋面积的例子引出线性回归问题的解答。首先定义一些符号：m：训练数据的大小x：输入变量，是向量y：输出变量，是实数(x,y)：一个训练实例：第i 个训练实例，i 是上标而不是指数在这里，为了方便说明，又添加了一个变量，问题变为房屋面积和卧室数目与房屋价格的关系。如果假设训练集中的数据使用线性回归解决的话，假设拟合函数如下：其中x
2015-09-11 23:13:15
819
转载 随机森林算法
随机森林顾名思义，是用随机的方式建立一个森林，森林里面有很多的决策树组成，随机森林的每一棵决策树之间是没有关联的。在得到森林之后，当有一个新的输 入样本进入的时候，就让森林中的每一棵决策树分别进行一下判断，看看这个样本应该属于哪一类（对于分类算法），然后看看哪一类被选择最多，就预测这个样本 为那一类。在建立每一棵决策树的过程中，有两点需要注意 - 采样与完全分裂。首先是两个随机采样的过程，ra
2015-09-10 15:41:34
1330
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人