aab11235的博客

原创 Burp Suite Professional Error No response received from remote server.

重新下载软件，没有进行汉化，好用了。

原创 Microsoft autoupdate 提示【安装更新时出错】

自动更新”会检查和更新你的 Office 副本，确保始终你拥有最新的功能和工具。自动更新 Office for Mac - Microsoft 支持。本人电脑，macbookpro, m1。比输入命令行更简单的方法，亲测有效。

原创 解决Mac无法访问localhost和127.0.0.1

【代码】解决Mac无法访问localhost和127.0.0.1。

原创 苹果系统M1 Burp Suite安装经验资源总结+汉化

MacBook Pro M1 安装Burp Suite资源总结+汉化

原创 iMovie 裁剪视频

iMovie 裁剪视频

原创 SyntaxError: Missing parentheses in call to ‘exec‘

ImportError: cannot import name 'InteractiveConsole' from 'code' (/PycharmProjects/PyTorch_Test/code.py)During handling of the above exception, another exception occurred:Traceback (most recent call last): File "/Applications/PyCharm.app/Contents/plu.

原创 腾讯start云游戏下载地址博客

《START云游戏》官方网站-腾讯云游戏-无需下载，主机大作一点就玩

翻译 Mixture of Deep Neural Networks for Instancewise Feature Selection-基于混合深度神经网络的实例特征选择

Mixture of Deep Neural Networks for Instancewise Feature Selection基于混合深度神经网络的实例特征选择摘要在机器学习模型中，学习相关特征对于解释数据非常重要。与为整个数据选择相关特征子集相比，实例特征选择对于模型解释更为灵活。然而，目前的基于实例的特征选择方法比较复杂，计算量大。我们考虑监督学习框架下的实例特征选择。我们设计了一个紧凑的和可解释的神经网络来解决这个问题。为了减少计算量并获得更好的可解释性，我们将相关特征分组并构建混合

翻译 CancelOut: A Layer for Feature Selection in Deep Neural Networks-深度神经网络中的特征选择层

[1] Borisov V , Haug J , Kasneci G . CancelOut: A Layer for Feature Selection in Deep Neural Networks[C]// 2019.CancelOut: A Layer for Feature Selection in Deep Neural Networks摘要特征排序（FR）和特征选择（FS）是数据预处理的关键步骤；它们可以用来避免维数灾难问题，减少训练时间，提高机器学习模型的性能。在本文中，我们..

翻译 Review of Feature Selection, Dimensionality Reduction and Classification for Chronic Disease Diagnos

Review of Feature Selection, Dimensionality Reduction and Classification for Chronic Disease Diagnosis-慢性病诊断的特征选择、降维和分类综述摘要慢性病的早期诊断在卫生保健界和生物医学领域发挥着至关重要的作用，在这些领域，有必要在疾病的初始阶段进行检测，以降低死亡率。本文研究了特征选择、降维和分类技术在慢性病预测和诊断中的应用。属性的正确选择对提高诊断系统的分类精度起着至关重要的作用。此外，降维技术有

翻译 A survey on feature selection approaches for clustering-聚类特征选择方法综述

Hancer, E., Xue, B. & Zhang, M. A survey on feature selection approaches for clustering.Artif Intell Rev53,4519–4545 (2020). https://doi.org/10.1007/s10462-019-09800-w聚类特征选择方法综述摘要近年来数据的大规模增长给数据挖掘和机器学习任务带来了挑战。主要挑战之一是从原始可用特征集中选择相关特征，从而最大限度地提高原始特征..

翻译 A review of unsupervised feature selection methods-无监督特征选择方法综述（六）

A review of unsupervised feature selection methods-无监督特征选择方法综述（七）文中图表_aab11235的博客-CSDN博客Analysis and discussion在上一节中，根据方法、类型和子类型对无监督特征选择方法进行了分类和回顾。在本节中，将讨论第2节中描述的UFS方法的一些总体方面、优点和缺点。此外，在本节中，对每个类别中最相关和最新的UFS方法进行了实验评估。在表1中，我们总结了属于过滤器、包装器、混合方法的UFS方法的一般..

翻译 A review of unsupervised feature selection methods-无监督特征选择方法综述（七）文中图表

翻译 A review of unsupervised feature selection methods-无监督特征选择方法综述（五）

Hybrids为了利用过滤器和包装器方法，即混合方法，在过滤器阶段，根据数据的内在属性应用度量对特征进行排序或选择。而在包装阶段，通过特定的聚类算法对某些特征子集进行评估，以找到最佳特征子集。我们可以区分两种类型的混合方法：基于排序的方法和不基于特征排序的方法。在本节中，我们描述了属于此方法的两种类型的一些方法。Dash和Liu（2000）介绍了第一种基于排序的无监督混合特征选择方法。该方法基于Dash等人（1997）（过滤阶段）提出的熵测度，以及内部散射可分性准则（Dy和Brodley 2004）

翻译 A review of unsupervised feature selection methods-无监督特征选择方法综述（四）

Wrapper approach基于包装器方法的UFS方法根据特征搜索策略可分为三大类：顺序、仿生和迭代。在前者中，按顺序添加或删除特征。基于顺序搜索的方法易于实现，速度快。另一方面，仿生方法试图在搜索过程中加入随机性，以避免局部最优。最后，迭代方法将无监督特征选择问题转化为估计问题，从而避免了组合搜索，从而解决了无监督特征选择问题。Sequential methodsDy和Brodley（2004）介绍了这一类中最杰出的方法之一。在这项工作中，评估了两个特征选择标准：最大似然标准（ML）和分散

翻译 A review of unsupervised feature selection methods-无监督特征选择方法综述（三）

Multivariate filter methods多变量过滤方法可分为三个主要组：统计/信息，生物启发和基于频谱/稀疏学习的方法。顾名思义，前者包括使用统计和/或信息论度量（如方差-协方差、线性相关、熵、互信息等）执行选择的UFS方法。另一方面，第二组包括的UFS方法，该方法使用基于群体智能范式的随机搜索策略（Beni和Wang 1993；Dorigo和Gambardella 1997），以找到满足某些质量标准的良好特征子集。最后，第三组包括基于光谱分析（Zhao和Liu，2011年）或光谱分析与稀

翻译 A review of unsupervised feature selection methods-无监督特征选择方法综述（二）

UFS如前一节所述，无监督特征选择（UFS）方法可以根据用于选择特征的策略分类为过滤器、包装器和混合方法。在本节中，首先，我们将文献中报告的UFS方法组织到图1所示的分类中。然后，我们描述了每一种方法，重点介绍了它们的主要特点和它们所基于的思想。Filter approach单变量：也称为基于排名的UFS方法，使用一些标准来评估每个特征，以获得有序的特征列表（排名），其中最终的特征子集是根据该顺序选择的。这种方法可以有效地识别和删除不相关的特征，但由于没有考虑特征之间可能的依赖关系，因此

翻译 A review of unsupervised feature selection methods-无监督特征选择方法综述（一）

Solorio-Fernández, S., Carrasco-Ochoa, J.A. & Martínez-Trinidad, J.F. A review of unsupervised feature selection methods. Artif Intell Rev 53, 907–948 (2020). https://doi.org/10.1007/s10462-019-09682-yAbsract近年来，无监督特征选择方法在许多研究领域引起了极大的兴趣；这主要是因为它们能够识

转载 将一个txt文件转换为csv文件，其中txt文件中数据以空格分隔，txt文件以GB2312编码.

https://www.cnblogs.com/Keynman/p/11722974.html利用csv模块：import csvcsvFile = open("data.csv",'w',newline='',encoding='utf-8') # 固定格式writer = csv.writer(csvFile) # 固定格式csvRow = [] # 用来存储csv文件中一行的数据# 对csvRow通过append()或其它命令添加数据writer.writerow(csvRow)

原创 pytorch同时让两个dataloader打乱的顺序是相同

class MyDataset(Dataset): def __init__(self, datasetA, datasetB): self.datasetA = datasetA self.datasetB = datasetB def __getitem__(self, index): xA = self.datasetA[index] xB = self.datasetB[index] ...

原创 pycharm ssh回话设置在其他项目里也能用

preferences->tools->ssh configurations把visible only for this project的对号勾选去掉。

原创 pytorch多块gpu使用总结，报错AssertionError: Invalid device id

pytorch关于多块gpu使用总结，报错AssertionError: Invalid device id实验室有4块gpu想使用标号2，3块时报错：AssertionError: Invalid device id解决方案：修改pytorch感受的设备编号。os.environ['CUDA_VISIBLE_DEVICES'] = '2,3'cuda编号还是从0开始。 device = torch.device("cuda:0" if torch.cuda...

原创 京东商城抓包fp和eid的获取

京东商城抓包fp和eid的获取随便找一个商品下单，然后跟踪变量_JdTdudfp

原创 Django版本与Python版本对应关系

Django 版本 Python 版本 1.8 2.7, 3.2 (until the end of 2016), 3.3, 3.4, 3.5 1.9, 1.10 2.7, 3.4, 3.5 1.11 2.7，3.4，3.5，3.6，3.7 (1.11.17添加) 2.0 3.4，3.5，3.6，3.7 2.1，2.2 3.5, 3.6, 3.7

原创 新手入门第一课——什么是深度学习？百度AI Studio

新手入门第一课——什么是深度学习？大家好，欢迎来到新手入门课程，在这里我会带领大家从一个完全不懂深度学习的小白，通过学习本课程后，能够了解基本的深度学习概念，熟悉必备的数序基础知识，学会常见的编程工具Python，并掌握实用的深度学习框架PaddlePaddle。可能看到本课程的你并不了解什么是深度学习，那么就让我们从第一课开始把——什么是深度学习？一、深度学习的发展历程1.1 T...

转载 python 调用腾讯云接口

【摘要】云服务可以将企业所需的软硬件、资料都放到网络上，在任何时间、地点，使用不同的IT设备互相连接，实现数据存取、运算等目的。当前，云服务已经成为时代潮流，常见的云服务有公共云（Public Cloud）与私有云（Private Cloud）两种。公有云中腾讯云是普及最广的，应用最多的，同时也是API接口最齐全的，支持多种语言调用。【正文】１、腾讯云API简介腾讯云API接口文...

原创 大整数相加、大整数相减、大整数乘小整整数、大整数除小整整数和取模 C语言

#include "cstdio"#include "string"#include "iostream"using namespace std;const int MAXN = 10;struct bigInt { int d[MAXN]; int len;//大整数的位数};bigInt change(string str) {//存一个大整数 bi...

转载 希腊字母在数学或物理中代表的意思各是什么

序号 大写 小写 英文注音 国际音标注音 中文读音 意义1 Α α alpha a:lf 阿尔法 角度；系数2 Β β beta bet 贝塔 磁通系数；角度；系数3 Γ γ gamma ga:m 伽马 电导系数（小写）4 Δ δ delta delt 德尔塔 变动；；屈光度5 Ε ε epsilon ep`silon 伊普西龙 对数之基数6 Ζ ζ zeta zat 截塔...