- 博客(132)
- 资源 (6)
- 问答 (2)
- 收藏
- 关注
RSS订阅原创 No suitable device found for this connection (device lo not available（网络突然出问题）
No suitable device found for this connection (device lo not available because device is strictly（网络突然出问题）
2023-02-25 19:01:28
1887
1
原创 Current charset is UTF-8. If password has been set using other charset... 解决办法
因为用的是MySQL 8.0.21的版本，所以密码规则和之前版本的不太一样。所以，在用项目中连接MySQL的时候，就抛了：Current charset is UTF-8. If password has been set using other charset, consider using option ‘passwordCharacterEncoding’ 的异常。我是用下面的方式解决的：use mysql;alter user 'username'@'%' identified wi
2022-05-01 13:37:48
2950
1
转载 import java.util.* cannot be resolved或import java.io.*cannot be resolved解决方案
显示 the import java.util cannot be resolve,怎么解决 显示 the import java.util cannot be resolved,如何解决？在使用eclipse的时候， 好像无意中更改了安装位置(workspace)，现在所有的包都显示无法导入：the import javacannot be resolved请问如何解决这个问题？解决方案：右键项目-------buildpath--------最下面那个configure...
2021-12-31 08:58:51
1506
转载 Docker从入门到掉坑(四)：上手k8s避坑指南
Docker从入门到掉坑(四)：上手k8s避坑指南 在之前的几篇文章中，主要还是讲解了关于简单的docker容器该如何进行管理和操作，在接下来的这篇文章开始，我们将开始进入对于k8s模块的学习不熟悉的可以先回顾之前的章节，Docker教程系列文章将归置到菜单栏：连载中..->Docker一栏。在进行对k8s的学习之前，我们首先来进行几个知识点的回顾： 什么是容器？ docker自身具有哪些特点？ 什么是容器？通俗易懂地来讲，容器是一系列相互隔离的进程。它们
2021-03-10 14:45:38
339
转载 关于-/bin/sh:xx(命令) not found 的几种原因和解决办法
编写背后：昨天移植无线网卡到mini2440基本完成到最后一步：用命令：iwlist scanning 搜索网络时串口终端却出现了 -/bin/sh: iwlist not found ,后来请教老范老师点拨知道是库问题，最后自己找到问题、解决问题，才有此引发有所总结......关于-/bin/sh:xx(命令) not found 的几种原因：1./bin/目录下没有这个命令；2.bin/目录有这个命令，只是执行权限不够，或者程序执行权限不够；3.程序需要的静态库或者动态库没有；...
2021-03-05 10:37:46
7499
1
转载 Jenkins自动触发构建maven多模块项目
Jenkins自动触发构建maven多模块项目 一、要求在一个Spring boot项目中，通过Jenkins来触发构建某单一模块时，其他模块和其余分支不受影响二、Jenkins配置1. 安装插件插件：Generic Webhook Trigger Plugin2. 配置用户设置用户token，不然会报403错误jenkins---> 用户列表----> 具体用户------> 设置（记住token，保存下来）三、构建项目1...
2021-02-19 18:33:11
1177
转载 Win10 安装 Anaconda3 用 Anaconda3 安装TensorFlow 1.2 （只支持python3.5）
Win10 安装 Anaconda31.安装Anaconda3选择相应的Anaconda进行安装，下载地址点击这里，下载对应系统版本的Anaconda，官网现在的版本是Anaconda 4.3.1 for python3.6。笔者安装的是4.3.0版本的。就和安装普通的软件一样，全部选择默认即可，注意勾选将python3.6添加进环境变量。这样Anaconda就安装好了，我们可以通...
2019-11-04 11:17:24
289
转载 Windows10下用Anaconda3安装TensorFlow教程
这是我在自己的笔记本电脑上用Anaconda3安装TensorFlow的教程1. 安装好Anaconda3版本 (1) 注：可以发现最新版本是Anaconda5了（没关系，下载就是了） image (2) 注意安装anaconda时一定要把环境变量加入windows环境中。要没有勾选，安装完后还有手动加入。而且注意3.4版本是默认不加入anaconda的文件路...
2019-11-01 00:53:47
267
转载 python imblearn toolbox 解决数据不平衡问题(四)——联合采样、集成采样、其它细节
一、Combination of over- and under-sampling主要是解决SMOTE算法中生成噪声样本,解决方法为cleaning the space resulting from over-sampling。主要思路是先使用SMOTE进行上采样,再通过Tomek’s link或者edited nearest-neighbours方法去获得一个cleaner space....
2019-08-23 00:51:12
1073
原创 java获取一个byte字节里的某个bit值或连续的几个bit值
在java里，一个byte占8位 ( bit0-bti7 )，那我们怎么去获取其中的某个bit值或连续的几个bit值呢？获取单个bit值：//b为传入的字节，i为第几位（范围0-7），如要获取bit0，则i=0public int getBit(byte b,int i) { int bit = (int)((b>>i) & 0x1); ...
2019-07-29 20:54:47
1877
转载 SecureCRT的安装与破解
SecureCRT的安装与破解（过程很详细！！！）使用SecureCRT可以方便用户在windows环境下对linux主机进行管理，这里为大家讲一下SecureCRT的破解方法，仅供大家参考学习：1.首先在本站下载SecureCRT 7.3.6最新版。软件分为32位和64位程序，选择系统对应的版本安装securecrt 32位：http://www.121down.com/...
2019-07-25 11:30:39
417
原创 Linux系统中安装中文字体方法
Linux系统中安装中文字体方法本例子以安装微软雅黑和黑体为例，其他的同理；0.准备工作： 没有的可以先下载字体，或是到C:\Windows\Fonts目录下找 《simhei.ttf(黑体)》点击下载；《msyh.ttf(微软雅黑)》点击下载；1.创建本地字体文件夹： mkdir /usr/share/fonts/local2.将【simhei.ttf(黑体)】和【...
2019-07-08 15:43:53
626
转载 机器学习中的类别不均衡问题
基础概念类别不均衡是指在分类学习算法中，不同类别样本的比例相差悬殊，它会对算法的学习过程造成重大的干扰。比如在一个二分类的问题上，有1000个样本，其中5个正样本，995个负样本，在这种情况下，算法只需将所有的样本预测为负样本，那么它的精度也可以达到99.5%，虽然结果的精度很高，但它依然没有价值，因为这样的学习算法不能预测出正样本。这里我们可以知道不均衡问题会导致样本较少那一类的高错分率，即...
2019-07-06 15:52:09
675
转载 过采样技术KMeans-SMOTE
（1）现有的研究处理类不平衡的方法要么改变算法本身，要么把不同类的错误分类成本纳入分类过程，要么修改用于训练分类器的数据。重新采样训练数据可以过采样或欠采样。过采样技术要么重复现有样本，要么生成人工数据。SMOTE算法被提出用来避免随机过采样带来的过拟合问题。SMOTE不仅仅复制现有的观察结果，而是生成样本。具体来说，SMOTE随机选择的少数类别样本及其邻近的少数类别样本之间进行线性插值。SM...
2019-07-06 15:49:44
6289
转载 硕士生写小论文的经验(转载)
今天一大早来实验室，收到一份挂号信，打开一看，是编辑社寄过来的发票和稿件录用证明。心情很平静，因为这些都是意料中的事情，只是那1290RMB，看得我心如刀割啊。我投的是计算机核心期刊，影响因子还算可以，编辑社的服务态度还好，有问必答。说是三个月给的消息，两个月就知道录用结果了，而且，据我了解，周围的同学也都是两个月出的消息，这点我要赞一下，不管快慢，两个月肯定给你答复。其实，我在去年9月份就投了...
2019-06-25 16:24:34
6288
转载 IEEE xplore论文免费下载
转载自:https://blog.csdn.net/fkyyly/article/details/80397856#commentsedit方法如下:1.找到某篇文章:https://ieeexplore.ieee.org/document/7965747查询到DOI是:10.1109/SERA.2017.79657472.打开http://sci-hub....
2019-06-22 13:46:20
3055
3
转载 mysql之limit m,n
limit是mysql的语法select * from table limit [m],n;其中，m—— [m]为可选，如果填写表示skip步长，即跳过m条。n——显示条数。指从第m+1条记录开始，取n条记录。如：select * from stu limit 2,4;即：取stu表中第3至第6条，共4条记录。select * from stu limit 5;即：取stu...
2019-06-04 16:48:47
411
转载 mysql数据库连接超过8小时失效的解决方案（springboot）
1，mysql数据库连接超过8小时失效的解决方案（springboot）https://blog.csdn.net/u012859681/article/details/620515092，spring boot mysql 8小时连接超时https://blog.csdn.net/u013378306/article/details/780853663，详解Sprin...
2019-05-22 14:32:10
3908
转载 java list排序
1、简介 这个和数组的排序又不一样了。 其实Java针对数组和List的排序都有实现，对数组而言，你可以直接使用Arrays.sort，对于List和Vector而言，你可以使用Collections.sort方法。 Java API针对集合类型的排序提供了2个方法:java.util.Collections.sort(java.util.List)java.util....
2019-05-08 10:00:05
139
转载 IntelliJ-IDEA相关链接
1，最新IntelliJ IDEA 激活（2100年到期）https://blog.csdn.net/qq_37350706/article/details/81334489
2019-05-05 10:06:03
105
转载 docker容器中安装vim 、telnet、ifconfig命令
在使用docker容器时，有时候里边没有安装vim，敲vim命令时提示说：vim: command not found，这个时候就需要安装vim，可是当你敲apt-get install vim命令时，提示： Reading package lists... Done Building dependency tree Reading ...
2019-04-19 11:16:33
659
转载 强大而精致的机器学习调参方法：贝叶斯优化
一、简介贝叶斯优化用于机器学习调参由J. Snoek(2012)提出，主要思想是，给定优化的目标函数(广义的函数，只需指定输入和输出即可，无需知道内部结构以及数学性质)，通过不断地添加样本点来更新目标函数的后验分布(高斯过程,直到后验分布基本贴合于真实分布。简单的说，就是考虑了上一次参数的信息**，从而更好的调整当前的参数。他与常规的网格搜索或者随机搜索的区别是：贝叶斯调参采用高斯过程...
2019-04-14 23:48:49
2587
转载 调参----贝叶斯优化(BayesianOptimization)
from sklearn.datasets import make_classificationfrom sklearn.model_selection import cross_val_scorefrom sklearn.ensemble import RandomForestClassifier as RFCfrom sklearn.svm import SVCfrom bayes...
2019-04-14 23:03:25
2491
转载 xgboost中XGBClassifier(）参数详解
http://www.cnblogs.com/wanglei5205/p/8579244.html常规参数booster gbtree 树模型做为基分类器（默认） gbliner 线性模型做为基分类器silent silent=0时，不输出中间过程（默认） silent=1时，输出中间过程nthread nthread=-1时，使用全部CPU进...
2019-04-14 17:59:22
1187
转载 机器学习之类别不平衡问题 (3) —— 采样方法
机器学习之类别不平衡问题 (1) —— 各种评估指标机器学习之类别不平衡问题 (2) —— ROC和PR曲线机器学习之类别不平衡问题 (3) —— 采样方法前两篇主要谈类别不平衡问题的评估方法，重心放在各类评估指标以及ROC和PR曲线上，只有在明确了这些后，我们才能据此选择具体的处理类别不平衡问题的方法。本篇介绍的采样方法是其中比较常用的方法，其主要目的是通过改变原有的不平衡样...
2019-04-13 20:43:05
609
转载 机器学习--集成学习（Ensemble Learning）
一、集成学习法在机器学习的有监督学习算法中，我们的目标是学习出一个稳定的且在各个方面表现都较好的模型，但实际情况往往不这么理想，有时我们只能得到多个有偏好的模型（弱监督模型，在某些方面表现的比较好）。集成学习就是组合这里的多个弱监督模型以期得到一个更好更全面的强监督模型，集成学习潜在的思想是即便某一个弱分类器得到了错误的预测，其他的弱分类器也可以将错误纠正回来。集成方法是将几种机器学习技术...
2019-04-10 12:13:40
378
1
转载 ML模型超参数调节：网格搜索、随机搜索与贝叶斯优化
在进行机器学习的过程中，最为核心的一个概念就是参数，而参数又分为模型参数与超参数。模型参数，顾名思义就是我们使用的模型根据训练数据的分布学习到的参数，这一部分不需要我们人为的先验经验。超参数是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据。通常情况下，需要对超参数进行优化，给模型选择一组最优超参数，以提高学习的性能和效果。通常情况下，常用的超参数调参的方法有：网格搜索，随机搜索与贝叶...
2019-04-09 21:11:39
2548
1
转载 sklearn参数优化方法
学习器模型中一般有两个参数：一类参数可以从数据中学习估计得到，还有一类参数无法从数据中估计，只能靠人的经验进行指定，后一类参数就叫超参数比如，支持向量机里的C，Kernel，gama，朴素贝叶斯里的alpha等，在学习其模型的设计中，我们要搜索超参数空间为学习器模型找到最合理的超参数，可以通过以下方法获得学习器模型的参数列表和当前取值：estimator.get_params()skl...
2019-04-09 21:08:09
1906
转载 scikit-learn和tensorflow的区别
1、功能不同Scikit-learn(sklearn)的定位是通用机器学习库，而TensorFlow(tf)的定位主要是深度学习库。一个显而易见的不同：tf并未提供sklearn那种强大的特征工程，如维度压缩、特征选择等。究其根本，我认为是因为机器学习模型的两种不同的处理数据的方式：传统机器学习：利用特征工程(feature engineering)，人为对数据进行提炼清洗 深度学习：利...
2019-04-09 12:02:55
796
转载 XGBoost(极端梯度提升)算法原理小结
前言XGBoost（eXtreme Gradient Boosting）全名叫极端梯度提升，XGBoost是集成学习方法的王牌，在Kaggle数据挖掘比赛中，大部分获胜者用了XGBoost，XGBoost在绝大多数的回归和分类问题上表现的十分顶尖，本文较详细的介绍了XGBoost的算法原理。目录1. 最优模型的构建方法2. Boosting的回归思想3. XGBoost的目标函...
2019-04-08 21:31:05
8315
原创 RF/GBDT/XGBoost/LightGBM简单总结(完结)
阅读目录RandomForest(随机森林): GBDT(梯度提升树) XGBoost LightGBM这四种都是非常流行的集成学习(EnsembleLearning)方式,在本文简单总结一下它们的原理和使用方法.回到顶部RandomForest(随机森林):随机森林属于Bagging,也就是有放回抽样,多数表决或简单平均.Bagging之间的基学习器是并列生成的.R...
2019-04-07 16:39:27
307
转载 Bagging与随机森林算法原理小结
在集成学习原理小结中，我们讲到了集成学习有两个流派，一个是boosting派系，它的特点是各个弱学习器之间有依赖关系。另一种是bagging流派，它的特点是各个弱学习器之间没有依赖关系，可以并行拟合。本文就对集成学习中Bagging与随机森林算法做一个总结。 随机森林是集成学习中可以和梯度提升树GBDT分庭抗礼的算法，尤其是它可以很方便的并行训练，在如今大数据大样本的的时代很有诱惑力。...
2019-04-07 15:58:05
204
转载 Python机器学习笔记——随机森林算法
随机森林算法的理论知识 随机森林是一种有监督学习算法，是以决策树为基学习器的集成学习算法。随机森林非常简单，易于实现，计算开销也很小，但是它在分类和回归上表现出非常惊人的性能，因此，随机森林被誉为“代表集成学习技术水平的方法”。一，随机森林的随机性体现在哪几个方面？1，数据集的随机选取 从原始的数据集中采取有放回的抽样（bagging），构造子数据集，子数据集的数据量是和原始数...
2019-04-07 15:38:12
7117
转载 XGBoost算法原理简介及调参
译文：Complete Guide to Parameter Tuning in XGBoost简介当模型没有达到预期效果的时候，XGBoost就是数据科学家的最终武器。XGboost是一个高度复杂的算法，有足够的能力去学习数据的各种各样的不规则特征。用XGBoost建模很简单，但是提升XGBoost的模型效果却需要很多的努力。因为这个算法使用了多维的参数。为了提升模型效果，调参就不可...
2019-04-06 14:24:00
537
转载 xgboost 参数调优指南
一、XGBoost的优势XGBoost算法可以给预测模型带来能力的提升。当我对它的表现有更多了解的时候，当我对它的高准确率背后的原理有更多了解的时候，我发现它具有很多优势：1 正则化标准GBDT 的实现没有像XGBoost这样的正则化步骤。正则化对减少过拟合也是有帮助的。 实际上，XGBoost以“正则化提升(regularized boosting)”技术而闻名。2 并行处理...
2019-04-06 14:19:46
1461
转载 XGboost数据比赛实战之调参篇(完整流程)
这一篇博客的内容是在上一篇博客Scikit中的特征选择，XGboost进行回归预测，模型优化的实战的基础上进行调参优化的，所以在阅读本篇博客之前，请先移步看一下上一篇文章。我前面所做的工作基本都是关于特征选择的，这里我想写的是关于XGBoost参数调整的一些小经验。之前我在网站上也看到很多相关的内容，基本是翻译自一篇英文的博客，更坑的是很多文章步骤讲的不完整，新人看了很容易一头雾水。由于本人也...
2019-04-06 12:49:39
553
2
转载 XGBoost参数调优完全指南（附Python代码）
译注：文内提供的代码和运行结果有一定差异，可以从这里下载完整代码对照参考。另外，我自己跟着教程做的时候，发现我的库无法解析字符串类型的特征，所以只用其中一部分特征做的，具体数值跟文章中不一样，反而可以帮助理解文章。所以大家其实也可以小小修改一下代码，不一定要完全跟着教程做~ ^0^需要提前安装好的库：numpy,matplotlib,pandas,xgboost,scikit-learn...
2019-04-06 12:38:12
425
Universal-USB-Installer-1-9-5-9
2018-11-22
模糊不完整的人脸照片如何修复完整？
2023-08-28
跪求smotebagging和smoteboosting算法的python实现~
2019-09-09
TA创建的收藏夹 TA关注的收藏夹
TA关注的人