expleeve

ID3 熵公式 Entropy(S)=∑i=1c−pilog2pi Entropy(S) = \sum_{i=1}^c - p_ilog_2p_i Gain信息增益 Gain(S,A)=Entropy(S)−∑v∈>VA|Sv||S|Entropy(Sv) Gain(S, A) = Entropy(S) - \sum_{v \in> V_A}\frac{|S_v|}{|S|}Ent

1、wget https://cloud.r-project.org/src/base/R-3/R-3.0.1.tar.gz2、由于Linux下R默认不支持Rserve安装，需要重新编译解压R-3.0.1.tar.gz包./configure --enable-R-shlibmake --enable-R-shlibmake install3、https://rforge.

LU分解是将矩阵分解为一个下三角矩阵和一个上三角矩阵的乘积。矩阵可以不是NxN的矩阵一个可逆矩阵可以进行LU分解当且仅当它的所有子式都非零。如果要求其中的L矩阵（或U矩阵）为单位三角矩阵，那么分解是唯一的。同理可知，矩阵的LDU可分解条件也相同，并且总是唯一的。即使矩阵不可逆，LU仍然可能存在。实际上，如果一个秩为k的矩阵的前k个顺序主子式不为零，那么它就可以进行LU分解，但反之则不然。

1. 前言本来这篇标题我想的是算法工程师的技能，但是我觉得要是加上机器学习在标题上，估计点的人会多一点，所以标题成这样了，呵呵，而且被搜索引擎收录的时候多了一个时下的热门词，估计曝光也会更多点。不过放心，文章没有偏题，我们来说正经的。今天就说说机器学习这个最近两年计算机领域最火的话题，这不是一篇机器学习的技术文章，只是告诉大家机器学习里面的坑实在是太多，而且很多还没入门或者刚刚入门

Cholesky 分解是把一个对称正定的矩阵表示成一个下三角矩阵L和其转置的乘积的分解。它要求矩阵的所有特征值必须大于零，故分解的下三角的对角元也是大于零的。Cholesky分解法又称平方根法，是当A为实对称正定矩阵时，LU三角分解法的变形。通过直接比较A=LL^T两边的对应元素来计算L。设L为一下三角形实矩阵，其元素由  （i为所在行，j为所在列）确定。比较A=LL^

看了Mahout的基于用户的协同过滤算法的实现主要包含以下步骤：1、根据用户对于物品的已有偏好值，计算各个用户之间的相似度（如，皮尔逊相关系数）2、获取当前用户的最相似的N个用户3、获取当前用户没有给出偏好的，N个用户已给出偏好的物品集合4、通过(SUM(当前用户偏好值x与当前用户相似度)/总相似度)计算物品对于N个用户的平均偏好5、获取TopN个物品作为用户的推荐结果返回

鄙人不才，最近才接触Hadoop，用来做些分析。下面把搭建Hadoop环境遇到的一些坑记录一些，做个记录。一、搭建虚拟机，初试Hadoop1、使用VMWare安装Ubuntu16.04，包括添加共享等2、安装JDK1.7和ssh，Java1.6没装3、下载Hadoop2.6.0，是bin版本的4、参考Hadoop的文档，在Linux下运行了一下Standalone Oper

https://www.zhihu.com/question/36224636/answer/66618532

今天使用CrossTable生成列联表时，遇到了一个问题，这里记录一下library(vcd)library(gmodels)CrossTable(Arthritis$Treatment, Arthritis$Improved)得到的结果是 Cell Contents|-------------------------||

http://www.doc88.com/p-6814714402991.htmlhttp://www.docin.com/p-676114198.html

x2检验（chi-square test）或称卡方检验，是一种用途较广的假设检验方法。可以分为成组比较（不配对资料）和个别比较（配对，或同一对象两种处理的比较）两类。    一、四格表资料的x2检验    例20.7某医院分别用化学疗法和化疗结合放射治疗卵巢癌肿患者，结果如表20-11，问两种疗法有无差别？表20-11 两种疗法治疗卵巢癌的疗效比较组别

似然函数在形式上，其实就是样本的联合密度。把x1，x2，x3，．．．．．，xn看作常数，而把待定参数θ0，θ2，．．．．．，θn看作 L 的自变量。对连续型总体X 和 离散型随机变量X，样本的似然函数分别是概率密度 和 分布率的连城形式。极大似然估计法的基本思想：在OLS估计中，我们假定一个单一总体的参数是确定的。这个总体可以生成大量的随机样本，我们所用的样本不过是其中的一个。总之

最小二乘法 Method of Ordinary Least Squares 原理：构造合适的估计量，使得残差平方和（Residual Sum of Squares, RSS）最小。 \sum_{i=1}^n i = \frac{n(n+1)}2

长时间以来一直不了解矩阵的特征值和特征向量到底有何意义（估计很多兄弟有同样感受）。知道它的数学公式，但却找不出它的几何含义，教科书里没有真正地把这一概念从各种角度实例化地进行讲解，只是一天到晚地列公式玩理论——有个屁用啊。根据特征向量数学公式定义，矩阵乘以一个向量的结果仍是同维数的一个向量，因此，矩阵乘法对应了一个变换，把一个向量变成同维数的另一个向量，那么变换的效果是什么呢？这当然与方阵的构

文章主要讲了 凝固程度和自由程度 的应用，可以参考http://www.csdn.net/article/2013-05-08/2815186

C4.5 熵公式 Entropy(S)=∑i=1c−pilog2pi Entropy(S) = \sum_{i=1}^c - p_ilog_2p_i Gain信息增益 Gain(S,A)=Entropy(S)−∑v∈VA|Sv||S|Entropy(Sv) Gain(S, A) = Entropy(S) - \sum_{v \in V_A}\frac{|S_v|}{|S|}Entro

声明：以下方法基于小样本不放回抽样，每次抽取得到的概率相同，即依赖于之前的结果，如有错误则如下不成立。平时，我们获取不重复的随机数时，一般需要有个位图，或者集合记录，或者进行循环嵌套比较，保证没有重复的数字被选中出来，我今天使用抽样的时候也想了一下这个问题。做下记录，如下：1、我们希望从1~100这100个数中，随机抽取10个不重复的数2、这相当于找出一个由1和0表示的序列，序列长度为