langka9的博客

原创 Python将文字转成音频播放

pyttsx3：https://blog.csdn.net/qq_33273956/article/details/89014015https://app.sanii.cn/?p=262用在windows上还可以，但用在linux上就对播放中文不行ekho：https://blog.csdn.net/K_Linux_Man/article/details/51044166?utm_medium=distribute.pc_relevant.none-task-blog-2%7.

原创 PyQt5拖拽控件开发GUI

https://www.jianshu.com/p/ef71566ff8bb

原创 树莓派安装摄像头

https://baijiahao.baidu.com/s?id=1615754365126262706&wfr=spider&for=pc

转载 怎么在linux切换不同版本的python

https://www.jianshu.com/p/a7d62eca04ba

原创 树莓派centos系统4个分区如何扩容

如果三个主分区就正常在树莓派里用“fdisk”命令。要是四个分区（至少咱这个版本是4个主分区），那就需要用Diskgenius（window）工具扩容一下，具体操作，自己摸索一下，反正新的板子也没什么重要数据。大不了重新烧录嘛...

转载 安装pip的三种方法

https://www.jianshu.com/p/96bfccc7c680

转载 树莓派---GPIO应用详解

https://www.jianshu.com/p/f31b90cc756f

转载 树莓派与电脑之间传输文件

https://recomm.cnblogs.com/blogpost/11044392http://www.bubuko.com/infodetail-2161420.html

转载 树莓派3玩Linux-CentOS7操作系统之配置静态IP地址

https://www.bilibili.com/read/cv10279923/

原创 2021-02-26

pip安装的过程中出现了，比如 pip3 install jupyterAttempting uninstall: terminado Found existing installation: terminado 0.8.1ERROR: Cannot uninstall 'terminado'. It is a distutils installed project and thus we cannot accurately determine which files belong to ..

转载 jupyter notebook 密码设置

原创 Mysql导入csv文件时，日期全部变成空值

首先，对csv的日期字段采用分列的方法变成文本，然后保存然后输入sql语句：ALTER TABLE practice.orderinfoMODIFY COLUMN paidTime datetime null; // 允许空值load data local infile 'D:/MyDownloads/order_info_utf.csv' into table practice.orderinfofields terminated by ','; // 用这行代码导入数据比

转载 Scikit中使用Grid_Search来获取模型的最佳参数

https://blog.csdn.net/u012897374/article/details/74999940

转载 FM、FFM

https://www.jianshu.com/p/1db7404689c5

原创 集成算法总结 AdaBoost、GBDT、XGBoost、LightGBM

https://blog.csdn.net/fenghuibian/article/details/91353348?depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-6&utm_source=distribute.pc_relevant.none-task-blog-BlogComm...

转载 机器学习一览表

https://blog.csdn.net/zqx951102/article/details/83177370?depth_1-utm_source=distribute.pc_relevant.none-task-blog-OPENSEARCH-1&utm_source=distribute.pc_relevant.none-task-blog-OPENSEARCH-1

原创 Kaggle与机器学习流程

机器学习解决问题的流程：http://blog.csdn.net/han_xiaoyang/article/details/50469334https://www.linkedin.com/pulse/approaching-almost-any-machine-learning-problem-abhishek-thakur/xgboost：https://github.com/dmlc/...

转载 localhost、127.0.0.1、0.0.0.0的区别

https://www.jianshu.com/p/ad7cd1d5be45

原创 虚拟机linux用zookeeper同步所有机子的配置文件

1. master安装h2数据库（要下载2019年之前的版本，不然会创建库失败）https://blog.csdn.net/sayyy/article/details/90710557?depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-13&utm_source=distribut...

原创 hbase shell 命令行

https://blog.csdn.net/tototuzuoquan/article/details/73649510https://blog.csdn.net/qq_35447918/article/details/104037018?depth_1-utm_source=distribute.pc_relevant.none-task-blog-OPENSEARCH-2&utm_...

转载 用Python操作HBase之HBase-Thrift

https://blog.csdn.net/y472360651/article/details/79055875?depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromBaidu-2&utm_source=distribute.pc_relevant.none-task-blog-BlogComme...

原创 linux下thrift的安装

1. 下载thrift包（版本根据自己需要改）wget -P /usr/local/src http://archive.apache.org/dist/thrift/0.8.0/thrift-0.8.0.tar.gz2. 安装thrift的依赖包sudo yum install libboost-dev libboost-test-dev libboost-program-optio...

转载 Flume概念与原理、与Kafka优势对比

https://blog.csdn.net/gyshun/article/details/79710534

转载 linux安装使用redis

https://blog.csdn.net/u011159417/article/details/80085011

原创 windows的IDEA、Pycharm

ideahttps://blog.csdn.net/CZXY18ji/article/details/103207771?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-taskhttps://blog.csdn.net/JENREY/article...

转载 Redis集群搭建最佳实践

要搭建Redis集群，首先得考虑下面的几个问题;Redis集群搭建的目的是什么？或者说为什么要搭建Redis集群？Redis集群搭建的目的其实也就是集群搭建的目的，所有的集群主要都是为了解决一个问题，横向扩展。在集群的概念出现之前，我们使用的硬件资源都是纵向扩展的，但是纵向扩展很快就会达到一个极限，单台机器的Cpu的处理速度，内存大小，硬盘大小没办法一直满足需求，而且机器纵向扩展的成本是...

原创 运行hive遇到的一些问题

1. Transform问题不能这样用 select usrid, movieid, rating, transform(ts) using “python stamp2date.py” as date from rating_table; 只能这样用 select transform(usrid, movieid, rating, ts) using “python stamp2date.p...

原创 下载和安装与使用git

下载git，腾讯云https://pc.qq.com/detail/13/detail_22693.html安装githttps://blog.csdn.net/gxx_csdn/article/details/78905231一直下一步保持默认选项进行安装即可， 好吧，我把我的git卸载了再重新安装一遍，被自己蠢到了=.=。 【注：如果按照默认的选项进行安装，不需要自己配置环境变量，...

原创 使用pycharm的pyspark的一些错误

1. key not found: _PYSPARK_DRIVER_CALLBACK_HOST报错https://blog.csdn.net/qq_40454655/article/details/1002245892. TypeError: namedtuple() missing 3 required keyword-only arguments: 'verbose', 'ren...

原创 常见的一些命令与问题

1. mysql -uroot -p // 启动mysql2. su – // 切换超级用户（root和普通用户并不共享所有文件，即在普通用户中配置之后，root中可能不是那种配置）su // 赋予key有root权限su -l key // 从root返回key用户3. /mnt/hgfs/share/ 共享文件夹路径https://www.cnblogs.com/broke...

原创 回归算法（三）：Softmax回归

四、Softmax回归解决多分类问题。1. 换个思路推导出softmax函数在《回归算法（二）：逻辑回归》中提到，P(yi=1|xi)依赖于exp(wxi)，用一个参数向量w来推测yi属于1的概率，exp(wxi)大则说明yi属于1的概率大，exp(wxi)小则说明yi属于1的概率小；只不过在二分类问题中，yi属于1的概率小，则yi不属于1，而属于另一类（yi=0）。但在多分类问题...

原创 用人话理解L1和L2正则化

https://blog.csdn.net/jinping_shi/article/details/52433975

原创 回归算法（二）：逻辑回归

三、逻辑回归解决二分类问题。

原创 回归算法（一）：线性回归

以下所说的样本数量是 M，特征数量是 N一、一元线性回归模型输出：；w是特征权重，b是偏置参数如何拟合出最佳的曲线：最小化即可。以上是高中知识。二、多元线性回归模型输出：公式转换：记住这个结论：累加可以变成一个行向量x列向量。对下面的公式推导很有帮助。为了让公式更加简洁，为什么不把b放进向量里呢？于是有：得：所以有：如何拟合出最佳曲线...

原创 决策树（ID3、C4.5、CART）与随机森林

1. 什么是决策树？根据一系列特征，最终决定结果的树，叫做决策树。2. 如何构建决策树？方案一：ID3算法首先，说明一些重要公式：信息量： 信息熵： 信息熵期望：；s是未分裂前的节点，sj是按照属性 V 分裂后属于各属性值 j 的节点信息熵是事物不确定性的度量标准。信息熵越大，不确定性越大，混乱程度越大。算法流程：（1）给定样本，先将特征离散化...

原创 用人话理解Kmeans聚类

Kmeans聚类1. 层次聚类 vs 非层次聚类 不同类之间有无包含关系2. 硬聚类 vs 软聚类 硬聚类：每个对象只属于一个类 软聚类：每个对象以概率属于某个类。比如：样本1：A-0.8，B-0.1，C-0.13. 各样本之间的距离 ① 将特征向量化，每个样本表示为高维空间的一个点 ② 计算各个点之间的距离（距离与相似度成反比）...

原创 机器学习：分类问题的评价指标

分类预测类别 y1 y2 实际类别 y1 C11 C12 y2 C21 C22 准确度精确率召回率F值β越小，越倾向于精确率；β越大，越倾向于精确率和召回率的混合。最常见是β=1，此时就是常见的AUC欢迎转载，转载请标明出处。...

原创 机器学习评测标准：AUC

机器学习评测标准：AUCAUC的解释：正样本排在负样本之前的概率 ROC曲线与FP_rate围成的面积【ROC曲线：横坐标是FP_rate（假正率），纵坐标是TP_rate（假负率）】要求解AUC避免不了要画ROC，实质上只是求出ROC各点的坐标，那如何画ROC曲线呢？将样本按照预测分数从大到小排列：sample label predict 1 1 ...

原创 用人话理解朴素贝叶斯

用文章分类解释一下朴素贝叶斯公式：X：文章 ----->xj：文章的词 将P(X)转换成P(xj)，即P(X)是特征词在词库中出现的概率 P(yi)：这个类别的先验概率 P(xj|yi)：在yi类别的文章中xj这个特征词出现的概率 P(yi|X)：在这些词的前提下，文章属于类别yi的概率如何判断这篇文章是属于yi还是y2？比较P(y1|X)和P(y2|X)...

转载 矩阵运算——平移，旋转，缩放

平时开发程序，免不了要对图像做各种变换处理。有的时候变换可能比较复杂，比如平移之后又旋转，旋转之后又平移，又缩放。直接用公式计算，不但复杂，而且效率低下。这时可以借助变换矩阵和矩阵乘法，将多个变换合成一个。 最后只要用一个矩阵对每个点做一次处理就可以得到想要的结果。 另外，矩阵乘法一般有硬件支持，比如3D 图形加速卡，处理3D变换中的大量矩阵运算，比普通CPU 要快上1000倍。下面是...