- 博客(15)
- 收藏
- 关注
RSS订阅原创 K-Mediods算法
K-Mediods算法概述K-mediods算法处理过程实验步骤1 安装并导入所需要的库2 定义一个k-medoid类2.1 创建测试数据并画图表示2.2 定义欧式距离的计算2.3 K-mediods算法2.4 画图分类比较3 sklearn实现K-Medoids算法3.1 引入所需要的库3.2 构造示例数据集（加入少量脏数据）3.3 准备可视化需要的降维数据3.4 对不同的k进行试探性K-medoids聚类并可视化k-meams 和 k-medoids 比较K-mediods算法优缺点概述k-mean
2021-11-30 21:13:23
6955
2
原创 非线性支持向量机
非线性支持向量机概述实验步骤1 安装并导入所需要的库2 创建数据集3 核函数几种常见的核函数1 线性核：Linear Kernel2 多项式核：Polynomial Kernel3 高斯核：Gaussian Kernel4 三维图来表示开头数据的维度5 sklearn实现SVM RBF分类概述SVM 最早是由 Vladimir N. Vapnik 和 Alexey Ya. Chervonenkis 在1963年提出，目前的版本(soft margin)是由 Corinna Cortes 和 Vapnik
2021-11-28 20:18:10
4105
原创 支持向量机（SVM）
这里写目录标题概述支持向量机与超平面点到超平面的距离公式最大间隔的优化模型三级目录概述支持向量机与超平面在了解svm算法之前，我们首先需要了解一下线性分类器这个概念。比如给定一系列的数据样本，每个样本都有对应的一个标签。为了使得描述更加直观，我们采用二维平面进行解释，高维空间原理也是一样。举个例子，假设在一个二维线性可分的数据集中，如下图图A所示，我们要找到一个超平面把两组数据分开，这时，我们认为线性回归的直线或逻辑回归的直线也能够做这个分类，这条直线可以是图一B中的直线，也可以是图一C中的直线，
2021-11-27 15:59:14
890
原创 基于sklearn的人工神经网络
这里写目录标题概述前馈神经网络BP算法实验步骤1 安装并引入必要的库2 数据处理3 拟合预测4 调参4.1 不同的隐含层对于多层神经网络分类器的影响4.2 不同的激活函数对于多层神经网络分类器的影响4.3 优化算法对多层神经网络分类器的影响练习概述受到生物学的启发，人工神经网络是由一系列简单的单元相互紧密联系构成的，每个单元有一定数量的实数输入和唯一的实数输出。神经网络的一个重要的用途就是接受和处理传感器产生的复杂的输入并进行自适应性的学习。人工神经网络算法模拟生物神经网络，是一种模式匹配
2021-11-25 11:05:20
8276
3
原创 分类：逻辑回归
这里写目录标题逻辑回归实验步骤1 安装并引入必要的库2 数据处理3 拟合预测4 调参逻辑回归逻辑回归(Logistic Regression)是一种预测分析，解释因变量与一个或者多个自变量之间的关系，与线性回归不同之处就是它的目标变量有几种类别，所以逻辑回归主要用于解决分类问题。 线性回归适用于估计连续值（例如估算房价），但它不是预测观测数据点类别的最佳工具。为了估计分类，我们需要一些关于该数据点最可能的类别的指导。为此，我们使用Logistic回归。实验步骤1 安装并引入必要的库
2021-11-24 16:13:16
835
原创 广义线性模型
这里写目录标题概述理论推导线性回归算法实验步骤1 安装并引入必要的库2 数据分析处理2.1 加载数据2.2 拆分数据3 拟合预测3.1 线性回归模型3.2 岭回归概述理论推导线性回归算法实验步骤1 安装并引入必要的库!pip install numpy==1.16.0!pip install scikit-learn==0.22.1import numpy as npfrom sklearn import datasets, linear_model, model_
2021-11-23 17:34:09
727
原创 @RestController和@Controller的异同点
1、共同点都是用来表示Spring某个类的是否可以接收HTTP请求2、不同点@Controller标识一个Spring类是Spring MVC controller处理器@RestController： a convenience annotation that does nothing more than adding the@Controller and @ResponseBody annotations。 @RestController是@Controller和@ResponseBody的结合
2020-08-05 00:26:17
122
原创 MD5简介
一、概述MD5（Message-Digest Algorithm 5），即消息摘要算法第五版，是一种被广泛使用的密码散列函数。散列算法的基础原理是：将数据（如一段文字）运算，变为另一段固定长度的值。MD5 可以产生出一个128位（16字节）的散列值（hash value），用于确保传输的信息完整一致。MD5 由美国密码学家 Ronald Linn Rivest 设计，于1992年公开，用以取代 MD4 算法。MD5 算法的程序在 RFC 1321 中被加以规范。二、原理MD5将整个文件当做一个大文
2020-08-03 22:57:02
2447
原创 session和cookie的区别
1、存储位置不同cookie的数据信息存放在客户端浏览器上。session的数据信息存放在服务器上。2、存储容量不同单个cookie保存的数据<=4KB，一个站点最多保存20个Cookie。对于session来说并没有上限，但出于对服务器端的性能考虑，session内不要存放过多的东西，并且设置session删除机制。3、存储方式不同cookie中只能保管ASCII字符串，并需要通过编码方式存储为Unicode字符或者二进制数据。session中能够存储任何类型的数据，包括且不限于st
2020-08-02 20:35:20
95
原创 AOP简介
一、什么是AOP?AOP的全称是 Aspect-Oriented Programming，即面向切面编程（也称面向方面编程）。它是面向对象编程（OOP）的一种补充，目前已成为一种比较成熟的编程方式。在传统的业务处理代码中，通常会进行事务处理、日志记录等操作。虽然OOP可以通过组合或者继承的方式来达到代码的重用，但如果要实现某个功能（如日志记录），同样的代码仍然会分散到各个方法中。这样如果想要关闭某个功能，或者对其进行修改，就必须要修改所有的相关方法。这不但增加了开发人员的工作量，而且提高了代码的出错率。
2020-07-28 20:46:47
1170
原创 软件设计模式之工厂模式&抽象工厂模式
一、工厂模式工厂方法模式（别名：虚拟构造）：定义一个用于创建对象的接口，让子类决定实例化哪一个类。Factory Method使一个类的实例化延迟到其子类。工厂方法模式的关键是在一个接口或抽象类中定义一个抽象方法，该方法返回某个类的子类的实例，该抽象类或接口让其子类或实现该接口的类通过重写这个抽象方法返回某个子类的实例。模式的结构中包括四种角色：抽象产品（Product）具体产品（ConcreteProduct）构造者（Creator）具体构造者（ConcreteCreator）1、抽象产
2020-07-26 21:00:46
709
原创 Ajax简介
一、什么是ajaxajax（Asynchronous JavaScript And XML）即异步JavaScript和XML，它是一种用于创建快速动态网页的技术。作用是通过在后台与服务器进行少量数据交换，使网页实现异步更新。这意味着可以在不重新加载整个网页的情况下，对网页的某部分进行更新。Ajax不是新的编程语言，而是一种使用现有标准的新方法。Ajax最大的优点是在不重新加载整个页面的情况下，可以与服务器交换数据并更新部分网页内容。（这一特点给用户的感受是在不知不觉中完成请求和响应过程）Ajax不
2020-07-25 19:44:42
407
原创 session简介
一、session的简单介绍在WEB开发中，服务器可以为每个用户浏览器创建一个会话对象（session对象），注意：一个浏览器独占一个session对象(默认情况下)。因此，在需要保存用户数据时，服务器程序可以把用户数据写到用户浏览器独占的session中，当用户使用浏览器访问其它程序时，其它程序可以从用户的session中取出该用户的数据，为用户服务。二、session的实现和工作原理浏览器和服务器采用http无状态的通讯，为了保持客户端的状态，使用session来达到这个目的。在session机制
2020-07-25 17:25:37
891
原创 如何配置环境变量以快速打开应用程序？
首先，我们找到需要配置的应用程序后右键选择【属性】（以【腾讯会议】为例演示）后如下图所示复制 【目标（T）】 文本框里的去掉“wemeetapp.exe” 后的位置信息内容。右键单击【我的电脑】，选择【属性】–>【高级系统设置】点击【环境变量（N）】在【系统变量（S）】区选择【新建】，新建一个【变量名】（我这里是WEMEET_HOME），给【变量值】填上刚刚复制的信息，即【Ctrl+V】（我这里是D:\腾讯会议\1.7.0.483）在【系统变量（S）】中的【Path】末尾新建一个变量，
2020-07-20 20:47:23
1725
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人