摘要：1. Approximation Probabilistic model 中的一个 central task ：给定一组observation X 后，计算latent variables Z 的后验概率P( Z | X)。以及一些expectation with respect to P(Z| X)。很多情况下P( Z | X)是analytically intractable 的。这就需要有approximation 方法。 Latent variable ：只要没有观察到的都归为 latent variable ，比如在 Bayesian 中的parameter（它们是random .. 阅读全文
数据的标准化
2013-09-11 10:03 by Loull, 379 阅读, 0 推荐, 收藏,
摘要：数据的标准化（normalization）是将数据按比例缩放，使之落入一个小的特定区间。在某些比较和评价的指标处理中经常会用到，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。 其中最典型的就是数据的归一化处理，即将数据统一映射到[0,1]区间上，常见的数据归一化的方法有：min-max标准化(Min-max normalization) 也叫离差标准化，是对原始数据的线性变换，使结果落到[0,1]区间，转换函数如下： 其中max为样本数据的最大值，min为样本数据的最小值。这种方法有一个缺陷就是当有新数据加入时，可能导致max和min的变化... 阅读全文
libsvm使用
2013-09-09 01:22 by Loull, 324 阅读, 0 推荐, 收藏,
摘要：先挖个坑，有空重写svm_scale, svm_train, svm_predict几个代码，给的实在写的不敢恭维package org.ml.svm;import java.io.File;import java.io.FileDescriptor;import java.io.FileOutputStream;import java.io.IOException;import java.io.PrintStream;public class SVMTest { public static void main(String[] args) throws IOException ... 阅读全文
【java】System.out重定向到文件，并重定向会console上
2013-09-09 01:20 by Loull, 1931 阅读, 0 推荐, 收藏,
摘要：重定向到文件：System.setOut(new PrintStream(new File("data\\train.1.scale")));重定向回console：//把输出重定向会console上System.setOut(new PrintStream(new FileOutputStream(FileDescriptor.out))); 阅读全文
编译型与解释型、动态语言与静态语言、强类型语言与弱类型语言的区别
2013-09-08 21:45 by Loull, 330 阅读, 0 推荐, 收藏,
摘要：编译型和解释型我们先看看编译型，其实它和汇编语言是一样的：也是有一个负责翻译的程序来对我们的源代码进行转换，生成相对应的可执行代码。这个过程说得专业一点，就称为编译（Compile），而负责编译的程序自然就称为编译器（Compiler）。如果我们写的程序代码都包含在一个源文件中，那么通常编译之后就会直接生成一个可执行文件，我们就可以直接运行了。但对于一个比较复杂的项目，为了方便管理，我们通常把代码分散在各个源文件中，作为不同的模块来组织。这时编译各个文件时就会生成目标文件（Object file）而不是前面说的可执行文件。一般一个源文件的编译都会对应一个目标文件。这些目标文件里的内容基本上已. 阅读全文
【转】 Oracle 用户权限管理方法
2013-09-07 00:32 by Loull, 225 阅读, 0 推荐, 收藏,
摘要：sys;//系统管理员，拥有最高权限 system;//本地管理员，次高权限 scott;//普通用户，密码默认为tiger,默认未解锁 sys;//系统管理员，拥有最高权限 system;//本地管理员，次高权限 scott;//普通用户，密码默认为tiger,默认未解锁 二、登陆 sqlplus / as sysdba;//登陆sys帐户 sqlplus sys as sysdba;//同上 sqlplus scott/tiger;//登陆普通用户scott sqlplus / as sysdba;//登陆sys帐户 sqlplus sys as sysdba;//同上 sqlplus s 阅读全文
oracle实例内存（SGA和PGA）调整
2013-09-07 00:21 by Loull, 3174 阅读, 0 推荐, 收藏,
摘要：修改oracle内存占用 >show parameter sga; (查看内存占用情况) NAME TYPE VALUE ------------------------------------ ----------- ------------- lock_sga boolean FALSE pre_page_sga boolean FALSE sga_max_size big integer 12000M sga_max_size big integer 12000M >alter system set sga_max_size=10000m scope=spfile; > 阅读全文
oracle修改内存使用和性能调节，SGA
2013-09-07 00:01 by Loull, 945 阅读, 0 推荐, 收藏,
摘要：最近装了oracle，电脑实在太卡了，想要限制内存使用，结果碰到一系列问题：要用SYS帐户登录，修改SGA使用，结果不知道SYS密码。用SYSTEM帐户权限不够。试了几条语句后，有几个文件修改不了，怀疑是不是自己系统用户的权限不够，然后给系统的帐户提权限。本身已经是管理员权限了，想要提升为传说中的超级管理员，结果试了几种方法，都没效果。后来在网上找了资料，找到了可行的方案。sys;//系统管理员，拥有最高权限system;//本地管理员，次高权限scott;//普通用户，密码默认为tiger,默认未解锁sys;//系统管理员，拥有最高权限system;//本地管理员，次高权限scott;//普 阅读全文
下星期计划——9.7~9.13
2013-09-06 21:10 by Loull, 247 阅读, 0 推荐, 收藏,
摘要：9.7svm调参review9.8推荐系统论文ranclus同学过来9.9~9.13工程 阅读全文
医疗数据分析——过高费用的异常检测
2013-09-06 21:07 by Loull, 510 阅读, 0 推荐, 收藏,
摘要：一、提取特征和处理1、每个病记录的特征 总费用医疗费用 自费费用 报销金额 报销自费比2、人的特征 年龄层次：儿童、年轻人、中年人、老年人 性别3、特征处理 标准版二、实验三、评估 阅读全文
Groovy介绍
2013-09-05 15:22 by Loull, 1137 阅读, 0 推荐, 收藏,
摘要：关于 Groovy 这一节将学习 Groovy 的基础知识：它是什么，它与 Java 语言和 JVM 的关系，以及编写 Groovy 代码的一些要点。 一、什么是 Groovy？ Groovy 是 JVM 的一个替代语言 — 替代 是指可以用 Groovy 在 Java 平台上进行 Java 编程， 阅读全文
Java 7代码层面上的更新
2013-09-05 13:51 by Loull, 384 阅读, 0 推荐, 收藏,
摘要：Java 7已经完成的7大新功能： 1 对集合类的语言支持； 2 自动资源管理； 3 改进的通用实例创建类型推断； 4 数字字面量下划线支持； 5 switch中使用string； 6 二进制字面量； 7 简化可变参数方法调用。 下面我们来仔细看一下这7大新功能： 1 对集合类的语言支持 Java将... 阅读全文
Java陷阱之assert关键字
2013-09-05 13:19 by Loull, 902 阅读, 1 推荐, 收藏,
摘要：Java陷阱之assert关键字一、概述在C和C++语言中都有assert关键，表示断言。在Java中，同样也有assert关键字，表示断言，用法和含义都差不多。二、语法在Java中，assert关键字是从JAVA SE 1.4 引入的，为了避免和老版本的Java代码中使用了assert关键字导致错误，Java在执行的时候默认是不启动断言检查的（这个时候，所有的断言语句都 将忽略！），如果要开启断言检查，则需要用开关-enableassertions或-ea来开启。assert关键字语法很简单，有两种用法：1、assert 如果为true，则程序继续执行。如果为false，则程序抛出Asser 阅读全文
支持向量机（SVM）、支持向量回归（SVR）
2013-09-04 15:29 by Loull, 4051 阅读, 0 推荐, 收藏,
摘要：1、支持向量机（ SVM ）是一种比较好的实现了结构风险最小化思想的方法。它的机器学习策略是结构风险最小化原则 为了最小化期望风险，应同时最小化经验风险和置信范围）支持向量机方法的基本思想： （ 1 ）它是专门针对有限样本情况的学习机器，实现的是结构风险最小化：在对给定的数据逼近的精度与逼近函数的复杂性之间寻求折衷，以期获得最好的推广能力；（ 2 ）它最终解决的是一个凸二次规划问题，从理论上说，得到的将是全局最优解，解决了在神经网络方法中无法避免的局部极值问题；（ 3 ）它将实际问题通过非线性变换转换到高维的特征空间，在高维空间中构造线性决策函数来实现原空间中的非线性决策函数，巧妙地解决了维数 阅读全文
libSVM简介及核函数模型选择
2013-09-04 15:27 by Loull, 1410 阅读, 0 推荐, 收藏,
摘要：1.libSVM简介训练模型的结构体structsvm_problem//储存参加计算的所有样本{intl;//记录样本总数double*y;//指向样本类别的组数structsvm_node**x;//数据样本};当样本类别事先已经被告知时，可以通过数字来给样本数据进行标识（如果是两类通常以1与-1来表示）。如果不清楚样本类别可以用样本个数编号来设置，这时候分类的准确率也就无法判定了。数据样本是一个二维数组，其中每个单元格储存的是一个svm_node，y与样本数据的对应关系为:数据节点的结构体structsvm_node//储存单一向量的单个特征{ intindex;//索引 doublev 阅读全文
浙公网安备 33010602011771号