wilson排球

摘要： 前言 上一小节描述了metrics、traces，本小节来把log也加进去，并且做一个traces与log的联动 当查看日志的时候，可以同时跳转到对应的jaeger，查看分段trace情况 应用服务 本次要测试的应用服务架构为 a.py-->b.py 业务服务会往对应的目录打印日志，并且日志包含了t 阅读全文

摘要： 前言 jaeger的架构演变 在之前的描述中，一直使用jaeger:all-in-one来做数据存储与展示，jaeger:all-in-one就是将collector、query、ui、storage等等功能的大杂烩，在调试与测试环境中，非常方便，但是在生产环境肯定是不能这样用，本节就来 将其拆分成 阅读全文

摘要： 前言 经过上一节，opentelemetry的基本操作都已经融会贯通，但是有位老哥提出疑问？我的代码都已经写完了，为了添加全链路，还需要重构之前的代码吗？那这个代价太大了。那本章就来讨论一下opentelemetry的注入的问题 本小节主要关注python注入 使用装饰器 使用装饰器的好处就是非常灵 阅读全文

摘要： 前言 某天一位业务研发老哥跑来咨询 研发老哥：我的服务出现了504，但是不太清楚是哪个环节报错，每次请求需要访问4个微服务、2个数据库、1个redis、1个消息队列。。。 苦逼运维：停停停，不要再说了，目前不支持链路追踪，只能手动帮你一个服务一个服务的排查了 先请老哥大概描述了一下业务逻辑以及访问方 阅读全文

摘要： 前言 孤立森林，一种非常高效快速的异常检测算法 开始探索 scikit-learn import numpy as np import matplotlib.pyplot as plt from sklearn.ensemble import IsolationForest rng = np.ran 阅读全文

摘要： 前言 彩笔运维勇闯机器学习：KNN算法，它也是分类中的一种 开始探索 scikit-learn import numpy as np import matplotlib.pyplot as plt from sklearn.model_selection import train_test_spli 阅读全文

摘要： 前言 本文讨论的GBDT算法，也是基于决策树 开始探索 scikit-learn 老规矩，先上代码，看看GBDT的用法 from sklearn.datasets import load_iris from sklearn.ensemble import GradientBoostingClassi 阅读全文

摘要： 前言 彩笔运维勇闯机器学习，今天我们来讨论一下lasso回归，本期又是一起数学推理过程展示 坐标下降法 目标找到一组参数，使目标函数值最小。比如\(f(x,y)=3x^2+5xy+10y^2\)，要找到\(x,y\)使得\(f(x,y)\)取值最小 \[x_j^{(k+1)} = \arg \min 阅读全文

摘要： 前言 彩笔运维勇闯机器学习，今天我们来讨论一下梯度下降法 梯度 首先要搞明白什么是梯度，那就要先从导数说起 导数 函数\(y=f(x)\)的自变量\(x\)在一点\(x_0\)上产生一个增量\(\Delta x\)时，函数输出值的增量\(\Delta y=f(x_0 + \Delta x)-f(x_ 阅读全文

摘要： 前言 随机森林的出现，是为了解决决策树对训练数据过拟合的问题而出现的。决策树在训练的工程中，可以让每一个叶子节点的不确定性降为0（即熵或者基尼指数为0），这样做可能把训练数据中的偶然性、异常值或噪声也当成了“规 律”去学习了 对于复杂高维的数据，随机森林的算法可以更好的泛化能力 开始探索 sciki 阅读全文