摘要：【机器学习】算法原理详细推导与实现(七):决策树算法 在之前的文章中，对于介绍的分类算法有逻辑回归算法和朴素贝叶斯算法，这类算法都是二分类的分类器，但是往往只实际问题中$y$不仅仅只有${0,1}$，当出现一个新的类别$y=2$时，之前的分类器就不太适用，这里就要介绍一个叫做决策树的新算法，该算法对 阅读全文

摘要：假设存在表格如下： select 'a' as category, 19 as duration union all select 'b' as category, 15 as duration union all select 'c' as category, 12 as duration uni 阅读全文

摘要：下载失败 出现如下报错： 解决方法一 出现错误即是下载失败，配置清华大学镜像源： 解决方法二 如果清华大学镜像源里面没有这个库，那么还是会从原来的镜像 里面下载。 这里解决方法是使用 等其他下载器将 下载到本地，执行本地安装： 如果出现错误： 需要清理之前的缓存： 然后再重新执行本地安装 阅读全文

摘要：在后面加入 即可： hive e "select from tablename" | tr "\t" "," local.csv 阅读全文

摘要：首先新建一个 打印结构是： spark 自带函数 列表型json 但是如果想得到第一列为 ，第二列为 ，那么写法是这样子的： 合并JSONArray key:value 但是上面发现每一个 都放在一个括号里面，怎么把他们合并成起来？只需要文本处理一下： 怎么把这个字符串变成 通过 值来取得 ？定义一 阅读全文

摘要：打开 编辑器， ，切记打开 正则表达式 和 匹配新行 ： 将文章公式中的\$\$替换： 替换成 将文章公式中的\$替换： 替换成 最后使用知乎的导入markdown 功能即可，实例可看 "【机器学习】算法原理详细推导与实现(一):线性回归" PS：知乎的 markdown 和CSDN的格式相同，用C 阅读全文

摘要：【机器学习】算法原理详细推导与实现(六):k means算法 之前几个章节都是介绍有监督学习，这个章节介绍无监督学习，这是一个被称为 的聚类算法，也叫做 k均值聚类算法 。 聚类算法 在讲监督学习的时候，通常会画这样一张图： 这时候需要用 回归或者 将这些数据分成正负两类，这个过程称之为 监督学习 阅读全文

摘要：【机器学习】算法原理详细推导与实现(五):支持向量机(下) 上一章节介绍了支持向量机的生成和求解方式，能够根据训练集依次得出$\omega$、$b$的计算方式，但是如何求解需要用到核函数，将在这一章详细推导实现。 核函数 在讲核函数之前，要对上一章节得到的结果列举出来。之前需要优化的凸函数为： \[ 阅读全文

摘要：【机器学习】算法原理详细推导与实现(四):支持向量机(上) 在之前的文章中，包括线性回归和逻辑回归，都是以线性分界线进行分割划分种类的。而本次介绍一种很强的分类器【支持向量机】，它适用于线性和非线性分界线的分类方法。 函数间隔概念 为了更好的理解非线性分界线，区别两种分界线对于分类的直观理解，第一种 阅读全文

摘要：``` du -h --max-depth=1 ./ ``` 阅读全文

摘要：在初学的爬虫过程中，很多人还不知道有些字段是如何生成的，怎样模拟生成这些字段来拼接头部。为了再次纪念【宏彦获水】成语初次面世，特地用【百度登陆】写下一篇登陆百度的教程，以供大家参考。 前面学习了如何在 的时候想服务器发送多变的请求数据，从而达到搜索的效果，而实际上 ！所以本文将要介绍如何向百度服务器 阅读全文

摘要：在初学的爬虫过程中，很多人还不知道如何抓包，怎样子抓包才能获取到所需要的信息。为了纪念【宏彦获水】成语初次面世，特地用【百度搜索】写下一篇作者常用工具的抓包教程，以供大家参考。 抓包过程中，一般是 的抓包和 抓包，其中 抓包分为： 普通get、带参数get、json抓包 ，其中 是重中之重。而 一般 阅读全文

摘要：在使用 转换特征后，想要放入 去训练的时候出现错误： 修改如下： 阅读全文

摘要：【机器学习】算法原理详细推导与实现(三):朴素贝叶斯 在上一篇算法中，逻辑回归作为一种二分类的分类器，一般的回归模型也是是判别模型，也就根据特征值来求结果概率。形式化表示为 \(p(y|x;\theta)\)，在参数 \(\theta\) 确定的情况下，求解条件概率 \(p(y|x)\) 。通俗的解 阅读全文

摘要：【机器学习】算法原理详细推导与实现(二):逻辑回归 在上一篇算法中，线性回归实际上是 连续型 的结果，即 \(y\in R\) ，而逻辑回归的 \(y\) 是离散型，只能取两个值 \(y\in \{0,1\}\)，这可以用来处理一些分类的问题。 logistic函数 我们可能会遇到一些分类问题，例如 阅读全文