Afant1

摘要： 随机森林 这篇好好看看怎么调参的 我调的最佳参数如下，准确率为0.8428671546929973，细节看上篇文章： 阅读全文

摘要： 在 "这里" 下载数据集 导入模块 数据预处理 通过图表显示数据 随机森林预测 0.8316311996368176 进行调参，先调n_estimators 进行细化,得到当n_estimators为145时，准确率最高 确定n_estimators，开始进一步调整max_depth 得到当深度为1 阅读全文

摘要： SKlearn中的线性回归 阅读全文

摘要： SKlearn中的Adaboost使用 主要调的参数：第一部分是对我们的Adaboost的框架进行调参， 第二部分是对我们选择的弱分类器进行调参。 使用 Adaboost 进行手写数字识别 导入库，载入数据 看下图像： 使用深度为 1 的决策树分类器,准确率是0.2641850696745583 通 阅读全文

摘要：  ![Alt text](https://img2018.cnblogs.com/blog/1298490/201905/1298490-20190520093808937-398365394.jpg... 阅读全文

摘要： 之前写过反序列化报错回显。 1、远程server放恶意jar包，服务器去远程server来请求恶意jar包 2、利用defineClass加载byte[]返回Class对象 从 "这里" 找到回显的poc,这个poc用的就是方法2. 详细POC如下： defineClass去加载com.supere 阅读全文

摘要： 总结： 1. 量纲化（归一化，标准化） 2. 缺失值处理（补0、均值、中值、众数、自定义） 3. 编码/哑变量：忽略数字中自带数学性质（文字 数值类型） 4. 连续特征离散化（二值化/分箱处理） 阅读全文

摘要： SKlearn 调参 阅读全文

摘要： 朴素贝叶斯 全概率公式： 例子参考这里：https://www.cnblogs.com/panlangen/p/7801054.html 优缺点 优点： (1） 算法逻辑简单,易于实现（算法思路很简单，只要使用贝叶斯公式转化即可！） （2）分类过程中时空开销小（假设特征相互独立，只会涉及到二维存储） 阅读全文

摘要： KNN算法总结 KNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别。（监督） k近邻算法（knn）是一种基本的分类与回归的算法，k means是一种基本的聚类方法。 在训练集中数据和标签已知的情况下，输入测试数据，将测试数据的特征与训练集 阅读全文