2016年4月17日

支持向量机

摘要: 支持向量机 基于最大间隔分割数据 支持向量机的优缺点: 优点: 幻化错误率低, 计算开销不大,结果易解释。 缺点: 对参数调节和核函数的选择敏感, 原始分类器不加修改仅适用于处理二类问题。 使用数据类型: 数值型和标称型数据。 支持向量就是离分隔超平面最近的那些点。接下来要试着最大化支持向量到分隔面 阅读全文

posted @ 2016-04-17 15:33 DrawToy 阅读(189) 评论(0) 推荐(0)

2016年4月16日

Logistic回归

摘要: Logistic回归 利用Logistic 回归的主要思想是:更具现有数据对分类边界线简历回归公式,以此进行分类。 Logistic 回归的一般过程 基于Logistic回归喝Sigmold函数的分类 优点:计算代价不高,易于理解和实现 缺点:容易欠拟合, 分类精度可能不高 使用数据类型: 数值型和 阅读全文

posted @ 2016-04-16 16:17 DrawToy 阅读(780) 评论(0) 推荐(0)

2016年4月15日

朴素贝叶斯

摘要: 朴素贝叶斯 优点: 在数据较少的情况下仍然有效,可以处理多类别问题。 缺点: 对于输入数据的准备方式较为敏感。 使用数据类型: 标称型数据。 朴素贝叶斯是贝叶斯决策理论的一部分。 使用决策树方法对数据进行分类不会非常成功,二和简单的概率计算相比,kNN的计算量太大,因此一般问题使用概率比较方法。 使 阅读全文

posted @ 2016-04-15 17:37 DrawToy 阅读(325) 评论(0) 推荐(0)

2016年4月13日

决策树

摘要: 决策树 优点: 计算复杂度不高, 输出结果易于理解, 对中间值的缺失不敏感,可以处理不相关特征数据。 缺点: 可能会造成过度匹配问题。 适用数据类型: 数值型和标称型 在构造决策树时, 需要解决的第一个问题就是, 当前数据集上哪个特征在划分数据分类时起决定性作用。为了找到决定性的特征,划分出最好的结 阅读全文

posted @ 2016-04-13 22:02 DrawToy 阅读(257) 评论(0) 推荐(0)

2016年4月11日

K-邻近算法(kNN)

摘要: k-邻近算法 优点: 精度高,对异常值不敏感, 无数据输入假定 缺点:计算复杂度高, 空间复杂度高 使用范围: 数值型, 标称型 距离计算所需要的数值, 最好使结构化的数据格式 1. 需要输入样本数据和机构化的输出结果 2. 运行k邻近算法判定输入数据分别属于哪个分类 3. 应用对计算出的分类执行后 阅读全文

posted @ 2016-04-11 20:23 DrawToy 阅读(415) 评论(0) 推荐(0)

2015年12月16日

信号量的一些内容

摘要: 信号量S是个整数变量,除了初始化以外,只能通过两个标准原子操作:wait()(P操作)和signal()(V操作)来访问。 wait()的定义: signal()的定义: 因为这两个是原子操作,因此对信号量整型值的修改必须不可分地执行。即当一个进程修改信号量时,不能有其他进程同时修改同一信号量的值。 阅读全文

posted @ 2015-12-16 22:08 DrawToy 阅读(1445) 评论(1) 推荐(1)

2015年12月14日

运行时刻内存的划分

摘要: 运行时刻内存被分为的典型方式为:大概就是这样吧... 代码区:生成的目标代码的大小在编译时刻就已经固定下来了,因此编译器可以将可执行目标代码放在这个静态确定的区域。这个区域通常位于存储的低端。 静态区:程序的某些数据对象的大小可以在编译时刻知道,它们可以被防止在这个称为静态去的区域中,这个区域可... 阅读全文

posted @ 2015-12-14 18:29 DrawToy 阅读(238) 评论(0) 推荐(0)

2015年11月5日

Template /template/ajax/head.ftl not found

摘要: Struts2 Ajax出现错误“Template /template/ajax/head.ftl not found”在核心包的目录:struts2-core-2.1.8.1\template下查看有哪些主题theme可用.没有ajax主题,所以用theme="ajax"肯定出错,因为根本就没有"... 阅读全文

posted @ 2015-11-05 21:05 DrawToy 阅读(780) 评论(0) 推荐(0)

导航