摘要：
转：http://www.datasoldier.net/post/standard.html#6751916-tsina-1-56599-e0502dfbeb854be61cee4792d7b07761数据标准化处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标即处于同一数量级，适合进行综合对比评价。极差法极差法是对原始数据的线性变换，首先计算指标值得最小值、最大值，计算极差，通过极差法将指标值映射到[0-1]之间。公式为 阅读全文
摘要：
国内期刊一般要求公式采用Mathtype编辑，无奈还需要把latex格式的转成Matheype格式下面罗列一下常见的一些问题1.MathType怎么把多行公式的编号放在最后一行 选中公式编号，去字体选项中找位置项目，修改位置项的值，你想放在哪里就可放在哪里2. Maathtype中如何实现黑斜体style->define-->advanced-->vectorandmatrix的check项中 把bold和italic都打勾。 然后就可以用快捷键ctrl+shift+b来对选中的字母变成黑斜体. 如果你使用LaTeX，可以用bm宏包，然后 \bm{A}就可以产生A的黑斜体。3 阅读全文
摘要：
转：http://blog.sina.com.cn/s/blog_496f70740100dbso.html摘要是简洁、具体的摘要要反映论文的实质性内容，展示论文内容足够的信息，体现论文的创新性，展现论文的重要梗概，一般由具体研究的对象、方法、结果、结论四要素组成。对象——是论文研究、研制、调查等所涉及的具体的主题范围，体现论文的研究内容、要解决的主要问题，是问题的提出，研究方向的确立与目标的定位。方法——是论文对研究对象进行研究的过程中所运用的原理、理论、条件、材料、工艺、结构、手段、程序，是完成研究对象的必要手段。结果——是作者运用研究方法对研究对象进行实验、研究所得到的结果、效果、数据， 阅读全文
摘要：
转：http://blog.sciencenet.cn/blog-729961-590995.html[摘要]“文摘应该以第三人称书写”，长期、广泛地被认可-显露式地误解为：“文摘应该以第三人称语气书写”。这种“误解”的实质，就是混淆了语法人称与作者的人称语气（人称身份；即：篇章人称）。学术著作（学术论文、文摘、专著中的章节），均是自述性写作；均是作者署名者所写，这个道理谁人不知、那个读者不晓；其作者的人称身份（人称语气）总是第一人称的；这是客观存在的。作者署名（随同作者单位署名）肯定是最主要的、最强有力的与最明显的第一人称的标志。第一人称代词及其限定词（物主代词）的使用，仅仅是承前代表作者署 阅读全文
摘要：
screen进入screen模式Ctrl+ a+c在当前screen下建立新的窗口exit退出当前窗口，如果它是此screen的唯一窗口时，此screen也将完全退出。Ctrl+ a + d 暂时断开screen会话screen -ls查看有哪些screen。screen -r id 打开编号为id的screen窗口。Ctrl+a+ w 显示所有窗口列表Ctrl+ a+n 切换到下一个窗口Ctrl+ a+p 切换到前一个窗口(与Ctrl+ a n相对)ssh中如果发生了突然断线 那么你重新登陆后 screen -ls 会发现 有screen的状态是处于(Attached)状态 此刻我们使用 s 阅读全文
摘要：
假设检验初步这篇文章讲的相当不错，在这里总结一下P:是原假设，也是准备拒绝的假设当我们假设P成立的时候，可以从数据中观测到事件Q然后判断Q是否为非常极端的（pvalue非常小<置信水平）如果在正常情况下，Q的发生是非常极端（本来不该发生，却发了）我们就可以因为Q的发生而拒绝P(原假设)从而备择假设就是成立的举例说明P：硬币是均匀的Q：在1 00次投掷中，得到90次正面，1 0次反面在假设P成立的条件下，却观测到了事件Q。在正常情况下，如果P成立，事件Q是小概率事件（是极端事件）但是Q却实发生了，因此，我们以比较大的概率拒绝P，也就是P是不成立的脚注：p值，是用来判断Q是否为极端事件 阅读全文
摘要：
转：http://blog.csdn.net/chjjunking/article/details/5933105让我们从头说起，首先AUC是一种用来度量分类模型好坏的一个标准。这样的标准其实有很多，例如：大约10年前在machine learning文献中一统天下的标准：分类精度；在信息检索(IR)领域中常用的recall和precision，等等。其实，度量反应了人们对” 好”的分类结果的追求，同一时期的不同的度量反映了人们对什么是”好”这个最根本问题的不同认识，而不同时期流行的度量则反映了人们认识事物的深度的变 化。近年来，随着machine learning的相关技术从实验室走向实际应 阅读全文
摘要：
转：http://blog.sina.com.cn/s/blog_5e16f1770100gzud.html如图：演示代码：\documentclass{article}\setlength\textwidth{245.0pt}\usepackage{CJK}\usepackage{indentfirst}\usepackage{amsmath}\begin{CJK*}{GBK}{song}\begin{document}方法一：$$ f(x)=\left\{\begin{aligned}x & = & \cos(t) \\y & = & \sin(t) \\z 阅读全文
摘要：
转：http://blog.csdn.net/jlei_apple/article/details/8168856这两天在看关于boosting算法时，看到一篇不错的文章讲bootstrap, jackknife, bagging, boosting, random forest 都有介绍，以下是搜索得到的原文，没找到博客作者的地址，在这里致谢作者的研究。一并列出一些找到的介绍boosting算法的资源：（1）视频讲义，介绍boosting算法，主要介绍AdaBoosing http://videolectures.net/mlss05us_schapire_b/ (2) 在这个网站的资源项. 阅读全文
摘要：
转：http://www.resyschina.com/2011/04/one-class-collaborative-filtering.htmlYangQiang教授指导的这篇ICDM2008的文章我2年前就拜读过，但当初对上面的方法不是特别感冒，所以也就没有记得特别清楚。最 近，KDD Cup的第二个track的问题和这篇Paper的研究问题很像，同时我在做KDD Cup时也设计了一个算法，感觉效果非常好，我准备把他称作基于采样的binarySVD算法。然后我准备研究一下这个算法是不是已经有人提出来了，因为 我隐约记得是看过类似的方法。结果我一查，发现果然是，标题里的那篇论文就是用的类似 阅读全文