解决Ecipse和搜狗输入法快捷键冲突问题
摘要：非常简单，关闭掉搜狗输入的所有快捷键！
阅读全文
posted @ 2018-10-28 17:47
10 2018 档案
关于Bagging
摘要：Bagging分为两种：Bagging和Pasting，前者是概率中的放回随机采样，后者是不放回随机采样；默认是放回采样随机；设置bootstrap=False即设置为不放回采样；默认bootstrap=True是放回采样。 对于Bagging（放回采样）有了一个问题，就是总有约37%的样本将不会被任何一个分类器抽中；37%的计算公式如下： oob（out of bag)，就是使...
阅读全文
posted @ 2018-10-28 11:48
Python时钟，计算程序运行时间
摘要：关于计算程序执行时间 1. time需要import；2. time.clock在windows下面返回的是时间戳，在计算时间间隔需要用end - start；但是在linux下面clock则是获取时间间隔（clock调用第二次开始）；3. 注意在linux下面返回的是占用cpu的时钟时间，所以sl
阅读全文
posted @ 2018-10-28 11:43
关于等高线绘制和全平面坐标节点生成
摘要：要明白机器学习画图的一个思路，就是全局生成坐标节点，然后让模型进行学习，这样可以得到一个全局的效果图（比如等高线），然后再把指定的数据扔到模型中让其学习，获取分类，然后再把这些局部点绘制出来，和整体的效果图进行比较，将会发现非常吻合。 输出内容：
阅读全文
posted @ 2018-10-21 19:50
Springboot配置文件映射
摘要：添加类和配置文件的映射： 1.定义映射类 @Component @PropertySource("classpath:config/XX.properties") public class ConfigClass{ @Value("$name") public String userName; ..
阅读全文
posted @ 2018-10-19 20:03
Docker和Rancher
摘要：Docker打包流程： Dockerfile文件和要打包docker的文件放在同级目录下； 1. docker build -t proj:proj-app:0.0.1 返回tagXXX 2. docker tag tagXXX neuxs.proje:5000/proj-app:0.0.1 3.
阅读全文
posted @ 2018-10-18 21:51
ElasticSearch story（二）
摘要：调优一个问题，碰到了一个坎：大家看一下下面两个字符串： 2018-10-16 18:01:34.000 abcdewfrwfe 2018-10-16 18:01:50.123 testAmily012 我在使用term进行查询的时候： 是可以检索到数据的，但是： 却返回数据数据为0. 百思不得其解啊
阅读全文
posted @ 2018-10-16 22:12
Elastic Story（一）
摘要：关于_all 当索引一个文档的时候，Elasticsearch 取出所有字段的值拼接成一个大的字符串，作为 _all 字段进行索引。例如，当索引这个文档时： { "tweet": "However did I manage before Elasticsearch?", "date": "2014-
阅读全文
posted @ 2018-10-16 11:28
多线程优雅关闭
摘要：之前写过类似的专题，但是最近发现了一个新问题，就是如果你父级线程创建了一个定时线程（通过ScheduleAtFixedRate），如果父级线程因为异常退出，切机要在catch快中把你创建的所有的线程（不限于定时线程）给关闭，否则将会出现线程孤岛的情况，这些线程可能永远都无法消失。
阅读全文
posted @ 2018-10-14 20:03
怎么理解Python画图中的X，y
摘要：X_outliers=np.array([[3.4, 1.3], [3.2, 0.8]]) y_outliers=np.array([0, 0]) 要明白X，y不再是我们高中时候学的x，y轴的坐标；首先X，y都是数组概念，代表多个值；其次之前的坐标概念都在X对象里面；y值代表的描述数据另外一个维度：
阅读全文
posted @ 2018-10-14 19:54
Python画图代码
摘要：1 X1D=np.linspace(-4, 4, 9).reshape(-1,1) 2 X2D=np.c_[X1D, X1D**2] 3 y = np.array([0, 0, 1, 1, 1, 1, 1, 0, 0]) 4 5 plt.figure(figsize=(11, 4)) #这个范围是怎么知道的？经验值 6 pprint(np.zeros(4)) 7 plt.subp...
阅读全文
posted @ 2018-10-14 19:50
关于meshgrid和numpy.c_以及numpy.r_
摘要：meshgrid的目的是生成两套行列数一致的矩阵，其中一个是行重复，一个是列复制；可以这么来理解，通过ravel()将矩阵数据拉平之后，就可以将这两套矩阵累加在一起，形成一个两行数据，要达到这个效果是需要行列相同，这样就能够理解meshgrid行为了。 比如下面的数据，是原始的两个数组： t01:
阅读全文
posted @ 2018-10-14 19:31
Reshape以及向量机分类学习和等高线绘制代码
摘要：首先科普一下python里面对于数组的处理，就是如果获取数组大小，以及数组元素数量，这个概念是不一样的，就是一个size和len处理不用。老规矩，上代码： >>8 >>8 貌似两者没啥区别，但是真的是这样吗？ Code: >>8 >>1 在多维数组中，size代表的是所有的最小单元的总和，len则是
阅读全文
posted @ 2018-10-14 18:16
Python中的数组和list
摘要：Python的X[y==1, 0] 最近研究逻辑回归，Iris花的经典示例，代码就不全粘贴了，具体代码参看“Iris花逻辑回归与实现” X[y==0, 0]中的y==0是个什么东东，为什么可以占据X的第一个位置？ 首先我们看一下X是个什么？ Output: X是一个数组，数组的元素是一个二元组。在解
阅读全文
posted @ 2018-10-07 20:52
数据预处理之归一化和标准化
摘要：对于数据的预处理分在思想上称之为归一化以及标准化（normalization）。 首先将归一化/ 标准化，就是将数据缩放（映射）到一个范围内，比如[0,1],[-1,1]，还有在图形处理中将颜色处理为[0,255]；归一化的好处就是不同纬度的数据在相近的取值范围内，这样在进行梯度下降这样的算法的时候，曲线将会更加简单（由原始的椭圆变成了圆形），如下图所示： 至于缩放的原理就是量纲代表，比如身...
阅读全文
posted @ 2018-10-07 19:14
关于透视图和等高线
摘要：透视图，这个概念是在看splunk的时候接触到的，想到之前在做Excel项目的时候也接触过，那个时候叫透析图；另外一个最近困扰我的概念是等高线；最近在做分类Demo的时候碰到了matplotlib库中的contour，翻译就是等高线；这是一个什么概念？ 下去去了一趟天安云谷的图书馆，本意是还书，外加
阅读全文
posted @ 2018-10-07 19:08
好文章
摘要：概率图 https://www.coursera.org/learn/probabilistic-graphical-models https://blog.csdn.net/u014380165/article/list/5 AI之路，作者写了很多视觉相关算法心得文章 http://openacc
阅读全文
posted @ 2018-10-06 17:03
Iris花逻辑回归与实现
摘要：Iris花的分类是经典的逻辑回归的代表；但是其代码中包含了大量的python库的核心处理模式，这篇文章就是剖析python代码的文章。 关于数据等高线的示例demo： Numpy.c_示例 >>> np.c_[np.array([1,2,3]), np.array([4,5,6])] array([
阅读全文
posted @ 2018-10-06 13:32
Iris分类以及数组reshape想到的
摘要：最近在研究Iris花的逻辑回归分类中看到了如下的代码： from sklearn.linear_model import LogisticRegression X = iris["data"][:, 3:] y=(iris["target"]==2).astype(np.int) log_reg = LogisticRegression() log_reg.fit(X, y) X_new=...
阅读全文
posted @ 2018-10-03 23:24
关于plot画图的原理
摘要：首先是导入的： Import matplotlib.pyplot as plt 这份导入要背住，没事就是需要你进行导入的； 然后就是画图了，下面举一个例子： import numpy as np import matplotlib.pyplot as plt t = np.linspace(-10, 10, 100) plt.figure(figsize=(9,3)) sig = 1 / (1...
阅读全文
posted @ 2018-10-03 15:24
Python的rand vs randn以及linspace
摘要：Numpy里面的randn是满足了整体分布的，normal distribution（正态分布）；rand则是满足了Uniform Distribution（均匀分布）； Linspace(start, end, numercount)：start：开始数，end：结束数，numbercount：均分开始数和结束数。Endpoint，是一个布尔值，true代表范围是包含最后一个数（end，相当于数...
阅读全文
posted @ 2018-10-03 15:11
