精华内容
下载资源
问答
  • EM-期望最大化算法

    千次阅读 2015-11-04 21:01:55
    最大期望算法(Expectation Maximization Algorithm,又译期望最大化算法),是一种迭代算法,用于含有隐变量(hidden variable)的概率参数模型的最大似然估计或极大后验概率估计。 中文名 em算法 外文名 ...

    em算法编辑
    最大期望算法(Expectation Maximization Algorithm,又译期望最大化算法),是一种迭代算法,用于含有隐变量(hidden variable)的概率参数模型的最大似然估计或极大后验概率估计。
    中文名 em算法 外文名 Expectation Maximization Algorithm 别 名 期望最大化算法 用 于 含有隐变量的概率参数模型
    目录
    1 EM算法
    2 EM算法简述
    EM算法 编辑

    在统计计算中,最大期望(EM)算法是在概率(probabilistic)模型中寻找参数最大似然估计或者最大后验估计的算法,其中概率模型依赖于无法观测的隐藏变量(Latent Variable)。最大期望经常用在机器学习和计算机视觉的数据聚类(Data Clustering)领域。
    最大期望算法经过两个步骤交替进行计算:
    第一步是计算期望(E),利用对隐藏变量的现有估计值,计算其最大似然估计值;
    第二步是最大化(M),最大化在 E 步上求得的最大似然值来计算参数的值。
    M 步上找到的参数估计值被用于下一个 E 步计算中,这个过程不断交替进行。
    总体来说,EM的算法流程如下:
    1.初始化分布参数
    2.重复直到收敛:
    E步骤:估计未知参数的期望值,给出当前的参数估计。
    M步骤:重新估计分布参数,以使得数据的似然性最大,给出未知变量的期望估计。
    EM算法简述 编辑

    迭代使用EM步骤,直至收敛。
    可以有一些比较形象的比喻说法把这个算法讲清楚。比如说食堂的大师傅炒了一份菜,要等分成两份给两个人吃,显然没有必要拿来天平一点一点的精确的去称分量,最简单的办法是先随意的把菜分到两个碗中,然后观察是否一样多,把比较多的那一份取出一点放到另一个碗中,这个过程一直迭代地执行下去,直到大家看不出两个碗所容纳的菜有什么分量上的不同为止。EM算法就是这样,假设我们估计知道A和B两个参数,在开始状态下二者都是未知的,并且知道了A的信息就可以得到B的信息,反过来知道了B也就得到了A。可以考虑首先赋予A某种初值,以此得到B的估计值,然后从B的当前值出发,重新估计A的取值,这个过程一直持续到收敛为止。
    EM 算法是 Dempster,Laind,Rubin 于 1977 年提出的求参数极大似然估计的一种方法,它可以从非完整数据集中对参数进行 MLE 估计,是一种非常简单实用的学习算法。这种方法可以广泛地应用于处理缺损数据,截尾数据,带有噪声等所谓的不完全数据(incomplete data)。
    假定集合Z = (X,Y)由观测数据 X 和未观测数据Y 组成,X 和Z = (X,Y)分别称为不完整数据和完整数据。假设Z的联合概率密度被参数化地定义为P(X,Y|Θ),其中Θ表示要被估计的参数。Θ的最大似然估计是求不完整数据的对数似然函数L(X;Θ)的最大值而得到的:
    L(Θ;X)= log p(X|Θ) = ∫log p(X,Y|Θ)dY ;
    EM算法包括两个步骤:由E步和M步组成,它是通过迭代地最大化完整数据的对数似然函数Lc(X;Θ)的期望来最大化不完整数据的对数似然函数,其中:
    Lc(X;Θ) =log p(X,Y |Θ) ;
    假设在算法第t次迭代后Θ获得的估计记为Θ(t) ,则在(t+1)次迭代时,
    E-步:计算完整数据的对数似然函数的期望,记为:
    Q(Θ|Θ (t)) = E{Lc(Θ;Z)|X;Θ(t)};
    M-步:通过最大化Q(Θ|Θ(t) ) 来获得新的Θ 。
    通过交替使用这两个步骤,EM算法逐步改进模型的参数,使参数和训练样本的似然概率逐渐增大,最后终止于一个极大点。直观地理解EM算法,它也可被看作为一个逐次逼近算法:事先并不知道模型的参数,可以随机的选择一套参数或者事先粗略地给定某个初始参数λ0 ,确定出对应于这组参数的最可能的状态,计算每个训练样本的可能结果的概率,在当前的状态下再由样本对参数修正,重新估计参数λ,并在新的参数下重新确定模型的状态,这样,通过多次的迭代,循环直至某个收敛条件满足为止,就可以使得模型的参数逐渐逼近真实参数。
    EM算法的主要目的是提供一个简单的迭代算法计算后验密度函数,它的最大优点是简单和稳定,但容易陷入局部最优。

    展开全文
  • 虚拟技术的优点和缺点

    万次阅读 2019-10-10 13:54:29
    虚拟技术的优点和缺点 在过去几年中,虚拟一直是数据中心和企业技术的重点,大量企业已经使用云计算和其他解决方案实现了虚拟。即使是小型企业,尤其是那些依赖数据处理的企业,也在享受虚拟带来的好处。...

    虚拟化技术的优点和缺点

    在过去几年中,虚拟化一直是数据中心和企业技术的重点,大量企业已经使用云计算和其他解决方案实现了虚拟化。即使是小型企业,尤其是那些依赖数据处理的企业,也在享受虚拟化带来的好处。然而,需要注意的是,这项技术并不都是好的,它对企业提出了一些特定的挑战。这意味着你应该准确地了解它的利弊,以便能够决定它是否适用于你。

    虚拟化技术的优点

    1. 集中化管理
      管理员不用再跑上跑下的处理每个工位上的主机,所有日常操作远程完成。复制、快照等功能更为管理员的日常维护提供了给力的工具。
    2. 提高硬件利用率
      包括两个方面:1) 一般来说,企业IT的物理资源利用率都是非常低的,因为所有的物理资源必须满足当前甚至几年以后的“峰值”计算需求。而在出现虚拟化以后,可以通过可动态扩展/调整来解决“峰值”的问题,让一台物理机器上运行多个虚拟机以利用这额外的“闲时”容量,而不必增加大量的物理资源;2)在没有虚拟化之前,为了保证应用的可靠性和可用性,避免他们之间的冲突和相互影响,每个物理机一般不会运行多个重要应用,也就是说物理资源一般得不到有效的利用。而虚拟化的隔离特性很好的解决了该问题,从而也提高了硬件的利用率。
    3. 动态调整机器/资源配置
      虚拟化把操作系统和应用程序与服务器硬件分离开来,提供了大大增强的灵活性。不用关闭及拆卸物理服务器,就可以为虚拟机增加或减少资源。
    4. 高可靠性
      通过部署额外的功能和方案,带来具有透明负载均衡、动态迁移、快速复制等高可靠服务器应用环境,减少服务器或应用系统的停机时间,提高可靠性。
      5.减低总体成本
      在IT基础设施中使用此技术的最大优势之一就是不需要投资昂贵的设备,内部的专业人员就可以轻松访问各种软件和服务器。此外,虚拟化的价格也是可以接受的,因为无需直接购买设备,这意味着可以节省更多的开销。我们只需向拥有和维护所有服务器的第三方支付虚拟化服务费用,无需支付额外的成本。
      6.降低终端设备数量
      通过虚拟化技术将多个网管系统整合到一台主机上,可以依旧保证一套系统一台服务器。从而在不影响网管业务的使用的基础上,有效减少硬件设备的数量,降低电力资源的能耗。减少设备所需机架位置空问,避免因设备数量增长造成的机房环境改造。
      除此之外,虚拟化技术在安全性,可用性,可扩展性方面也有不错的改进。

    虚拟化技术的缺点

    有诸多优点自然也伴随着不足之处,当然并不是每一个应用程序可以虚拟化。有些应用程序需要直接调用硬件,必须在共享的内存空间中运行,或者需要一个只与特定的设备兼容的专用的设备驱动程序。

    1. 前期高额的费用
      虽然从长远来看,虚拟化技术是有经济效益的。当然考虑到更长久,我们不得不在硬件上投入更多的资金。从长远来看,肯定会节省开支,但是现实成本还是挺高的。

    2. 降低硬件利用率
      这点似乎和上面所说的优点矛盾了,其实只是角度不同而已。虚拟化必然需要占用一部分资源(CPU/内存/硬盘),一个可以发挥出100%性能的物理机,加上虚拟化以后,可能只能发挥出80%的性能,所以又说它会降低资源的利用率。因此某些极度吃资源的应用可能并不适用于虚拟化的环境。

    3. 更大的错误影响面
      在常规配置下,虚拟机存储于本地物理机硬盘上。真实物理机down机,上面的虚拟机将全部不可用。另外物理机硬盘损坏,一般可以恢复出绝大部分文件,但碰巧坏的是虚拟机镜像文件,结果虚拟机里面的文件可能全部损坏。

    4. 实施配置复杂,管理复杂
      通常的IT管理员并不能很好的排查并解决虚拟化使用过程中的问题,例如经常碰到的VM不能启动或者卡死,没有真实物理机那么好解决。

    5. 一定的限制性
      使用虚拟化技术的一个主要缺点是,它涉及到各种限制。并非所有的服务器和应用程序虚拟化是友好的,这意味着你的企业的IT基础设施的某些方面可能与虚拟化解决方案兼容。为此,应该考虑的是,仍然有不完全支持虚拟化环境的供应商。

    6. 安全性
      虽说虚拟化技术在安全上已经很不错了,但是虚拟化技术自身也存在着一定的安全隐患。虚拟化过程的目的是分离虚拟化的资源,但是仍然有一些情况下,服务器意外地对其他不应该看到它们的人可见。

    参考文献

    知乎专栏

    百度文库

    一些国外的网站:https://www.businessnewsdaily.com/6014-pros-cons-virtualization.html
    https://flowpsychology.com/14-pros-and-cons-of-virtualization/
    https://milner.com/company/blog/technology/2015/07/14/the-advantages-and-disadvantages-of-virtualization

    展开全文
  • 然而,界面的最大化最小化和关闭按钮也随之隐藏,窗体也无法拖动。因此,我总结了一些解决这些问题的思路,仅供大家分享。 一. 最大化,最小化和关闭 在隐藏标题栏后,可以自定义三个按钮,分别为最大化,最小化...

    CSDN上第一篇博客,请大家多多支持!
    // 转载请注明出处!
    直入主题吧,目前主流的软件,图形化界面一般都没有标题栏,优点是简单大方。然而,界面的最大化最小化和关闭按钮也随之隐藏,窗体也无法拖动。因此,我总结了一些解决这些问题的思路,仅供大家分享。
    自定义标题栏效果图

    一. 最大化,最小化和关闭
    在隐藏标题栏后,可以自定义三个按钮,分别为最大化,最小化和关闭,并分别添加事件监听器。

    b1.addActionListener(this);
    b2.addActionListener(this);
    b3.addActionListener(this);
    
    //监听器里的代码
    setExtendedState(JFrame.MAXIMIZED_BOTH);//窗体长宽分别最大化
    setExtendedState(JFrame.NORMAL); //窗体最大化后恢复默认尺寸
    setExtendedState(JFrame.ICONIFIED); //窗体最小化
    System.exit(0); // 关闭,当然也可以dispose()

    二,拖动窗体
    隐藏标题栏后,窗体无法拖动,确实是让人非常头痛。拖动的方法有很多,思路基本是一致的,记录下点击鼠标时的坐标,以及拖拽后的坐标,这个偏移量就是我们拖动窗体的关键。

    addMouseListener(new MouseAdapter() 
            {
                public void mousePressed(MouseEvent e) 
                {
                    /*
                     * 获取点击鼠标时的坐标
                     */
                    mouseAtX = e.getPoint().x;
                    mouseAtY = e.getPoint().y;
                }
             });      
              addMouseMotionListener(new MouseMotionAdapter()
              {
                  public void mouseDragged(MouseEvent e) 
                  {
                      setLocation((e.getXOnScreen()-mouseAtX),(e.getYOnScreen()-mouseAtY));//设置拖拽后,窗口的位置
                  }
              });

    以下是包含这些功能的代码,希望对大家有所帮助。

    package tt;
    
    import java.awt.Color;
    import java.awt.Font;
    import java.awt.Toolkit;
    import java.awt.event.ActionEvent;
    import java.awt.event.ActionListener;
    import java.awt.event.MouseAdapter;
    import java.awt.event.MouseEvent;
    import java.awt.event.MouseMotionAdapter;
    
    import javax.swing.JButton;
    import javax.swing.JFrame;
    import javax.swing.JLabel;
    import javax.swing.JPanel;
    
    
    
    public class UnTitleFrame extends JFrame implements ActionListener
    {
    
        Toolkit toolkit = Toolkit.getDefaultToolkit();
    
        // 设置窗体默认大小,使其适应屏幕大小
        private int DEFAULE_WIDTH = (int) (toolkit.getScreenSize().getWidth() * 0.4);
        private int DEFAULE_HEIGH = (int) (toolkit.getScreenSize().getHeight() * 0.5);
    
        // 设置窗体位置,使其在屏幕居中
        private int Location_x = (int) (toolkit.getScreenSize().getWidth() - DEFAULE_WIDTH) / 2;
        private int Location_y = (int) (toolkit.getScreenSize().getHeight() - DEFAULE_HEIGH) / 2;
    
        int mouseAtX = 0;
        int mouseAtY = 0;
    
        private JButton b2;
    
        public UnTitleFrame()
        {
            setUndecorated(true);//设置窗体的标题栏不可见
    
            /*
             * 设置窗体可拖动
             */
            addMouseListener(new MouseAdapter() 
            {
                public void mousePressed(MouseEvent e) 
                {
                    /*
                     * 获取点击鼠标时的坐标
                     */
                    mouseAtX = e.getPoint().x;
                    mouseAtY = e.getPoint().y;
                }
             });      
              addMouseMotionListener(new MouseMotionAdapter()
              {
                  public void mouseDragged(MouseEvent e) 
                  {
                      setLocation((e.getXOnScreen()-mouseAtX),(e.getYOnScreen()-mouseAtY));//设置拖拽后,窗口的位置
                  }
              });
    
            /*
             * 实例化简单组件
             */
            JButton b1 = new JButton("最小化");
            b2 = new JButton("最大化"); 
            JButton b3 = new JButton("关闭");
    
            b1.addActionListener(this);
            b2.addActionListener(this);
            b3.addActionListener(this);
    
            b3.setBounds(DEFAULE_WIDTH-90,0,90,45);
            b2.setBounds(DEFAULE_WIDTH-185,0,90,45);
            b1.setBounds(DEFAULE_WIDTH-280,0,90,45);
    
            JLabel label = new JLabel("无边框窗体的演示",JLabel.CENTER);
            label.setBounds(280,280,450,45);
            label.setFont(new Font("华文新魏", Font.BOLD,40));
    
            JPanel contentPane = new JPanel();
            contentPane.setBackground(Color.GRAY);
            contentPane.setLayout(null);
    
            contentPane.add(b1);
            contentPane.add(b2);
            contentPane.add(b3);
            contentPane.add(label);
    
    
            setContentPane(contentPane);//设置ContentPane
            setSize(DEFAULE_WIDTH,DEFAULE_HEIGH);// 设置窗体默认大小,使其适应屏幕大小
            setLocation(Location_x, Location_y);//设置窗体在屏幕中的位置
            setDefaultCloseOperation(JFrame.EXIT_ON_CLOSE);
            setVisible(true); //设置窗体可见
    
        }
    
        public static void main(String[] args)
        {
            new UnTitleFrame();
        }
    
    
        public void actionPerformed(ActionEvent e) 
        {
            if(e.getActionCommand() == "最大化")
            {
                    setExtendedState(JFrame.MAXIMIZED_BOTH); 
                    b2.setText("正常化");
            }
    
            if(e.getActionCommand() == "正常化")
            {
                    setExtendedState(JFrame.NORMAL); 
                    b2.setText("最大化");
    
            }
    
            if(e.getActionCommand() == "最小化")
            {
                setExtendedState(JFrame.ICONIFIED); 
            }
    
    
            if(e.getActionCommand() == "关闭")
            {
                System.exit(0);
            }
    
        }
    
    }
    

    怎么样,si不si对你有所帮助,支持原创,尽情点赞,评论,转载和关注吧。

    展开全文
  • SVM是机器学习中非常流行的一个分类算法,尤其是处理二分类问题。但是相对于其他算法SVM可能难度稍大——至少我是...我在学习SVM的时候痛下决心,将自己的学习历程记录在笔记本上。现在将其整理成博客,与诸君共勉。

    SVM是机器学习中非常流行的一个分类算法,尤其是处理二分类问题。但是相对于其他算法SVM可能难度稍大——至少我是这么觉得。但是,这又是一个必须攻克的课题。我在学习SVM的时候痛下决心,将自己的学习历程记录在笔记本上。现在将其整理成博客,与诸君共勉。

    概念理解

    SVM的中文名叫做“支持向量机”,什么意思呢?也就是只依靠少量的支持向量做出决策而并不是依靠所有的训练样本。那么支持向量又是什么呢?书上说:“在线性可分情况下,训练数据集的样本点中与分离超平面距离最近的样本点的实例,成为支持向量。”

    知道了什么是支持向量,貌似还是云里雾里,好吧,我们先讲点宏观一点的概念。SVM主要用来处理二分类问题,如何将一个测试样本分类呢?这和逻辑斯蒂回归的方法类似。我们先通过训练得到一个超平面,如果特征维度为二,那就是平面内的一条直线。然后,如果测试样本在这条线的上边,就属于A类,如果在这条直线的下边,就属于B类。具体就是通过将数据输入分类决策函数中去计算。

    逻辑斯蒂回归也是通过训练一个超平面去分类,感知机算法也是。但是,SVM厉害就在于它这个超平面找到很好,是最好的。什么是最好呢?就是使所有的训练样本尽量远离分离超平面,这样保证了置信度。

    显然,找到一个相对最好的超平面,这涉及到一个最优化问题。这个最优化问题就是最优二次规划问题。为了描述这个问题,还需要引入两个基本概念:函数间隔和几何间隔。这里引用一下《统计学习方法》中对函数间隔的描述:

    一般来说,一个点距离分离超平面的远近可以表示分类预测的确信程度。在超平面wx+b=0确定的情况下,|wx+b|能够相对地表示点x距离超平面的远近(想想点到超平面的距离公式),而wx+b的符号与类标记y的符号是否一致能够表示分类是否正确。所以可用量y(wx+b)来表示分类的正确性及确信度,这就是函数间隔的概念。

    函数间隔可以表示分类预测的正确性及确信度,但是我们的SVM模型在选择超平面时,只有函数间隔是不够的。因为分离超平面的公式为wx+b=0,我们发现只要成比例地改变w和b,超平面并没有变,但是函数间隔却成比例的改变了。所以,可以对分离超平面的法向量w加某些约束,如规范化,使w的L2范数||w||=1,使得间隔是确定的。这时函数间隔就成为了几何间隔。

    超平面关于样本点的几何间隔一般是实例点到超平面的带符号的距离,当样本点被超平面正确分类时就是实例点到超平面的距离。

    最后说一下什么是支持向量。在线性可分的情况下,训练数据集的样本点中与分离超平面距离最近的样本点的实例,成为支持向量。即支持向量本质上只是训练集中的几个特殊的样本而已。这几个样本点可牛了,它们决定了分离超平面的位置,其他的训练样本并不起作用。这就是SVM支持向量机原因。

    最优化问题——间隔最大化

    OK,选出最佳的分离超平面必然带来一个最优化问题。这个最优化问题就是几何间隔最大化。我们要最大化关于训练数据集的几何间隔,使得所有的训练样本到达分类超平面的几何间隔都大于这个几何间隔。然后,经过一系列简单的变换,这个最优化问题便转化成为了一个凸二次规划问题。

    为了求解线性可分支持向量机的最优化问题,将它作为原始最优化问题,应用拉格朗日对偶性,通过求解对偶问题得到原始问题的最优解,这就是线性可分支持向量机的对偶算法。这样做的优点,一是对偶问题往往更容易求解;二是自然引入核函数,进而推广到非线性分类问题。

    线性可分支持向量机的对偶算法

    首先需要构建拉格朗日函数。为此,对所有不等式约束引进拉格朗日乘子alpha。原始问题可以看做是一个基于拉格朗日函数的极小极大问题,那么原始问题的对偶问题就是极大极小问题。所以,为了得到原始问题的解,需要先求出拉格朗日函数L(w,b,alpha)对w,b的极小,再求对alpha的极大。

    对w,b求极小很好求,只要用函数L分别对它们求偏导就可以了。最后得到一个w关于训练数据集和alpha的表达,和alpha关于训练集的一个等式。然后将这个结果带入原拉格朗日函数,经过整理之后,就可以再对alpha求极大了。

    对alpha求极大就简单多了,这时候的最优化问题已经是一个仅有alpha和训练数据集的表达。这样,我们最终可以求出alpha向量的所有维度的值。然而,得到alpha的值,又如何得到分离超平面的参数w和b呢?

    我们前面说过,我们将原始问题的求解转化成了求解其对偶问题,那么,原始问题和对偶问题的最优值要想完全相等,有一个充分必要条件,那就是要求解的参数满足KKT条件。KKT条件是一系列条件,包括拉格朗日函数对参数的分别求偏导结果为零以及一些简单的约束条件。通过将求得的alpha带入这些条件中,便可以求出我们所要的参数w和b了。

    通过查看我们求出的alpha向量可以发现,其中并不是所有的维度都不为零。其实,进一步观察可以发现,只有那些不为零的维度所对应的数据点才对w和b有影响。也就是说,训练数据中对应于alpha中不为零维度的样本点的实例就是传说中的支持向量。

    展开全文
  • 社交网络中基于位置的影响力最大化 摘要 这篇文章的目的是通过研究在LBSN平台中基于位置的影响最大化来实现O2O模式上的产品推广。随着O2O环境下存在的消费行为,传统的线上影响力扩散模型不能准确描述产品验收过程。...
  • 最大值最小值归一

    千次阅读 2018-09-07 17:49:00
    1 # -*- coding: utf-8 -*- 2 """ 3 Created on Fri Sep 7 16:28:20 2018 4 ... 7 # 最大值最小值归一:(X-Xmin)/(Xmax-Xmin) 8 import numpy as np 9 import matplotlib.pyplot as ...
  • 服务器虚拟,主要有什么优势

    千次阅读 2019-02-09 21:18:58
    服务器虚拟化有很多好处,但其中节省资金、整合服务器以及最大化利用率被提及最多。既然每一个计划进行虚拟化的人都看好这三大好处,我们这里就不妨去深入探究一下。 节省资金 无论你走访哪个公司的CTO,只要告诉他...
  • 什么是模块,模块的好处是

    万次阅读 2019-07-15 20:25:43
    什么是模块化,模块化的...模块化开发使用代码耦合度降低,模块化的意义在于最大化的设计重用,以最少的模块、零部件,更快速的满足更多的个性化需求。 模块化的好处 优点: a .可维护性 1、灵活架构,焦点分...
  • 所谓的硬间间隔最大化就是假设训练数据中没有噪声数据,这样就是硬间隔,不需要加松弛变量进行处理。因此这个算法不具有通用性,但是理解该过程能帮助我们理解后面的核函数和松弛变量,因此一定要弄懂这里面的...
  • 最大化 LoRa 长距离,您应该知道的完整秘籍

    万次阅读 多人点赞 2019-01-07 17:17:12
    最大化 LoRa 长距离,您应该知道的完整秘籍 Truth will make people free.(真理必叫人们得以自由)-- 【约翰福音】 8:31—36 下载本文的PDF版本,请链接:http://www.rimelink.com/nd.jsp?id=53#_np=107_316 ...
  • 个性推荐系统概述

    万次阅读 2018-11-07 10:47:47
    可以模拟商店销售人员向顾客提供商品信息和建议,为顾客购物提供完全个性的决策支持和信息服务,它的目标是既满足用户意识到的需求,也能满足用户没有意识到的需求,或意识到,但没有表达出来的需求,用户超越...
  • Linux虚拟技术Xen和KVM的优势特点对比 发表于: Linux, 开源世界, 旧文存档, 虚拟与云计算 | 作者: 谋万世全局者 标签: KVM,Linux,Xen,XenServer,优势,对比,特点,虚拟技术 Linux虚拟技术的用户...
  • 5G

    千次阅读 多人点赞 2019-06-03 23:30:44
    今天在部门内部面试的时候,被领导提问5G的优势有哪些,只说出来比4G更快,然而并不能得到领导和自己的满意,自己上网查了一下,记录下来几点: 1、2018年12月7日,工业和信息部许可中国电信、中国移动、中国联通...
  • 案例上手 Python 数据可视

    万次阅读 多人点赞 2019-02-27 23:30:05
    课程亮点 ...数据可视是数据分析和机器学习的重要环节,比如数据清洗、特征工程、机器学习、数据分析(特别是报告)、评估等环节都会用到“数据可视”技术。 数据可视同时还广泛存在于各...
  • 数据标准

    千次阅读 2015-06-13 17:07:53
    特征缩放(Feature scaling)也称为数据的标准(normalization),是将数据按比例缩放,使之落入一个特定区间。不同数据往往具有不同的量纲,会影响到数据分析的结果,为了消除数据之间的量纲影响,需要进行数据标准...
  • 文章目录Docker - 相较于虚拟机的优势,以及为什么要使用docker1、docker 解决了什么问题2、相比于传统虚拟机,docker有什么不同1、启动速度的不同2、占用资源的不同3、相比于传统虚拟机,docker有哪些优势1、更快速...
  • 数据可视平台理论与实践

    万次阅读 2017-08-02 09:32:26
    前面说完了大数据开发平台的核心组件,作业调度系统,接下来讨论一下大数据开发平台的脸面之一,数据可视平台。
  • 最大类间方差法是由日本学者大津(Nobuyuki Otsu)于1979年提出的,是一种自适应的阈值确定的方法,又叫大津法,简称OTSU。它是按图像的灰度特性,将图像分成背景和目标2部分。背景和目标之间的类间方差越大,说明构成图像...
  • 机器学习算法 综述(入门)

    万次阅读 多人点赞 2019-06-16 21:59:28
    学习了一个学期机器学习算法,从什么都不懂到对十个机器学习算法有一定的了解,下面总结一下十大机器学习算法,从算法的概念、原理、优点、缺点、应用等方面来总结,如果有错误的地方,欢迎指出。 目录 1.决策树...
  • Web服务Docker优势

    万次阅读 2020-01-04 17:57:46
    docker能够简化配置一致的示例的发布流程,很好的应对了负载波动较大的情况;同时它比虚拟机更加轻量级,成本更为低廉。诸多优势下,它终于成为了新时代的宠儿。
  • 如果喜欢这里的内容,你能够给我最大的帮助就是转发,告诉你的朋友,鼓励他们一起来学习。If you like the content here, you can give me the greatest help is forwarding, tell your friends, encourage them to ...
  • Redis持久

    千次阅读 多人点赞 2019-09-27 11:45:31
    文章目录RDB 持久(快照持久)AOF 持久重写/压缩AOFRedis 4.0 对持久机制的优化如何选择合适的持久方式 Redis 是内存型数据库,为了之后重用数据(比如重启机器、机器故障之后回复数据),或者是为了防止...
  • 自动、信息、数字、智能
  • 可视工具软件排行榜

    千次阅读 2019-03-27 10:31:34
    市面上的数据可视工具软件如此之多,有哪些可视软件工具居于排行榜单的前列呢?你用的软件上榜了吗? 1、FineBI 来自帆软公司,虽作一个BI工具,但是可视效果不错,可制作Dashboard。优势在于一旦准备好数据...
  • 对于数据分析师来说,可视可能是最能表现自己工作价值的一个途径,因为领导喜欢看这种直观的、炫酷的、具有科技感的可视大屏,我们也能把数据分析结果直接展示给领导,比一份纸面报告要强不知多少倍!...
  • MATLAB 粒子群算法,例题与常用模版

    万次阅读 多人点赞 2018-09-06 18:09:18
    算法的运行参数 PSO算法一个最大优点是不需要调节太多的参数,但是算法中少数几个参数却直接影响着算法的性能和收敛性。 基本粒子群算法有下述7个运行参数需要提前设定: rrr:粒子群算法的种子数,对粒子群算法...
  • 一谈到数据可视,很多人就会联想到各种精美的图表、炫酷的数字大屏: ...简而言之,数据可视可以将数据转换为图像,受众轻松、快速地对其进行处理。例如,查看条形图时,我们可以清晰地知道哪个部分比.
  • redis的持久策略

    千次阅读 2018-04-12 21:12:18
    redis的持久方式有俩种,持久策略有4种: RDB(数据快照模式),定期存储,保存的是数据本身,存储文件是紧凑的 AOF(追加模式),每次修改数据时,同步到硬盘(写操作日志),保存的是数据的变更记录 如果只...
  • 图像处理:图像灰度

    万次阅读 多人点赞 2019-06-18 16:42:06
     图像灰度处理可以作为图像处理的预处理步骤,为之后的图像分割、图像识别和图像分析等上层操作做准备。  图像灰度处理有以下几种方式:   1. 分量法  将彩色图像中的三分量的亮度作为三个灰度图像...
  • 本文通过连环15关,层层深入,传你数据匹配图形神功,数据可视更高效。 无论数据总量和复杂程度如何,数据间的关系大多可分为三类:比较 / 构成 / 分布&联系 一、比较 基于分类 / 时间的数据对比,通常...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 587,276
精华内容 234,910
关键字:

如何让自己的优势最大化