zbj366112-CSDN博客

转载计算n阶乘中尾部零的个数

写在前面本来觉得问题挺容易的，不打算记录，谁知道一不小心，还真没做出来。最终凭借“朴实”的算法思想解决了问题，但是其中的曲折还真是汗颜。科学的思维指导确实必不可少，“野路子”的朴素的战斗理论不论是效率还是后续的算法演进都经不起考验。这里只是记录一下自己最近两天对此问题的一些想法，目前只能说是解决了问题，并且满足题目要求。据说问题来自《编程之美》，以后刷书本的时候看到原题，如果需要补充的话，再来更新...

2018-07-12 10:06:34 201 1

原创 tensorboard 显示问题

D:\pythonSrc\TensorFlow\yanzhengma_shibie\tensorboard>tensorboard --logdir=D:\pythonSrc\TensorFlow\yanzhengma_shibie\tensorboard\log路径cd到log的上一层目录（D:\pythonSrc\TensorFlow\yanzhengma_shibie\tensorboa

2017-08-15 15:46:08 293

原创对GBDT的理解

！！必须要澄清的误区：提起决策树（DT, Decision Tree) 绝大部分人首先想到的就是C4.5分类决策树。但如果一开始就把GBDT中的树想成分类树，那就是一条歪路走到黑，一路各种坑，最终摔得都要咯血了还是一头雾水说的就是LZ自己啊有木有。咳嗯，所以说千万不要以为GBDT是很多棵分类树。决策树分为两大类，回归树和分类树。前者用于预测实数值，如明天的温度、用户的年龄、网页的相关程度；后者用于

2017-04-10 22:47:27 3687 1

转载 windows(64位)下xgboost的安装

前言：这阵子突然对xgboost产生了极大的兴趣，参加过一些大数据比赛但也是停留在入门者瞎玩玩的级别，为了锻炼下自己也为了增加日后面试的谈资吧，来入门下当前很火的xgboost。网上有不少关于xgboost安装的教程和博客，可是因为一些用到的插件或者xgboost的版本不同等原因，初学者在安装的时候会遇到很多问题。以下就来记录下我安装的经验：1、准备：必要软

2017-04-07 20:44:49 426 2

转载 windows(64位)下xgboost的安装

2017-04-07 20:32:47 465

原创你应该掌握的七种回归技术

【编者按】回归分析是建模和分析数据的重要工具。本文解释了回归分析的内涵及其优势，重点总结了应该掌握的线性回归、逻辑回归、多项式回归、逐步回归、岭回归、套索回归、ElasticNet回归等七种最常用的回归技术及其关键要素，最后介绍了选择正确的回归模型的关键因素。什么是回归分析？回归分析是一种预测性的建模技术，它研究的是因变量（目标）和自变量（预测器）之间的关系。这种技术通常用于预测分

2017-03-24 21:28:37 303

转载隐马尔可夫(HMM)、前/后向算法、Viterbi算法再次总结

隐马尔可夫(HMM)、前/后向算法、Viterbi算法再次总结2016-09-02 0 个评论来源：xueyingxue001的专栏收藏我要投稿说明：此篇是作者对“隐马尔可夫模型”的第二次总结，因此可以算作对上次总结的查漏补缺以及更进一步的理解，所以很多在第一次总结中已经整理过的内容在本篇中将不再重复，如果你看的有

2017-03-19 22:12:55 574

转载 Adaboost 算法的原理与推导

Adaboost 算法的原理与推导0 引言一直想写Adaboost来着，但迟迟未能动笔。其算法思想虽然简单：听取多人意见，最后综合决策，但一般书上对其算法的流程描述实在是过于晦涩。昨日11月1日下午，邹博在我组织的机器学习班第8次课上讲决策树与Adaboost，其中，Adaboost讲得酣畅淋漓，讲完后，我知道，可以写本篇博客了。

2017-03-15 17:01:20 233

转载数据挖掘中所需的概率论与数理统计知识

数据挖掘中所需的概率论与数理统计知识（关键词：微积分、概率分布、期望、方差、协方差、数理统计简史、大数定律、中心极限定理、正态分布）导言：本文从微积分相关概念，梳理到概率论与数理统计中的相关知识，但本文之压轴戏在本文第4节（彻底颠覆以前读书时大学课本灌输给你的观念，一探正态分布之神秘芳踪，知晓其前后发明历史由来），相信，每一个学过概率论与数理统计的朋友都有必要了解数理统计学

2017-03-15 13:19:00 2743

转载最大熵模型中的数学推导

最大熵模型中的数学推导http://blog.csdn.net/v_july_v/article/details/40508465?utm_source=tuicool&utm_medium=referral0 引言写完SVM之后，一直想继续写机器学习的系列，无奈一直时间不稳定且对各个模型算法的理解尚不够，所以导致迟迟未动笔。无独有偶，重写KMP

2017-03-15 13:03:06 386

转载贝叶斯理论

1.贝叶斯法则机器学习的任务：在给定训练数据D时，确定假设空间H中的最佳假设。最佳假设：一种方法是把它定义为在给定数据D以及H中不同假设的先验概率的有关知识下的最可能假设。贝叶斯理论提供了一种计算假设概率的方法，基于假设的先验概率、给定假设下观察到不同数据的概率以及观察到的数据本身。2.先验概率和后验概率用P(h)表示在没有训练数据前假设h拥有的初始概率。P(h)被称为h的先验概率

2017-03-10 19:47:18 616

转载神经网络

先从回归(Regression)问题说起。我在本吧已经看到不少人提到如果想实现强AI，就必须让机器学会观察并总结规律的言论。具体地说，要让机器观察什么是圆的，什么是方的，区分各种颜色和形状，然后根据这些特征对某种事物进行分类或预测。其实这就是回归问题。如何解决回归问题？我们用眼睛看到某样东西，可以一下子看出它的一些基本特征。可是计算机呢？它看到的只是一堆数字而已，因此要让机器从事物的特征中

2017-03-09 14:50:56 726

原创凸集分离定理的意义

他在与为分类提供了理论上的开端。在机器学习的分类问题中，我们可以把带有类别标签的训练集看做不同的凸集，而分割他们的超平面就是各种分类器。我们的目标是根据这些训练数据集的特性，找到一个分类算法，通过学习（或者训练）计算出分割这些凸集的超平面。。这样就达到了分类的目标。。。这就是各种分类算法，共同努力的目标，找到那个超平面。。。。。

2017-03-08 16:33:22 3379

转载各种python库

Python 在科学计算领域，有两个重要的扩展模块：Numpy和Scipy。其中Numpy是一个用python实现的科学计算包。包括：一个强大的N维数组对象Array；比较成熟的（广播）函数库；用于整合C/C++和Fortran代码的工具包；实用的线性代数、傅里叶变换和随机数生成函数。SciPy是一个开源的Python算法库和数学工具包，SciPy包含的模块有最优化、线性代数、

2017-03-07 10:29:42 309

原创研究生生活一

研究生开学已经两个月了，这两个月熟悉了校园生活，了解了上课套路，见识了导师功力。这两个月过得很快，就如同本科一样，转眼即逝的感觉，所以我一刻不敢浪费，现在算一下，研究生生活已经过去十二分之一了。过不了多久，就会变成六分之一，三分之一,二分之一，到最后的倒计时。现在忽然想写写这两个月的生活学习状态，也可能是学习累了，偷闲的写写，不知道下次再写是什么时候。两个月的时间，有的人可能过

2017-03-07 10:27:40 1275

转载 100 numpy exercises

100 numpy exercisesThis is a collection of exercises that have been collected in the numpy mailing list, on stack overflow and in the numpy documentation. The goal of this collection is to offer a

2017-03-07 10:26:43 1268

原创最近遇到的各种“差”

在学习线性回归模型中，遇到了各种“差”，现在总结一下。方差 :标准方差=标准差：偏差：绝对偏差：相对偏差：平均偏差：相对平均偏差：协方差：误差：均方误差：标准误差：这是说明一下：偏差与方差的关系：偏差描述的是预测输出和真实值的差距，重点是整体性，偏差越大，说明预测值越偏离真实值。方差样本数据的预测值与真实值的差距，重点是部分性，方差越大，说明数据越分散。

2017-03-07 10:25:56 243

原创 VMware NAT 网络连接将能连同主机，以及能够上外网

NAT连接方式，实现主机与虚拟机之间，虚拟机与虚拟机之间互通，并且不管是虚拟机还是主机都可以访问外网；设置方法：1、这两个全部采用自动获取Ip的方试2、这个很关键，这是你的虚拟机IP的序列，从开始到结尾，你只能在这里面选。3、选择手动配置IP 这个IP地址和子网掩码是和上图是对应的，最最关键的是网关，这个网关在NAT设置里面，也就是这里，这两处的

2017-03-07 10:25:13 699

转载 Python正则表达式指南

1. 正则表达式基础1.1. 简单介绍正则表达式并不是Python的一部分。正则表达式是用于处理字符串的强大工具，拥有自己独特的语法以及一个独立的处理引擎，效率上可能不如str自带的方法，但功能十分强大。得益于这一点，在提供了正则表达式的语言里，正则表达式的语法都是一样的，区别只在于不同的编程语言实现支持的语法数量不同；但不用担心，不被支持的语法通常是不常用的部分。如果已经在其他语言里使用

2017-03-07 10:23:57 151

原创贝叶斯分类器

贝叶斯决策论核心：实质是将期望风险降到最低。这等价于将后验概率最大化。为什么？？解释：有标记Y={C1,C2.....Cn}，样本x可能被错误标记为Ci。则根据后验概率可得到P(Ci|x) （公式的意思是：样本x被标记为Ci的概率。）则总的条件风险为 R(Ci|x)= (是标记错误的损失函数）。所以得到优化任务：最小化条件风险R(Ci|x)。。。这里=

2017-03-07 10:22:02 216

原创 K-近邻算法

分类中：采用“投票法”，k个样本中出现最多的累呗标记作为预测结果；回归中：采用“平均值”，即将K个样本的 ’实值输出标记的平均值作为预测结果。k近邻算法是一种“懒惰学习”关键是k值得选取，是一个非常重要的参数。选取的小容易造成过拟合，选取的大容易造成欠拟合。k近邻需要计算样本之间的距离，计算距离的方法有好多种，比如欧式距离，曼哈顿距离，闵可夫斯基距离；但是当数据很大

2017-03-07 10:21:19 192

原创决策树算法

他首先是一颗树，关键在决策上，怎样找最佳的特征（属性）是决策树算法的关键。典型的有信息增益（ID3）、信息增益比（C4.5）和基尼指数。决策树的剪枝，为避免过拟合和欠拟合，有两种剪枝方法：有预剪枝和后剪枝。决策树存在的问题：一、既然是靠特征（属性）来进行逐步分类，那要是遇见某一对象的某一特征值缺失，将怎么半呢？？直接忽略这个对象吗? 这样会浪费好多的数据。二、如果遇到特征值（属性）是连

2017-03-07 10:20:24 193

原创 K-means算法

这是遇见的第一个“非监督”的学习算法。k_mreans算法是典型的基于距离的聚类算法，采用距离作为相似的评价指类，即认为两个对象的距离越近，其相似度就越大。所以认为簇是由距离的对象组成的。因此把得到紧凑且独立的簇作为最终目标。对K-means 算法的改进：二分K_means算法。。。。

2017-03-07 10:19:01 159

转载各种python库

Python 在科学计算领域，有两个重要的扩展模块：Numpy和Scipy。其中Numpy是一个用python实现的科学计算包。包括：一个强大的N维数组对象Array；比较成熟的（广播）函数库；用于整合C/C++和Fortran代码的工具包；实用的线性代数、傅里叶变换和随机数生成函数。 SciPy是一个开源的Python算法库和数学工具包，SciPy包含的模块有最优化、

2016-10-15 12:01:00 338

转载 su与su-切换用户

linux为安全计，把普通用户设置为默认的账户；这一点跟windows不一样，windows的默认用户是管理员。由于linux的默认账户是普通用户，而更改系统文件或者执行某些命令，必需要root(即linux中的管理员)身份才能进行，这就需要从当前用户切换到root用户。　　linux中切换用户的命令是su或su-。今天我在使用fsdisk这个命令时，终于体会到这两者的区别了。　　

2016-09-17 13:40:18 465

转载生产场景不同角色linux服务器分区案例分享

鉴于大家对 http://oldboy.blog.51cto.com/2561410/629558 一文反应强烈，老男孩在发一篇《生产场景各linux不同角色服务器分区案例分享》希望能给大家一个摸不着，但看的见的老鸟对于生产场景分区的建议。服务器角色分区建议优点 RAID方案单机服务器如8G内存，300G硬盘

2016-09-17 12:29:36 217

原创 linux networkd的奇怪问题

vm 采用 VMware Workstation 12 专业版 cenOS采用 CentOS6.5 采用dhcp 的方式连接network会经常出现 ping DNS 和ping baidu.com ping不通的情况，关上centOs 和虚拟机和电脑。再开机就好了，不明白原因？？？？？？？？？？？？？？

2016-09-11 10:25:31 224

原创用secureCRT 连接虚拟机中的linux

注意主机名是linux用ifconfig命令获取的eth0的ip地址。而且还要关闭linux防火墙。

2016-09-10 19:35:11 218

原创 linux连接network

可以使用手动设置IP的方式，也就是静态Ip的方式连接网络，但是这种方式非常不容易配置，很容易出错，而且不容易成功。除非是分配好的ip。不建议这种方式。另一种是使用动态获取IP的方式，也就是DHCP的方式，此方式不用动手配置IP，条件是：主机能上网，虚拟机利用桥接的方式。linux中的 eth0文件设置成 BOOTPROTO=dhcp。

2016-09-10 19:02:32 259

原创掷骰子游戏

package demo;import java.io.BufferedReader;import java.io.IOException;import java.io.InputStreamReader;import java.util.Random;public class test {public static void main(String

2014-12-24 00:24:45 456

原创新手的小心得

刚开始做项目，千万不要快，要仔细，慢慢的做，如果一味的求速度，会出现一些，无法预知的低级错误，这些错误还不好找到，反而耽误了时间。所以仔细速度放慢，做的过程中体会其中的原理，我感觉这样才会循循渐进。光想求速度了，到最后会让一些低级错误弄得自己心情非常不爽。

2013-06-18 13:11:07 441

原创 ssh 报错 Target can not null

ssh 报错 Target can not null ssh 处理建议前台页面的js里的函数有些字段对应不上，注意查找

2013-06-04 20:53:48 440

原创 ssh 添加页面出现的问题及解决办法

问题如照片所示解决办法① @Resource private IStorageInfoService storageInfoService;对应的service层的借口而不是实现的接口的类②如果各种都对应好了，Tomcat换了好几次也不行，重新部署也不行，还是找不出错误，就重新建一个页面，只写跳转页面的代码，然后拷贝过来，继续用！！！以后再写Action

2013-05-29 20:36:57 400

原创如何用easy-ui显示两张表的数据而且实现两张表的增，删，改。

在script中定义两个datagrid，如下var datagrid;var datagrid1;两个datagrid用来显示两张表的数据！var datagrid;var datagrid1;$(function() { datagrid = $('#Content_MyJsp_grid').datagrid({ url : '${pageContext.

2013-05-28 19:39:55 1246 1

原创现在的问题

学习J2ee应经快一月了，完全的零基础，完全的自学，没有教材，没有老师，没有视频，就只有一位大四的学长带我们。他给我们上了几次课，大体的讲了开发的流程，接着就让我们开始做项目（练手用的），项目并不大，可我们几个人整天的懵，项目毫无进展，只要遇到一点小麻烦，就得请教学长（我们压根不知怎样解决），虽然学长每次都会和我们讲解，但对于我们零基础的人来说，怎么能听的懂。但我们还不好意思说出来，只能凭着记忆力

2013-03-28 18:34:43 510

转载 HTML嵌套规则

最近在重新学习HTML的知识，算是对HTML的一个重新认识吧！别小看了这东西，一切的网页可都是以它为基础的！下面就详细归纳一下HTML标签的嵌套规则吧，希望对大家有所帮助。XHTML的标签有许多：div、ul、li、dl、dt、dd、h1~h6、p、a、addressa、span、 strong……我们在运用这些标签搭建页面结构的时候，是可以将它们无限嵌套的，但是，嵌套也需要有一定规则，不

2013-03-14 13:13:04 438

原创新手的开始

这是接触到第一个不算项目的项目，很想把它做好，做好，在做好。可是自己的能力，技术的有限。总不能按时完成任务。心里纠结，压力挺大，每天还得上课。总想着自己的技术什么时候才能像学长一样牛逼，我相信自己有一天肯定能向他这样，什么都会。可那得到什么时候啊，总是有些着急。这也是开通博客的第一篇文章，希望以后能持之以恒，经常地写点东西。祝福自己，可以再这条路上有个不错的前途，当然自己也要不懈

2013-03-10 15:57:26 314