一、Centos7系统的安装及设置1、给两台电脑安装CentOS7.0，光盘启动路径修改为：/dev/cdrom修改主机名称# hostnamectl set-hostname2、设置ip地址# vi /etc/sysconfig/network-scripts/ifcfg-eth0添加下列属性值

服务器环境：centos7.0python2.7.5pip-6.1.1引文：由于之前配集群的时候比较仓促，很多东西都是简化版。python的库都没有安装，今天实验室一同学要用服务器跑程序，代码使用python写的，结果配python的环境又耗费了大半天，没有午休，眼睛还困困的，满满的都是泪啊~1pip的安装1.1 下载pippython很多的模板库都可以使用pip来安装

数据库（第一范式，第二范式，第三范式）范式：英文名称是 Normal Form，它是英国人 E.F.Codd（关系数据库的老祖宗）在上个世纪70年代提出关系数据库模型后总结出来的，范式是关系数据库理论的基础，也是我们在设计数据库结构过程中所要遵循的规则和指导方法。目前有迹可寻的共有8种范式，依次是：1NF，2NF，3NF，BCNF，4NF，5NF，DKNF，6NF。通常所用到的只是前三个范式，

引文：前面提到的K最近邻算法和决策树算法，数据实例最终被明确的划分到某个分类中，下面介绍一种不能完全确定数据实例应该划分到哪个类别，或者说只能给数据实例属于给定分类的概率。基于贝叶斯决策理论的分类方法之朴素贝叶斯优点：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适用数据类型：标称型数据。朴素贝叶斯的一般过程收集数据：可以使用任何方式准备数据：需要数

今天在知乎上看到一个问题：人脑有海量的神经元（参数），为什么没有过拟合？面对各个网友的回答，突然发现自己对于过拟合的概念似乎理解的不是很透彻，或者说之前就没有完全理解透。其中有个人这么说“样本少feature多才overfitting”也有人提到看红框标注部分，也就是说样本多就不会发生过拟合么。先不管知乎这个问题了，为了搞清过拟合的概念，再次跑到wikipedia去搜寻答案。下面是wikipedi

介绍在学习机器学习的时候，首当其冲的就是准备一份通用的数据集，方便与其他的算法进行比较。在这里，我写了一个用于加载MNIST数据集的方法，并将其进行封装，主要用于将MNIST数据集转换成numpy.array()格式的训练数据。直接下面看下面的代码吧(主要还是如何用python去读取binnary file)！MNIST数据集原网址：http://yann.lecun.com/exdb/mnist

原文链接：http://scikit-learn.github.io/dev/tutorial/basic/tutorial.html章节内容在这个章节中，我们主要介绍关于scikit-learn机器学习词库，并且将给出一个学习样例。机器学习：问题设置通常，一个学习问题是通过一系列的n个样本数据来学习然后尝试预测未知数据的属性。如果每一个样本超过一个单一的数值，例如多维输入（也叫做多维数据），那么

Introduction决策树这种算法有着很多良好的特性，比如说训练时间复杂度较低，预测的过程比较快速，模型容易展示（容易将得到的决策树做成图片展示出来）等。但是同时，单决策树又有一些不好的地方，比如说容易over-fitting，虽然有一些方法，如剪枝可以减少这种情况，但是还是不太理想。模型组合（比如说有Boosting，Bagging等）与决策树相关的算法比较多，如randomForest、A

一个Windows操作系统能够使用的pythonIDEwinPython下载地址：WinPython_2.7传统的F-measure或平衡的F-score (F1 score)是精度和召回的调和平均值：F1=2precision∗recallprecision+recallF_1 = 2\dfrac{precision * recall}{precision + recall}1.Cross

本文是一篇关于特征工程的总结类文章，如有不足之处或理解有偏差的地方，还望大家多多指点。首先，给一张特征工程的思维导图：【如果要浏览图片，建议将其下载到本地，使用图片浏览软件查看】关于特征工程（Feature Engineering），已经是很古老很常见的话题了，坊间常说：“数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已”。由此可见，特征工程在机器学习中占有相当重要的地位