logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

CentOS下torque集群配置(一)-torque安装与配置

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

#集群#centos#ssh
Python学习-安装pip和scikit-learn

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

#pip#sklearn#python +2
数据库(第一范式,第二范式,第三范式)

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,

#数据库
机器学习算法-朴素贝叶斯Python实现

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

#python
机器学习—过拟合overfitting

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

#机器学习
机器学习数据集-MNIST

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

#python#机器学习#算法
机器学习scikit-learn入门教程

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

#sklearn#机器学习
机器学习算法-梯度树提升GTB(GBRT)

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

#机器学习#算法
机器学习-sklearn库的Cross Validation

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

#机器学习
机器学习之特征工程

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

#机器学习
    共 37 条
  • 1
  • 2
  • 3
  • 4
  • 请选择