配置好JAVA_HOME

%先直接使用excel切分数据，然后读入matlab进行处理%从excel中读取数据[FEATURES,TXT,RAW] = xlsread('features');[LABElS,TXT,RAW] = xlsread('labels');%转置矩阵,得到的矩阵每一列为一条数据，每一行为某个特征FEATURES_T = FEATURES';LABElS_T = LABElS';[

1、给定a、b两个文件，各存放50亿个url，每个url各占64字节，内存限制是4G，让你找出a、b文件共同的url？1)   可以估计每个文件安的大小为50G×64=320G，远远大于内存限制的4G。所以不可能将其完全加载到内存中处理。考虑采取分而治之的方法。2)   遍历文件a，对每个url求取 ，然后根据所取得的值将url分别存储到1000个小文件（记为 ）中。这样每个小文件的大约为

# -*- coding: utf-8 -*-import jiebaimport jieba.analyseimport sysimport codecsreload(sys)sys.setdefaultencoding('utf-8')#使用其他编码读取停用词表#stoplist = codecs.open('../../file/stopword.txt','r',enco

# -*- coding: utf-8 -*-import cv2import numpy as npfrom find_obj import filter_matches,explore_matchfrom matplotlib import pyplot as pltdef getSift():'''得到并查看sift特征'''img_pat

# -*- coding: utf-8 -*-import jieba, osimport codecsfrom gensim import corpora, models, similaritiesfrom pprint import pprintfrom collections import defaultdictimport sysimport picklefrom src.

取 shuffle 的过程其实可看做从全排列中随机选择一个的过程。稍微比较麻烦的是实现特征向量与类别标签的同步shuffle。如果这里数据集既包含特征向量又包括标签值，可直接调用np.random.shuffle()方法：>>> np.random.shuffle(training_data)>>> X = training_data[:, :-1]>>> y = tr

原文地址不是有词典匹配的方法了吗？怎么还搞多个机器学习方法。因为词典方法和机器学习方法各有千秋。机器学习的方法精确度更高，因为词典匹配会由于语义表达的丰富性而出现很大误差，而机器学习方法不会。而且它可使用的场景更多样。无论是主客观分类还是正负面情感分类，机器学习都可以完成任务。而无需像词典匹配那样要深入到词语、句子、语法这些层面。回复此公众号

聚类划分：（1）划分聚类  k-means、k-medoids、k-modes、k-medians、kernel k-means（2）层次聚类  Agglomerative、divisive、BIRCH、ROCK、Chameleon（3）密度聚类 DBSCAN、OPTICS（4）网格聚类  STING（5）模型聚类  GMM（6）图聚类  Spectral Cluste

【干货】Kaggle 数据挖掘比赛经验分享2017-05-09 陈成龙 腾讯全球高校算法大赛简介Kaggle 于 2010 年创立，专注数据科学，机器学习竞赛的举办，是全球最大的数据科学社区和数据竞赛平台。笔者从 2013 年开始，陆续参加了多场 Kaggle上面举办的比赛，相继获得了 CrowdFlower 搜索相关性比赛第一名（1326支队伍）和 Hom