模型——视图——控制器——复合模式复合模式简介模型-视图-控制器模式模型视图-外观控制器-胶水MVC设计模式的UML类图MVC模式应用优点复合模式简介复合模式将两个或多个模式组合成解决常见或普遍性问题的解决方案，复合模式不是同时使用的一组模式，而是一个问题的通用解决方案。模型-视图-控制器模式MVC模式将应用程序分为3个基本部分：模式、视图和控制器。这3个部分是相互关联的，并且有助于将信息...

大数据/快速数据分析中的高性能技术高性能计算的目的是为了数据密集型以及处理密集型的工作实现少费而多用的目标。计算机、存储设备和网络解决方案也相应变得高性能和可扩展。高通量计算（HTC）同高性能计算（HPC）存在很多不同之处。HPC任务的特点是在较短的时间内需要大量计算能力，而HTC任务也需要大量的计算，但可以在更长的时间内完成。HPC环境通常通过每秒浮点操作次数（FLOP）来衡量。而HTC更关..

主成分分析主成分分析（Principal Component Analysis,PCA）是最常用的一种降维方法。对于正交属性空间中的样本点，如果用一个超平面对所有的样本进行恰当的表达最近重构性：样本点到这个超平面的距离都足够近最大可分性：样本点在这个超平面上的投影能尽可能分开。假定数据样本进行中心化，即∑ixi=0\sum_i x_i=0∑i​xi​=0，在假定投影百年换后得到的新的...

逻辑回归函数原型为sklearn.linear_model.LogisticRegression(...)参数penalty：一个字符串，指定了正则化策略l2 优化目标函数为12∣∣ω∣∣22+CL(ω),C>0,L(ω)\frac{1}{2}||\pmb{\omega}||_2^2 +CL(\pmb \omega),C>0,L(\pmb \omega...

高性能大数据分析的网络基础设施IT基础设施缩小这一差距的关键要求之一是横向或纵向扩展现有基础设施的规模。横向扩展(scale-up)：通过使用更高性性能和更大容量的组件来扩展基础设施。例如对于服务器使用更多的CPU、内核和内存的服务器。对于存储设备，可能意味着使用具有更高性能和存储容量设备。纵向扩展（scale-out）：基础设施的纵向扩展是增加更多的组件，从而可以并行执行更多的处理，进...

贝叶斯分类器贝叶斯分类是一种分类算法的总称，这种算法的均以贝叶斯定理为基础。贝叶斯分类器的分类原理是通过某对象的先验概率，利用贝叶斯公司计算出其后验概率，即该对象属于某一类的概率。主要的特点属性可以离散、也可以是连续数学基础扎实，分类效率稳定对缺失和噪声数据不敏感属性如果不相关，分类效果很好，如果相关，则不低于决策树。贝叶斯定理设SSS为试验EEE的样本空间。B1,B2⋯&...

贝叶斯实战在scikit中有多种不同的朴素贝叶斯分类器，区别在于假设了不同P(X(j)∣y=ck)P(X^{(j)}|y=c_k)P(X(j)∣y=ck​)的分布。GaussianNB是高斯贝叶斯分类器，假设特征的条件概率分布满足高斯分布P(X(j)∣y=ck)=12πσk2exp⁡(−(X(j)−μk)22σk2)P(X^{(j)}|y=c_k) = \frac{1}{\sqrt{...

间隔与支持向量给定训练样本集D={(x1,y1),(x2,y2)⋯ ,(xn,yn)},yi∈{−1,+1}D=\{(x_1,y_1),(x_2,y_2)\cdots, (x_n,y_n)\},y_i\in \{-1, +1\}D={(x1​,y1​),(x2​,y2​)⋯,(xn​,yn​)},yi​∈{−1,+1}，分类学习的最基本的思想就是基于样本空间中找个一个划分超平面，将不同类别的样本.

图像分析的数据结构1 图像数据表示的层次四个层次：图标图像(iconic images)：最底层的表示，有含有原始数据的图像组成，原始数据也就是像素亮度数据的整数矩阵。为了突出对后续处理重要 的图像的某些方面，需要进行预处理（滤波或边缘锐化）分割图像(segmented images)：为可能属于同一物体的区域。几何表示(geometric representation)：保存2...

主成分分析主成分分析（Principal Component Analysis,PCA）是最常用的一种降维方法。对于正交属性空间中的样本点，如果用一个超平面对所有的样本进行恰当的表达最近重构性：样本点到这个超平面的距离都足够近最大可分性：样本点在这个超平面上的投影能尽可能分开。假定数据样本进行中心化，即∑ixi=0\sum_i x_i=0∑i​xi​=0，在假定投影百年换后得到的新的...