Oracle分布式数据库的安装遇到的问题【已解决】：找不到scott用户、出现【INS-30014】错误、oracle登录适配器错误

这个搭建过程主要是CentOS上成功完成了Hadoop和HBase的伪分布式安装。主要包括环境配置、Hadoop与HBase的安装、配置与测试。

数据集已经上传到了我的资源里面，对于这个数据集，将进行数据预处理，然后进行k-means聚类、使用线性回归进行回归、使用XGBoost进行回归分析，并且进行分类预测。这篇主要是完成了数据的预处理、特征工程、可视化分析和多种机器学习模型的应用。对这个单车数据进行了聚类、回归、分类并进行可视化。

根据给定的影响员工离职的因素和员工是否离职的记录，分别建立多个分类预测模型：基于信息增益的决策树模型、基于基尼指数的决策树模型、朴素贝叶斯模型、支持向量机模型，预测有可能离职的员工；并对各模型进行模型评估。

这篇论文提出的跨域小样本语义分割（CD-FSS）任务，旨在将源域学习的分割能力迁移到目标域，仅需少量标注样本。针对传统小样本分割方法在跨域场景性能下降的问题，作者提出了基于金字塔锚点变换的网络（PATNet），通过将域相关特征转换为域无关特征，并引入任务自适应微调推理（TFI）提升目标域适应能力。实验表明，PATNet在1-shot和5-shot设置下分别比现有方法提升8.49%和10.61%的准

根据给定的影响员工离职的因素和员工是否离职的记录，分别建立多个分类预测模型：基于信息增益的决策树模型、基于基尼指数的决策树模型、朴素贝叶斯模型、支持向量机模型，预测有可能离职的员工；并对各模型进行模型评估。

根据给定的葡萄酒分类记录，建立聚类模型，对葡萄酒信息进行聚类（此时注意去除数据集中分类信息），并进行模型评估。即主要内容是基于葡萄酒信息进行聚类分析和模型评估。首先加载并预处理数据，去除分类信息并进行标准化。接着，使用手肘法和轮廓系数确定K-means聚类的最佳簇数，并进行K-means聚类。然后，通过网格搜索找到DBSCAN的最佳参数，进行DBSCAN聚类。随后，采用最佳K值进行Agglomer

根据给定的葡萄酒分类记录，建立聚类模型，对葡萄酒信息进行聚类（此时注意去除数据集中分类信息），并进行模型评估。即主要内容是基于葡萄酒信息进行聚类分析和模型评估。首先加载并预处理数据，去除分类信息并进行标准化。接着，使用手肘法和轮廓系数确定K-means聚类的最佳簇数，并进行K-means聚类。然后，通过网格搜索找到DBSCAN的最佳参数，进行DBSCAN聚类。随后，采用最佳K值进行Agglomer

根据给定的葡萄酒分类记录，建立聚类模型，对葡萄酒信息进行聚类（此时注意去除数据集中分类信息），并进行模型评估。即主要内容是基于葡萄酒信息进行聚类分析和模型评估。首先加载并预处理数据，去除分类信息并进行标准化。接着，使用手肘法和轮廓系数确定K-means聚类的最佳簇数，并进行K-means聚类。然后，通过网格搜索找到DBSCAN的最佳参数，进行DBSCAN聚类。随后，采用最佳K值进行Agglomer

根据给定的葡萄酒分类记录，建立聚类模型，对葡萄酒信息进行聚类（此时注意去除数据集中分类信息），并进行模型评估。即主要内容是基于葡萄酒信息进行聚类分析和模型评估。首先加载并预处理数据，去除分类信息并进行标准化。接着，使用手肘法和轮廓系数确定K-means聚类的最佳簇数，并进行K-means聚类。然后，通过网格搜索找到DBSCAN的最佳参数，进行DBSCAN聚类。随后，采用最佳K值进行Agglomer