所谓闭项集，就是指一个项集X，它的直接超集的支持度计数都不等于它本身的支持度计数。如果闭项集同时是频繁的，也就是它的支持度大于等于最小支持度阈值，那它就称为闭频繁项集。例如，有交易数据库TID item1 abc 2 abcd 3 bce4 acde5 de因为项集{b,c}出现在TID为1,2,3的事务中，所以{b,c}的支持度计数为3。而{b,c}的

通过直方图的方法 每张图片都可以生成其灰度图像直方图（histogram）。如果两张图片的直方图很接近，就可以认为它们很相似。     因此，此处我们利用两幅图像的直方图来进行相似度的比较。原理较为简单，具体算法如下：1、获得输入灰度图像的直方图分布；2、将直方图划分为64个区，每个区为连续的4个灰度等级；3、对每个区的4个值进行求和运算，得到1个数据，如此，会

大概花了将近2个月的时间，自己把18大数据挖掘的经典算法进行了学习并且进行了代码实现，涉及到了决策分类，聚类，链接挖掘，关联挖掘，模式挖掘等等方面。也算是对数据挖掘领域的小小入门了吧。下面就做个小小的总结，后面都是我自己相应算法的博文链接，希望能够帮助大家学习。1.C4.5算法。C4.5算法与ID3算法一样，都是数学分类算法，C4.5算法是ID3算法的一个改进。ID3算法采用信息增益进行决策判断，

所谓闭项集，就是指一个项集X，它的直接超集的支持度计数都不等于它本身的支持度计数。如果闭项集同时是频繁的，也就是它的支持度大于等于最小支持度阈值，那它就称为闭频繁项集。例如，有交易数据库TID item1 abc 2 abcd 3 bce4 acde5 de因为项集{b,c}出现在TID为1,2,3的事务中，所以{b,c}的支持度计数为3。而{b,c}的

FP-growth算法，fpgrowth算法详解使用FP-growth算法来高效发现频繁项集前言你用过搜索引擎挥发现这样一个功能：输入一个单词或者单词的一部分，搜索引擎酒会自动补全查询词项，用户甚至实现都不知道搜索引擎推荐的东西是否存在，反而会去查找推荐词项，比如在百度输入“为什么”开始查询时，会出现诸如“为什么我有了变身器却不能变身奥特曼”之类滑稽的推荐结果，为了给出这些推荐查询

写在前面，迭代器这种东西，就是为了使访问简单！！容器：：iterator iter;for(iter= 容器.begin();iter!=容易.end();iter++){coutfirst等等之类的                                    //迭代器就是这么个套路}然后就是set，set就是一个集合，仅此而已，而其他的，像是map比较有意

有一个非常简单的办法能够解决这个问题，那就是通过时间序列的办法。要知道所有时间都能够化成秒，所以我们的原理就是（时间化成秒）—-》（加减秒）—-》（加减完的秒时间然后再化成格式化的时间）具体代码如下：功能为在1990-01-01 01:01:01这个时间基础上加上1个小时20分钟，思路为先把时间化成秒，然后加上1个小时二十分钟所对应的秒，然后再格式化时间#!/bin/bashtime1=$(d

前言这个问题来自于leetcode上面的一道题Valid AnagramGiven two strings s and t, write a function to determine if t is an anagram of s.For example,s = “anagram”, t = “nagaram”, return true.s = “rat”, t = “car”, re

#!/usr/bin/env pythonfrom PIL import Imageimport randomx=136y=76c = Image.new("RGB",(x,y))for i in range (0,x):for j in range (0,y):c.putpixel([i,j],(random.randint(0,255),rando...

CTF中有一道题是关于维吉利亚密码加密的,维吉利亚密码实际上就是关于偏移的密码,仔细找一找它的规律就能写出来加密的公式,其实就是一个数学推导公式,下面的例子是以:key是COMPUTER明文是BLOCKCIPHERDESIGNPRINCIPLE加密的,加密的结果为:DZAREVMGJSDSYLMXPDDXHVMGNS脚本如下:#!/usr/bin/python# -*-