其中，log是以2为底的对数，这个选择使得信息熵的单位是比特（bit）。如果使用其他底数的对数，信息熵的单位会相应改变，但其量值的相对大小不变，因为对数函数的换底公式保证了这一点。在信息论中，熵描述了一条消息或一个信号所携带的信息量的期望值，即接收到该消息后所能消除的不确定性量。熵反映了数据集的纯度或不确定性，熵越高表示数据集中类别的分布越混杂，不确定性越大。的特征，因为这类特征能够产生更多的子集

矩阵诱导正则化的多核 k 均值聚类算法（Multiple Kernel K-means Clustering, MKKM）是一种结合了多核学习和k 均值聚类的高级算法。它主要用于处理非线性可分的数据，通过组合多个核函数来增强聚类的效果，从而在复杂的特征空间中找到数据的自然分组。

实测解决：在此系统上禁止运行脚本。有关详细信息，请参阅 https:/go.microsoft.com/fwlink/?LinkID=135170 中的 about_Execution_Policies。​cnpm : 无法加载文件 C:\Users\kk\AppData\Roaming\npm\cnpm.ps1，因为在此系统上禁止运行脚本。有关详细信息，请参阅 https:/go.microso

实测解决：Initialization failed for ‘https://start.spring.io’ Please check URL, network and proxy settings错误信息解决办法:第一步:打开idea最上角file选项的Settings第二步:搜索HTTP Proxy–>勾选Automatic proxy configuration将默认地址修改为阿里

基于超图的半监督多视图聚类模型（Semi-supervised Multi-view Clustering Model Based on Hypergraphs, SMCMH）是一种结合了`半监督学习`、`多视图学习`和`超图表示`的聚类方法。这种模型在处理具有多个视角或模态的大规模数据集时特别有效，比如图像、文本和音频数据，其中每个视角都可能携带关于同一对象的不同信息。SMCMH模型通过构建一个

基尼指数GinipGini(p)Ginip表示从数据集中随机抽取两个样本，它们类别标记不一致的概率。GiniD∑k1Kpk1−pk1−∑k1Kpk2GiniDk1∑K​pk​1−pk​1−k1∑K​pk2​其中，pkp_kpk​表示类别 ( k ) 在数据集 ( D ) 中的比例。基尼指数的取值范围在01[0, 1]01。

K-medoids算法是一种分区聚类方法，用于将数据集划分为 k 个簇，其中 k 是由用户指定的簇的数量。与K-means算法不同，K-medoids算法选择实际的数据点作为。这样，K-medoids算法对异常值更加鲁棒，因为它不会受到极端值的影响。

-Xms128m -Xmx1024m -XX:MaxPermSize=512m若不行，就改大点

Tri-training是一种半监督学习算法，由Zhou和Li在2005年提出，它通过使用三个分类器来互相验证和利用未标记数据，从而提高学习效果。Tri-training的基本思想是。

MySQL九：创建数据库表（重点）-- 目标:创建一个school数据库-- 创建学生表（列、字段）使用SQL 创建-- 学号int、登陆密码varchar（20）、姓名、性别 varchar（2）、出生日期（datatime）、家庭住址、email-- 注意点：使用英文() 表的名词和字段尽量使用 `` 括起来-- AUTO_INCREMENT 自增-- 字符串使用 单引号括起来-- 所有的语句