<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Meyayron正在玩游戏中...]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Metatronxl</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Metatronxl]]></copyright><item><title><![CDATA[SpringBoot 学习记录： AOP]]></title><link>https://blog.youkuaiyun.com/Metatronxl/article/details/81839369</link><guid>https://blog.youkuaiyun.com/Metatronxl/article/details/81839369</guid><author>Metatronxl</author><pubDate>Sun, 19 Aug 2018 16:55:33 +0800</pubDate><description><![CDATA[借鉴了廖师兄的在mock上的教学视频，在此感谢：P

对于AOP我就不废话了，SpringBoot 对于AOP的支持做的非常好。

第一步先在maven中导包

&amp;lt;dependency&amp;gt;
    &amp;lt;groupId&amp;gt;org.springframework.boot&amp;lt;/groupId&amp;gt;
    &amp;lt;artifactId&amp;gt;spring-boot-starte...]]></description><category></category></item><item><title><![CDATA[k-近邻算法（KNN）算法概述（分类器）]]></title><link>https://blog.youkuaiyun.com/Metatronxl/article/details/80692467</link><guid>https://blog.youkuaiyun.com/Metatronxl/article/details/80692467</guid><author>Metatronxl</author><pubDate>Thu, 14 Jun 2018 14:32:42 +0800</pubDate><description><![CDATA[k-近邻算法（KNN）算法概述（分类器）

KNN通过测量不同特征值之间的距离进行分类。大致思路：一个样本在k个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别。那么该样本也属于这个类别。


  参考书籍：《python经典学习实例》、《机器学习实战》 
  源码地址：https://github.com/Metatronxl/MachineLearning/tree/master/k...]]></description><category></category></item><item><title><![CDATA[Pycharm配置Spark避坑指南]]></title><link>https://blog.youkuaiyun.com/Metatronxl/article/details/79267935</link><guid>https://blog.youkuaiyun.com/Metatronxl/article/details/79267935</guid><author>Metatronxl</author><pubDate>Tue, 06 Feb 2018 10:30:29 +0800</pubDate><description><![CDATA[PS：本文建立在使用Mac或者linux系统的基础上，也不建议使用window系统进行spark配置=_=




安装JAVA环境

这部没啥好说的吧，上网搜java安装一大把。 
切记配置java全局变量



vim ~/.bash_profile 

然后输入



export JAVA_HOME=$(/usr/libexec/java_home)



安装scala

这里推荐Mac]]></description><category></category></item><item><title><![CDATA[AdaBoost算法]]></title><link>https://blog.youkuaiyun.com/Metatronxl/article/details/79267742</link><guid>https://blog.youkuaiyun.com/Metatronxl/article/details/79267742</guid><author>Metatronxl</author><pubDate>Tue, 06 Feb 2018 10:24:27 +0800</pubDate><description><![CDATA[参考Blog：

adaBoost算法



参考书籍：

《机器学习实战》 
- 参考书籍：


  Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器（弱分类器），然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。Adaboost算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的]]></description><category></category></item><item><title><![CDATA[线性回归、预测回归、一般回归]]></title><link>https://blog.youkuaiyun.com/Metatronxl/article/details/79267768</link><guid>https://blog.youkuaiyun.com/Metatronxl/article/details/79267768</guid><author>Metatronxl</author><pubDate>Tue, 06 Feb 2018 10:24:17 +0800</pubDate><description><![CDATA[平方误差代价函数


  我们的目标就是让J()尽可能的小






梯度下降


:= 是赋值的意思
&#x03B1;" role="presentation" style="position: relative;">αα\alpha  是指learning rate(学习速度)





  对theta求导（斜率），theta在左半边的时候，斜率为负，所以theta会向右更新，同理在又边的]]></description><category></category></item><item><title><![CDATA[特征缩放]]></title><link>https://blog.youkuaiyun.com/Metatronxl/article/details/79267777</link><guid>https://blog.youkuaiyun.com/Metatronxl/article/details/79267777</guid><author>Metatronxl</author><pubDate>Tue, 06 Feb 2018 10:24:07 +0800</pubDate><description><![CDATA[参考：http://blog.youkuaiyun.com/xlinsist/article/details/51212348




引言

在运用一些机器学习算法的时候不可避免地要对数据进行特征缩放（feature scaling），比如：在随机梯度下降（stochastic gradient descent）算法中，特征缩放有时能提高算法的收敛速度。下面我会主要介绍一些特征缩放的方法。



什么是特征]]></description><category></category></item><item><title><![CDATA[逻辑回归]]></title><link>https://blog.youkuaiyun.com/Metatronxl/article/details/79267783</link><guid>https://blog.youkuaiyun.com/Metatronxl/article/details/79267783</guid><author>Metatronxl</author><pubDate>Tue, 06 Feb 2018 10:23:56 +0800</pubDate><description><![CDATA[参考文献 
  1  文墨 
        https://www.cnblogs.com/sparkwen/p/3441197.html 
  2 Andrew NG. Logistic Regression Classification
  
  逻辑回归(Logistic Regression, LR)模型其实仅在线性回归的基础上，套用了一个逻辑函数，但也就由于这个逻辑函数，使得逻辑回归模]]></description><category></category></item><item><title><![CDATA[神经网络]]></title><link>https://blog.youkuaiyun.com/Metatronxl/article/details/79267788</link><guid>https://blog.youkuaiyun.com/Metatronxl/article/details/79267788</guid><author>Metatronxl</author><pubDate>Tue, 06 Feb 2018 10:23:32 +0800</pubDate><description><![CDATA[神经网络的正向&&反向传播

通过正向传播后得到的误差来进行反向传播，反向传播时通过求导的方式更新权值，获得误差更小的权重参数。

 
具体讲解见： 


  http://www.cnblogs.com/charlotte77/p/5629865.html
  
  


神经网络的代价函数



 
相比逻辑回归的代价函数，这里增加了一个关于K的累加，K代表的是分类的数量。下标K的意思就是计算]]></description><category></category></item><item><title><![CDATA[python进程守护]]></title><link>https://blog.youkuaiyun.com/Metatronxl/article/details/79267662</link><guid>https://blog.youkuaiyun.com/Metatronxl/article/details/79267662</guid><author>Metatronxl</author><pubDate>Tue, 06 Feb 2018 10:15:03 +0800</pubDate><description><![CDATA[参考： 
 - Vamei  http://www.cnblogs.com/vamei 
 -  Python守护进程daemon实现




  如何创建一个进程


实际上，当计算机开机的时候，内核(kernel)只建立了一个init进程。Linux内核并不提供直接建立新进程的系统调用。剩下的所有进程都是init进程通过fork机制建立的。新的进程要通过老的进程复制自身得到，这就是fork。f]]></description><category></category></item></channel></rss>