<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Olaking的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Olaking</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Olaking]]></copyright><item><title><![CDATA[bat中的for语句]]></title><link>https://blog.youkuaiyun.com/Olaking/article/details/52086992</link><guid>https://blog.youkuaiyun.com/Olaking/article/details/52086992</guid><author>Olaking</author><pubDate>Mon, 01 Aug 2016 16:47:44 +0800</pubDate><description><![CDATA[for语句(循环结构)
转载http://www.cnblogs.com/lm002003/archive/2012/05/15/2502439.html

　　for语句可以实现类似于C语言里面的循环结构，当然for语句的功能要更强大一点，通过不同的开关可以实现更多的功能。for语句有多个开关，不同开关将会实现不同的功能。

 　　1．无开关

 　　无开关的for语句能够对设定的]]></description><category></category></item><item><title><![CDATA[HashMap源码分析]]></title><link>https://blog.youkuaiyun.com/Olaking/article/details/50979349</link><guid>https://blog.youkuaiyun.com/Olaking/article/details/50979349</guid><author>Olaking</author><pubDate>Fri, 25 Mar 2016 14:21:14 +0800</pubDate><description><![CDATA[HashMap的实现通常是通过哈希表实现的，哈希表中有若干个桶。但是，当桶中数量太大时，将会转化为存放树结点的桶，每个树结点的结构与java.util.TreeMap类似。树桶的使用方式和一般桶的方式一样，但是在桶中容量过大的情况下，前者具有更快的查询效率。然而，一般情况下，正常的桶容量一般不会过大，所以检查树桶的操作可能会延迟。PS：树桶（即存放树节点的桶）是按照哈希值的顺序存放内部节点的，但是如]]></description><category></category></item><item><title><![CDATA[关联规则挖掘算法Aprior和FPGrowth对比与改进]]></title><link>https://blog.youkuaiyun.com/Olaking/article/details/50783827</link><guid>https://blog.youkuaiyun.com/Olaking/article/details/50783827</guid><author>Olaking</author><pubDate>Wed, 02 Mar 2016 22:30:52 +0800</pubDate><description><![CDATA[Aprior算法和FPGrowth算法同属于关联规则挖掘算法，但Aprior是基于广度优先的，而FPGrowth是基于深度优先的，即Aprior算法需要建立K项集，然后扫描数据库；而FPGrowth算法则是扫描数据库，然后查找频繁项集。Aprior算法Aprior算法的原理和实现参见http://blog.youkuaiyun.com/olaking/article/details/42810865和http:]]></description><category></category></item><item><title><![CDATA[maven学习（二）——archetype]]></title><link>https://blog.youkuaiyun.com/Olaking/article/details/47072769</link><guid>https://blog.youkuaiyun.com/Olaking/article/details/47072769</guid><author>Olaking</author><pubDate>Sun, 26 Jul 2015 22:14:48 +0800</pubDate><description><![CDATA[在maven学习（一）中，我们介绍了手动创建maven目录的方法，其实可以使用maven archetype：generate方法使maven自动为我们创建目录
第一次该命令时，会下载很多依赖包，所以运行时间较长，当出现下图时，按步骤执行，就创建好啦！]]></description><category></category></item><item><title><![CDATA[maven学习（一）--Hello World]]></title><link>https://blog.youkuaiyun.com/Olaking/article/details/47036991</link><guid>https://blog.youkuaiyun.com/Olaking/article/details/47036991</guid><author>Olaking</author><pubDate>Fri, 24 Jul 2015 10:36:03 +0800</pubDate><description><![CDATA[首先要保证maven已经按照，运行命令mvn -v可以查看安装信息，如图所示：


如出现以下信息，表示安装完成！
maven项目需要的基本的文件目录包括：


我是在java目录中创建的com.model包，在model目录下创建java文件
HelloWorld.java代码如下：

package com.model;

public class HelloWorld{]]></description><category></category></item><item><title><![CDATA[rabbitmq基本原理]]></title><link>https://blog.youkuaiyun.com/Olaking/article/details/47009753</link><guid>https://blog.youkuaiyun.com/Olaking/article/details/47009753</guid><author>Olaking</author><pubDate>Wed, 22 Jul 2015 21:09:08 +0800</pubDate><description><![CDATA[AMQP(高级消息队列协议) 是一个异步消息传递所使用的应用层协议规范，作为线路层协议，而不是API（例如JMS），AMQP 客户端能够无视消息的来源任意发送和接受信息。 
    AMQP当中有四个概念非常重要 
        1. virtual host，虚拟主机 
        2. exchange，交换机 
        3. queue，队列 
        4. bindin]]></description><category></category></item><item><title><![CDATA[Omega:flexible,scalable schedulers for large compute clusters论文理解]]></title><link>https://blog.youkuaiyun.com/Olaking/article/details/47009271</link><guid>https://blog.youkuaiyun.com/Olaking/article/details/47009271</guid><author>Olaking</author><pubDate>Wed, 22 Jul 2015 20:39:23 +0800</pubDate><description><![CDATA[摘要： 
问题：当下中央单一调度方式很难满足规模迅速增长和需求变更快速响应的需要 
带来的后果：限制了新特性的部署、降低了效率和可用性，最终会限制集群的发展 
解决方法：论文提出了并发、共享状态和乐观锁并发控制来满足这些需求 
实验方法：将该方法与现存的集群调度设计相比较，提出他们可能存在的问题和解决方法，最终证明我们的方法的优势。 
1.Introduction 
大规模的计算集群是很昂贵的，所以]]></description><category></category></item><item><title><![CDATA[导入maven项目pom.xml文件报错]]></title><link>https://blog.youkuaiyun.com/Olaking/article/details/47009147</link><guid>https://blog.youkuaiyun.com/Olaking/article/details/47009147</guid><author>Olaking</author><pubDate>Wed, 22 Jul 2015 20:31:22 +0800</pubDate><description><![CDATA[导入maven项目pom文件报错如下：Execution default-resources of goal org.apache.maven.plugins:maven-resources-plugin:2.5:resources failed: Plugin org.apache.maven.plugins:maven-resources-plugin:2.5 or one of its dep]]></description><category></category></item><item><title><![CDATA[KNN算法实现手写识别系统]]></title><link>https://blog.youkuaiyun.com/Olaking/article/details/44244743</link><guid>https://blog.youkuaiyun.com/Olaking/article/details/44244743</guid><author>Olaking</author><pubDate>Fri, 13 Mar 2015 18:55:16 +0800</pubDate><description><![CDATA[运行结果：the total error rate is 0.011628
    classifiy0实现了KNN分类算法；image2vector是将图片转换为一维向量的形式，这里的图像是经过处理的32像素*32像素的黑白图像；handwritingClassTest则是训练数据、预测数据；该算法的准确率为0.011628。
    numpy.tile(A,reps)是把A重复reps次]]></description><category></category></item><item><title><![CDATA[numpy中的sorted方法说明]]></title><link>https://blog.youkuaiyun.com/Olaking/article/details/44223753</link><guid>https://blog.youkuaiyun.com/Olaking/article/details/44223753</guid><author>Olaking</author><pubDate>Thu, 12 Mar 2015 16:42:41 +0800</pubDate><description><![CDATA[python列表排序 

简单记一下python中List的sort方法（或者sorted内建函数）的用法。 

sorted函数用法如下： 


Python代码  



sorted(data, cmp=None, key=None, reverse=False)  


其中，data是待排序数据，可以使List或者iterator, cmp和key都是函数，这]]></description><category></category></item><item><title><![CDATA[使用python画柱状图]]></title><link>https://blog.youkuaiyun.com/Olaking/article/details/43482359</link><guid>https://blog.youkuaiyun.com/Olaking/article/details/43482359</guid><author>Olaking</author><pubDate>Wed, 04 Feb 2015 09:55:23 +0800</pubDate><description><![CDATA[方法一：

import matplotlib.pyplot as plt;plt.rcdefaults()
import numpy as np
from pandas import Series

fig,axes = plt.subplots(2,1)
data = Series(np.random.rand(5),index = list('abcde'))
data.plot(kin]]></description><category></category></item><item><title><![CDATA[TypeError: 'numpy.ndarray' object is not callable错误的处理办法]]></title><link>https://blog.youkuaiyun.com/Olaking/article/details/43199003</link><guid>https://blog.youkuaiyun.com/Olaking/article/details/43199003</guid><author>Olaking</author><pubDate>Tue, 27 Jan 2015 19:38:50 +0800</pubDate><description><![CDATA[TypeError: 'numpy.ndarray' object is not callable此类错误一般是由于内部函数被用作变量名时发生。例如，我的程序是
range = maxVals - minVals

隔了几行我又写道
 for i in range(numTestVecs):

这样就会报错，因为内部已经有range函数，而自己又重新定义了一个。
一般错误会指向for]]></description><category></category></item><item><title><![CDATA[KNN算法理解和应用]]></title><link>https://blog.youkuaiyun.com/Olaking/article/details/43149449</link><guid>https://blog.youkuaiyun.com/Olaking/article/details/43149449</guid><author>Olaking</author><pubDate>Mon, 26 Jan 2015 10:29:35 +0800</pubDate><description><![CDATA[一、算法概述


1、kNN算法又称为k近邻分类(k-nearest neighbor classification)算法。
最简单平凡的分类器也许是那种死记硬背式的分类器，记住所有的训练数据，对于新的数据则直接和训练数据匹配，如果存在相同属性的训练数据，则直接用它的分类来作为新数据的分类。这种方式有一个明显的缺点，那就是很可能无法找到完全匹配的训练记录。

kNN算法则是从训练集中找]]></description><category></category></item><item><title><![CDATA[SVM训练结果参数说明 训练参数说明 归一化加快速度和提升准确率 归一化还原 核函数]]></title><link>https://blog.youkuaiyun.com/Olaking/article/details/43062087</link><guid>https://blog.youkuaiyun.com/Olaking/article/details/43062087</guid><author>Olaking</author><pubDate>Fri, 23 Jan 2015 20:35:12 +0800</pubDate><description><![CDATA[举例说明
　　svmtrain -s 0 -?c 1000 -t 1 -g 1 -r 1 -d 3 data_file 　　训练一个由多项式核（u'v+1）^3和C=1000组成的分类器。 　　svmtrain -s 1 -n 0.1 -t 2 -g 0.5 -e 0.00001 data_file 　　在RBF核函数exp(-0.5|u-v|^2）和终止允许限0.00001的条件下，训练一个?]]></description><category></category></item><item><title><![CDATA[采用交叉验证选择最佳参数C与g]]></title><link>https://blog.youkuaiyun.com/Olaking/article/details/43060745</link><guid>https://blog.youkuaiyun.com/Olaking/article/details/43060745</guid><author>Olaking</author><pubDate>Fri, 23 Jan 2015 20:02:14 +0800</pubDate><description><![CDATA[在svm_train中-c和-g是最常用的两个参数，其中-c是设置C-SVC、e-SVR、n-SVR中从罚系数C，默认值为1；-g是核函数中函数设置。那么如何去选取最优的参数c和g呢？libsvm 的 python 子目录下面的 grid.py 可以帮助我们
    1.解压gnuplot，如果没有的话，可以在网上下载，网址为http://www.gnuplot.info/download.ht]]></description><category></category></item><item><title><![CDATA[关于svm_train的参数问题]]></title><link>https://blog.youkuaiyun.com/Olaking/article/details/43017329</link><guid>https://blog.youkuaiyun.com/Olaking/article/details/43017329</guid><author>Olaking</author><pubDate>Thu, 22 Jan 2015 11:49:08 +0800</pubDate><description><![CDATA[初次使用svm，不知道svm_train的参数该怎么设置，svm_train源码的注释里虽然有相关解释，但是看得云里雾里，如下：
Train an SVM model from data (y, x) or an svm_problem prob using
'options' or an svm_parameter param.
If '-v' is specified in 'optio]]></description><category></category></item><item><title><![CDATA[libsvm在python下的使用]]></title><link>https://blog.youkuaiyun.com/Olaking/article/details/42965093</link><guid>https://blog.youkuaiyun.com/Olaking/article/details/42965093</guid><author>Olaking</author><pubDate>Wed, 21 Jan 2015 10:44:18 +0800</pubDate><description><![CDATA[1.libsvm在python下的使用
由于研究需要，今天在学习支持向量机svm在python中的使用。看了svm的API后发现，貌似只有svm低级的方法，在网上查了之后才知道要下载libsvm，网址是http://www.csie.ntu.edu.tw/~cjlin/libsvm/。libsvm在python下的目录中包含了svm.py和svmutil.py，而svm.py接口主要包括了一些l]]></description><category></category></item><item><title><![CDATA[数据挖掘十大算法之Apriori算法原理及源码实现]]></title><link>https://blog.youkuaiyun.com/Olaking/article/details/42810865</link><guid>https://blog.youkuaiyun.com/Olaking/article/details/42810865</guid><author>Olaking</author><pubDate>Sat, 17 Jan 2015 21:31:16 +0800</pubDate><description><![CDATA[一、基本概念
    频繁模式：指频繁地出现在数据集中的模式。例如，频繁地同时出现在交易数据集中的商品（如牛奶和面包）的集合就是频繁项集。
    支持度：支持度的公式是support(A->B) = P(A U B)，即A和B同时出现的概率。
    置信度：置信度大的公式是confidence ( A-> B ) = P(A | B) = support ( A U B) / suppo]]></description><category></category></item><item><title><![CDATA[初学python--python中的self]]></title><link>https://blog.youkuaiyun.com/Olaking/article/details/42805489</link><guid>https://blog.youkuaiyun.com/Olaking/article/details/42805489</guid><author>Olaking</author><pubDate>Sat, 17 Jan 2015 15:07:37 +0800</pubDate><description><![CDATA[python中类的方法和普通函数的区别就是：它们必须有一个额外的第一个参数。一般情况下该参数以self命名，也可以换成其他名字，不过会降低程序的可读性。
    self代表类的实例，python会对self进行赋值，而程序员不需要对self赋值。
    举个例子来说明，MyClass类实例化得到MyObject对象，当MyObject对象调用MyClass中的方法method(arg1，a]]></description><category></category></item><item><title><![CDATA[初学python--pandas中MultilIndex的使用]]></title><link>https://blog.youkuaiyun.com/Olaking/article/details/42563485</link><guid>https://blog.youkuaiyun.com/Olaking/article/details/42563485</guid><author>Olaking</author><pubDate>Fri, 09 Jan 2015 22:14:54 +0800</pubDate><description><![CDATA[在pandas的DataFrame中经常使用多个索引，在pandas中成为MultiIndex对象，这篇文章介绍一下MultiIndex创建和使用方法：



引入所有需要的模块


创建两个对象，分别为colors和foods


打印出这两个数组来查看一下，注意tm.choice创建的数组是随机的，你利用同样的代码创建的数组和我的可能不一样


创建MultiInde]]></description><category></category></item></channel></rss>