<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[WJWFighting的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/WJWFighting</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; WJWFighting]]></copyright><item><title><![CDATA[Linux top命令的了解以及使用]]></title><link>https://blog.youkuaiyun.com/WJWFighting/article/details/124961077</link><guid>https://blog.youkuaiyun.com/WJWFighting/article/details/124961077</guid><author>WJWFighting</author><pubDate>Wed, 25 May 2022 12:25:51 +0800</pubDate><description><![CDATA[以root权限运行 top 命令后，会以全屏的方式显示，并且会处在对话的模式

操作实例:

root登录之后，在命令行中输入 ：top，回车，即会以全屏的显示模式显示所有内容。整个界面分为三大部分：系统信息栏、内部命令提示栏 、进程列表显示栏。



第一部分-- 系统信息栏（ 最上部） ：



第一行（top）：

“08:57:16”为系统当前时刻；

“up 27 days”为系统运行了27天；

“19：23”为系统启动后到现在的运作时间；

“44 users”为当前登录到操作系统的用户，这里]]></description><category></category></item><item><title><![CDATA[回归模型——树回归（理论方面的知识）]]></title><link>https://blog.youkuaiyun.com/WJWFighting/article/details/81568703</link><guid>https://blog.youkuaiyun.com/WJWFighting/article/details/81568703</guid><author>WJWFighting</author><pubDate>Thu, 04 Jul 2019 15:08:31 +0800</pubDate><description><![CDATA[一：模型介绍

1.线性回归的薄弱处：

1.1. 需要拟合所有的样本点（局部加权线性回归除外）但是当数据拥有众多特征并且特征之间关系十分复杂时，构建全局模型的想法就显得太难了，也略显笨拙。

1.2. 生活中很多问题都是非线性的，不可能使用全局线性模型来拟合任何数据

2.解决方案：

树回归：将数据集切分成很多份易建模的数据，然后利用我们的线性回归技术来建模。如果首次切分后仍然难以拟合线性模型...]]></description><category></category></item><item><title><![CDATA[【机器学习详解】SVM解回归问题]]></title><link>https://blog.youkuaiyun.com/WJWFighting/article/details/82946759</link><guid>https://blog.youkuaiyun.com/WJWFighting/article/details/82946759</guid><author>WJWFighting</author><pubDate>Fri, 05 Oct 2018 20:30:02 +0800</pubDate><description><![CDATA[1.方法分析

在样本数据集(xn,tn)(xn,tn)中，tntn不是简单的离散值，而是连续值。如在线性回归中，预测房价的问题。与线性回归类似，目标函数是正则平方误差函数：
在SVM回归算法中，目的是训练出超平面y=wTx+by=wTx+b，采用yn=wTxn+byn=wTxn+b作为预测值。为了获得稀疏解，即计算超平面参数w,bw,b不依靠所有样本数据，而是部分数据（如在SVM分类算法中，支持...]]></description><category></category></item><item><title><![CDATA[通俗理解kaggle比赛大杀器xgboost]]></title><link>https://blog.youkuaiyun.com/WJWFighting/article/details/82709471</link><guid>https://blog.youkuaiyun.com/WJWFighting/article/details/82709471</guid><author>WJWFighting</author><pubDate>Fri, 14 Sep 2018 22:24:45 +0800</pubDate><description><![CDATA[1 决策树

举个例子，集训营某一期有100多名学员，假定给你一个任务，要你统计男生女生各多少人，当一个一个学员依次上台站到你面前时，你会怎么区分谁是男谁是女呢？

很快，你考虑到男生的头发一般很短，女生的头发一般比较长，所以你通过头发的长短将这个班的所有学员分为两拨，长发的为“女”，短发为“男”。

相当于你依靠一个指标“头发长短”将整个班的人进行了划分，于是形成了一个简单的决策树，而划分的依据...]]></description><category></category></item><item><title><![CDATA[支持向量机通俗导论（理解SVM的三层境界）]]></title><link>https://blog.youkuaiyun.com/WJWFighting/article/details/82704655</link><guid>https://blog.youkuaiyun.com/WJWFighting/article/details/82704655</guid><author>WJWFighting</author><pubDate>Fri, 14 Sep 2018 16:10:56 +0800</pubDate><description><![CDATA[前言

    动笔写这个支持向量机(support vector machine)是费了不少劲和困难的，原因很简单，一者这个东西本身就并不好懂，要深入学习和研究下去需花费不少时间和精力，二者这个东西也不好讲清楚，尽管网上已经有朋友写得不错了(见文末参考链接)，但在描述数学公式的时候还是显得不够。得益于同学白石的数学证明，我还是想尝试写一下，希望本文在兼顾通俗易懂的基础上，真真正正能足以成为一篇完...]]></description><category></category></item><item><title><![CDATA[线程，进程，协程详细解释]]></title><link>https://blog.youkuaiyun.com/WJWFighting/article/details/82589177</link><guid>https://blog.youkuaiyun.com/WJWFighting/article/details/82589177</guid><author>WJWFighting</author><pubDate>Mon, 10 Sep 2018 14:38:05 +0800</pubDate><description><![CDATA[什么是进程和线程

进程是什么呢？

直白地讲，进程就是应用程序的启动实例。比如我们运行一个游戏，打开一个软件，就是开启了一个进程。

进程拥有代码和打开的文件资源、数据资源、独立的内存空间。

线程又是什么呢？

线程从属于进程，是程序的实际执行者。一个进程至少包含一个主线程，也可以有更多的子线程。

线程拥有自己的栈空间。



有人给出了很好的归纳：

对操作系统来说，线程是最小的执行单元，...]]></description><category></category></item><item><title><![CDATA[特征选择之包裹式、嵌入式]]></title><link>https://blog.youkuaiyun.com/WJWFighting/article/details/82587017</link><guid>https://blog.youkuaiyun.com/WJWFighting/article/details/82587017</guid><author>WJWFighting</author><pubDate>Mon, 10 Sep 2018 11:31:49 +0800</pubDate><description><![CDATA[包裹式
主要思想是反复的构建模型（如SVM或者回归模型）然后选择最好的（或者最差的）特征（可以根据系数来选）
把选出来的特征选出来，然后在剩余的特征上重复这个过程，直到所有的特征都遍历过
这个过程特征被消除的次序就是特征的排序，因此这是一种寻找最优特征子集的贪心算法


from sklearn.svm import  LinearSVC
from sklearn.datasets import ...]]></description><category></category></item><item><title><![CDATA[数据预处理_数据标准化]]></title><link>https://blog.youkuaiyun.com/WJWFighting/article/details/82586362</link><guid>https://blog.youkuaiyun.com/WJWFighting/article/details/82586362</guid><author>WJWFighting</author><pubDate>Mon, 10 Sep 2018 11:05:38 +0800</pubDate><description><![CDATA[minmax标准化离差

公式：按列看，（x-min）/(max-min)


X_train = np.array([[1,-1,2],
                   [2,0,0],
                   [0,1,-1]])
min_max_scaler = preprocessing.MinMaxScaler()
X_train_minmax = min_max_s...]]></description><category></category></item><item><title><![CDATA[机器不学习：机器学习时代的三大神器:GBDT,XGBOOST和LightGBM]]></title><link>https://blog.youkuaiyun.com/WJWFighting/article/details/82532847</link><guid>https://blog.youkuaiyun.com/WJWFighting/article/details/82532847</guid><author>WJWFighting</author><pubDate>Sat, 08 Sep 2018 20:16:08 +0800</pubDate><description><![CDATA[本文主要简要的比较了常用的boosting算法的一些区别，从AdaBoost到LightGBM,包括AdaBoost,GBDT,XGBoost,LightGBM四个模型的简单介绍，一步一步从原理到优化对比。

AdaBoost原理

原始的AdaBoost算法是在算法开始的时候，为每一个样本赋上一个权重值，初始的时候，大家都是一样重要的。在每一步训练中得到的模型，会使得数据点的估计有对有错，我们就...]]></description><category></category></item><item><title><![CDATA[判别式模型与生成式模型]]></title><link>https://blog.youkuaiyun.com/WJWFighting/article/details/82391142</link><guid>https://blog.youkuaiyun.com/WJWFighting/article/details/82391142</guid><author>WJWFighting</author><pubDate>Tue, 04 Sep 2018 21:57:13 +0800</pubDate><description><![CDATA[判别式模型与生成式模型的区别

产生式模型(Generative Model)与判别式模型(Discrimitive Model)是分类器常遇到的概念，它们的区别在于：

对于输入x，类别标签y：
产生式模型估计它们的联合概率分布P(x,y) 
判别式模型估计条件概率分布P(y|x) 
产生式模型可以根据贝叶斯公式得到判别式模型，但反过来不行。
Andrew Ng在NIPS2001年有一篇专门比较...]]></description><category></category></item><item><title><![CDATA[机器学习——性能度量_回归]]></title><link>https://blog.youkuaiyun.com/WJWFighting/article/details/82389464</link><guid>https://blog.youkuaiyun.com/WJWFighting/article/details/82389464</guid><author>WJWFighting</author><pubDate>Tue, 04 Sep 2018 20:06:58 +0800</pubDate><description><![CDATA[回归预测误差的绝对值的平均值（mae），回归预测误差的平方的平均值（mse）


from sklearn.metrics import mean_absolute_error,mean_squared_error,r2_score

def test_mean_absolute_error():
    y_true=[1,1,1,1,1,2,2,2,0,0]
    y_pred=[0,0,0...]]></description><category></category></item><item><title><![CDATA[机器学习——性能度量_分类]]></title><link>https://blog.youkuaiyun.com/WJWFighting/article/details/82389083</link><guid>https://blog.youkuaiyun.com/WJWFighting/article/details/82389083</guid><author>WJWFighting</author><pubDate>Tue, 04 Sep 2018 19:46:17 +0800</pubDate><description><![CDATA[
from sklearn.metrics import accuracy_score,precision_score,recall_score,f1_score\
    ,fbeta_score,classification_report,confusion_matrix,precision_recall_curve,roc_auc_score\
    ,roc_curve
from skl...]]></description><category></category></item><item><title><![CDATA[特征选择_过滤特征选择]]></title><link>https://blog.youkuaiyun.com/WJWFighting/article/details/82288171</link><guid>https://blog.youkuaiyun.com/WJWFighting/article/details/82288171</guid><author>WJWFighting</author><pubDate>Sat, 01 Sep 2018 16:17:28 +0800</pubDate><description><![CDATA[一：方差选择法：
使用方差作为特征评分标准，如果某个特征的取值差异不大，通常认为该特征对区分样本的贡献度不大
因此在构造特征过程中去掉方差小于阈值特征


from sklearn.datasets import  load_iris
iris=load_iris()
print('iris特征名称\n',iris.feature_names)
print('iris特征矩阵\n',iris.da...]]></description><category></category></item><item><title><![CDATA[数据预处理过程]]></title><link>https://blog.youkuaiyun.com/WJWFighting/article/details/82288059</link><guid>https://blog.youkuaiyun.com/WJWFighting/article/details/82288059</guid><author>WJWFighting</author><pubDate>Sat, 01 Sep 2018 16:07:15 +0800</pubDate><description><![CDATA[1，去除唯一属性： 
如id属性，自增列，含唯一值的列，这些属性并不能描述本身的分布规律。 2，处理缺失值： 
(1)直接使用含有缺失值的特征，如决策树算法。 
(2)删除含有缺失值的特征,如果特征列含有大量缺失值，而仅包含极少量的有效值，则删除是最有效的。 
(3)缺失值补全，其思想是用最有可能的值来插补缺失值 
常见的缺失值补全方法：均值插补、同类均值插补、建模预测、高维映射、多重插补、极大似...]]></description><category></category></item><item><title><![CDATA[机器学习中的范数规则化之（一）L0、L1与L2范数]]></title><link>https://blog.youkuaiyun.com/WJWFighting/article/details/82285179</link><guid>https://blog.youkuaiyun.com/WJWFighting/article/details/82285179</guid><author>WJWFighting</author><pubDate>Sat, 01 Sep 2018 10:50:43 +0800</pubDate><description><![CDATA[今天我们聊聊机器学习中出现的非常频繁的问题：过拟合与规则化。我们先简单的来理解下常用的L0、L1、L2和核范数规则化。最后聊下规则化项参数的选择问题。这里因为篇幅比较庞大，为了不吓到大家，我将这个五个部分分成两篇博文。知识有限，以下都是我一些浅显的看法，如果理解存在错误，希望大家不吝指正。谢谢。

 

       监督机器学习问题无非就是“minimizeyour error while re...]]></description><category></category></item><item><title><![CDATA[XGBoost参数调优完全指南（附Python代码）]]></title><link>https://blog.youkuaiyun.com/WJWFighting/article/details/82116237</link><guid>https://blog.youkuaiyun.com/WJWFighting/article/details/82116237</guid><author>WJWFighting</author><pubDate>Mon, 27 Aug 2018 17:24:04 +0800</pubDate><description><![CDATA[简介

如果你的预测模型表现得有些不尽如人意，那就用XGBoost吧。XGBoost算法现在已经成为很多数据工程师的重要武器。它是一种十分精致的算法，可以处理各种不规则的数据。
构造一个使用XGBoost的模型十分简单。但是，提高这个模型的表现就有些困难(至少我觉得十分纠结)。这个算法使用了好几个参数。所以为了提高模型的表现，参数的调整十分必要。在解决实际问题的时候，有些问题是很难回答的——你需要...]]></description><category></category></item><item><title><![CDATA[通俗、有逻辑的写一篇说下Xgboost的原理，供讨论参考]]></title><link>https://blog.youkuaiyun.com/WJWFighting/article/details/82111624</link><guid>https://blog.youkuaiyun.com/WJWFighting/article/details/82111624</guid><author>WJWFighting</author><pubDate>Mon, 27 Aug 2018 14:13:56 +0800</pubDate><description><![CDATA[首先说下决策树


	决策树是啥？ 
	举个例子，有一堆人，我让你分出男女，你依靠头发长短将人群分为两拨，长发的为“女”，短发为“男”，你是不是依靠一个指标“头发长短”将人群进行了划分，你就形成了一个简单的决策树，官方细节版本自行baidu或google
	
	
	划分的依据是啥？ 
	这个时候，你肯定问，为什么用“头发长短”划分啊，我可不可以用“穿的鞋子是否是高跟鞋”，“有没有喉结”等等这些来划...]]></description><category></category></item><item><title><![CDATA[[main] net.DNS: Unable to determine address of the host-falling back to "localhost" address 解决方案]]></title><link>https://blog.youkuaiyun.com/WJWFighting/article/details/82081286</link><guid>https://blog.youkuaiyun.com/WJWFighting/article/details/82081286</guid><author>WJWFighting</author><pubDate>Sun, 26 Aug 2018 16:01:08 +0800</pubDate><description><![CDATA[问题出处：虚拟机Ubuntu在安装Hbase单节点时遇到这问题

解决方案：

1.先查看下/etc/hostname 下的name(假设这里的内容是master，便于我下面的操作)

 cat /etc/hostname

2.编辑/etc/hosts 的内容，添加xxxx.xxxx.xxxx.xxxx    master(xxxx.xxxx.xxxx.xxxx是你虚拟机的ip，可以通过ifco...]]></description><category></category></item><item><title><![CDATA[scikit-learn随机森林调参小结]]></title><link>https://blog.youkuaiyun.com/WJWFighting/article/details/82081204</link><guid>https://blog.youkuaiyun.com/WJWFighting/article/details/82081204</guid><author>WJWFighting</author><pubDate>Sun, 26 Aug 2018 15:38:12 +0800</pubDate><description><![CDATA[在Bagging与随机森林算法原理小结中，我们对随机森林(Random Forest, 以下简称RF）的原理做了总结。本文就从实践的角度对RF做一个总结。重点讲述scikit-learn中RF的调参注意事项，以及和GBDT调参的异同点。

1. scikit-learn随机森林类库概述

　　　　在scikit-learn中，RF的分类类是RandomForestClassifier，回归类是Ra...]]></description><category></category></item><item><title><![CDATA[HBase单节点和伪分布式配置]]></title><link>https://blog.youkuaiyun.com/WJWFighting/article/details/82050919</link><guid>https://blog.youkuaiyun.com/WJWFighting/article/details/82050919</guid><author>WJWFighting</author><pubDate>Sat, 25 Aug 2018 14:03:21 +0800</pubDate><description><![CDATA[单节点安装：

解压文件并移动到当前用户的hbase-2.0.0目录下
	tar –zxvf hbase-2.0.0-beta-1-bin.tar.gz
		mkdir ~/hbase-2.0.0  
		mv hbase-2.0.0-beta-1/*  ~/hbase-2.0.0
	
	环境配置：
Sudo vim /etc/profile

export HBASE_HOME=/home/na...]]></description><category></category></item></channel></rss>