面向未来的历史

拉格朗日插值数学原理：根据数学知识，对于平面上已知的n个点（无两点在一条直线上）可以找到一个 n-1 次多项式： y=a0+a1x+a2x2+...+an−1xn−1y=a_0 +a_1x+ a_2x^2+ ... + a_{n-1}x^{n-1}为了进行根据新的x， 求出对应的 y值，需要求出上式中的系数 a0,a1,a2....an−1a_0, a_1, a_2.... a_{n-1}因为n个

python中进行hash加密1 使用hashlib模块使用方法如下 import hashlib m = hashlib.md5() m.update("ff") m.update("aa") m.digest()导入hashlib模块，建立md5 hash对象，然后，添加要hash加密的字符。 每次进行update时，都是在原来的字符基础上添加字符。即：m.update(“ff”),

特征选择（Feature Selection）:choosing a subset of all the features(the ones more informative)。最终得到的特征选是原来特征的一个子集。特征选取是机器学习领域非常重要的一个方向。 主要有两个功能：（1）减少特征数量、降维，使模型泛化能力更强，减少过拟合（2）增强度特征和特征值之间的理解1,

常见文本相似度计算方法：1 向量空间模型VSM（Vector Space Model）。使用VSM计算相似度，先对文本进行分词，然后建立文本向量，把相似度的计算转换成某种特征向量距离的计算，比如余弦角、欧式距离、Jaccard相似系数等。这种方法存在很大一个问题：需要对文本两两进行相似度比较，无法扩展到海量文本的处理。 使用介绍可以参考 Corpora and Vector Spaces， 以及T

常见URL过滤方法1 直接查询比较即假设要存储url A，在入库前首先查询url库中是否存在 A,如果存在，则url A 不入库，否则存入url库。这种方法准确性高，但是一旦数据量变大，占用的存储空间也变大，同时，由于要查库，数据一多，查询时间变长，存储效率下降。2 基于hash的存储对于给定的url，通过建立的hash函数，来获得对应的hash值，并将该值存入库中。当在检查url是否存在库中时