<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[leexurui的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/leexurui</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; leexurui]]></copyright><item><title><![CDATA[深度学习keras程序失败的解决办法]]></title><link>https://blog.youkuaiyun.com/leexurui/article/details/52352094</link><guid>https://blog.youkuaiyun.com/leexurui/article/details/52352094</guid><author>leexurui</author><pubDate>Mon, 29 Aug 2016 12:51:51 +0800</pubDate><description><![CDATA[首先，不要用pip install keras。 因为那个版本太老，经常各种bug。
如果说使用了pip install
keras，那么就会自动引用安装到python27下面lib文件里面的库了，这样不管怎么改下载下来的文件都没有用。
所以
直接到https://github.com/ogrisel/keras
 上面下载下来。

然后运行example文件夹下面的例子。
比如要使用imdb_l]]></description><category></category></item><item><title><![CDATA[Weka&nbsp;分类&nbsp;注意点]]></title><link>https://blog.youkuaiyun.com/leexurui/article/details/52352093</link><guid>https://blog.youkuaiyun.com/leexurui/article/details/52352093</guid><author>leexurui</author><pubDate>Mon, 29 Aug 2016 12:51:48 +0800</pubDate><description><![CDATA[注意点：

1、格式最好是weka默认的arff格式。不过weka也可以打开csv格式的文件（csv格式可以用空格、tab或者逗号隔开都行，但是一定要统一才可以。），然后可以点save，保存成为arff格式。
2、若是打开csv格式文件的话，第一行要一定要定义如图命名每一列的属性名称（随便命名比如图中的1 2 3 4 5 6 7 8
9或者a b c d e f g之类的，但列之间不能重复）。
分]]></description><category></category></item><item><title><![CDATA[scikitlearn/theano多分类问题详解]]></title><link>https://blog.youkuaiyun.com/leexurui/article/details/52352092</link><guid>https://blog.youkuaiyun.com/leexurui/article/details/52352092</guid><author>leexurui</author><pubDate>Mon, 29 Aug 2016 12:51:46 +0800</pubDate><description><![CDATA[入门先看下面两个网址
二分类：
http://python.jobbole.com/82208/
多分类：
http://blog.youkuaiyun.com/han_xiaoyang/article/details/50521072

下面说说改进及注意点：

上述博客的数据例子都是根据自己的意思随机生成的。
这边用iris数据进行扩展
由于iris数据是像下面这样的：

5.1,3.5,1.4,0.2,]]></description><category></category></item><item><title><![CDATA[数据挖掘技术（四）——聚类]]></title><link>https://blog.youkuaiyun.com/leexurui/article/details/52352091</link><guid>https://blog.youkuaiyun.com/leexurui/article/details/52352091</guid><author>leexurui</author><pubDate>Mon, 29 Aug 2016 12:51:43 +0800</pubDate><description><![CDATA[原文地址：数据挖掘技术（四）——聚类作者：人生的悲哀4、聚类

聚类分析提供由个别数据对象到数据对象所指派到簇的抽象。此外，一些聚类技术使用簇原型（即代表簇中其他对象的数据对象）来刻画簇的特征。聚类分析是研究发现最具有代表性的簇原型的技术。回归和PCA的时间复杂度都是O(m2)。注意：簇的定义是不精确的，而最好的定义依赖于数据的特征和期望的结果。聚类分析与其他将数据对象分组的技术有关。监督学习（也]]></description><category></category></item><item><title><![CDATA[评分卡模型剖析之一（woe、I…]]></title><link>https://blog.youkuaiyun.com/leexurui/article/details/52352090</link><guid>https://blog.youkuaiyun.com/leexurui/article/details/52352090</guid><author>leexurui</author><pubDate>Mon, 29 Aug 2016 12:51:41 +0800</pubDate><description><![CDATA[原文地址：评分卡模型剖析之一（woe、IV、ROC、信息熵）作者：数据挖掘工人信用评分卡模型在国外是一种成熟的预测方法，尤其在信用风险评估以及金融风险控制领域更是得到了比较广泛的使用，其原理是将模型变量WOE编码方式离散化之后运用logistic回归模型进行的一种二分类变量的广义线性模型。
     
 本文重点介绍模型变量WOE以及IV原理，为表述方便，本文将模型目标标量为1记为违约用户，对于目]]></description><category></category></item><item><title><![CDATA[读书笔记之三十二----《信用…]]></title><link>https://blog.youkuaiyun.com/leexurui/article/details/52352089</link><guid>https://blog.youkuaiyun.com/leexurui/article/details/52352089</guid><author>leexurui</author><pubDate>Mon, 29 Aug 2016 12:51:38 +0800</pubDate><description><![CDATA[原文地址：读书笔记之三十二----《信用评分模型技术与应用》（一）作者：zhaoxq第一章
信用评分模型在消费信贷管理中的应用
 
 从数理分析技术发展的层次上讲，信用评分模型的发展经历了3个历史阶段：
 
 1、以客户分类为核心的信用分析。使用一些描述性统计方法来对客户资信信息进行简单分析、分类。
 
 2、以预测模型为核心的信用评分模型。至今是欧美消费信贷管理中使用最广泛、发展最完善的技术。
]]></description><category></category></item><item><title><![CDATA[Spark的最短路径详解]]></title><link>https://blog.youkuaiyun.com/leexurui/article/details/52352088</link><guid>https://blog.youkuaiyun.com/leexurui/article/details/52352088</guid><author>leexurui</author><pubDate>Mon, 29 Aug 2016 12:51:35 +0800</pubDate><description><![CDATA[import org.apache.spark.graphx._  
import org.apache.spark.SparkContext  
import org.apache.log4j.{Level, Logger}
import org.apache.spark.{SparkContext, SparkConf}
import org.apache.spark.rdd.RDD
// I]]></description><category></category></item><item><title><![CDATA[Spark&nbsp;mlib&nbsp;FPGrowth&amp;nb…]]></title><link>https://blog.youkuaiyun.com/leexurui/article/details/52352087</link><guid>https://blog.youkuaiyun.com/leexurui/article/details/52352087</guid><author>leexurui</author><pubDate>Mon, 29 Aug 2016 12:51:33 +0800</pubDate><description><![CDATA[MLlib’s FP-growth implementation takes the following
(hyper-)parameters:


minSupport: the minimum support for an itemset to be
identified as frequent. For example, if an item appears 3 out of 5
trans]]></description><category></category></item><item><title><![CDATA[Spark&nbsp;SQL重点]]></title><link>https://blog.youkuaiyun.com/leexurui/article/details/52352086</link><guid>https://blog.youkuaiyun.com/leexurui/article/details/52352086</guid><author>leexurui</author><pubDate>Mon, 29 Aug 2016 12:51:30 +0800</pubDate><description><![CDATA[Spark SQL允许Spark执行用SQL,
HiveQL或者Scala表示的关系查询。这个模块的核心是一个新类型的RDD-SchemaRDD。 


1、使用反射来推断包含特定对象类型的RDD的模式(schema)。在你写spark程序的同时，当你已经知道了模式，这种基于反射的
方法可以使代码更简洁并且程序工作得更好。

例如


sc.textFile("examples/src/main/]]></description><category></category></item><item><title><![CDATA[Spark&nbsp;Stream&nbsp;教程]]></title><link>https://blog.youkuaiyun.com/leexurui/article/details/52352085</link><guid>https://blog.youkuaiyun.com/leexurui/article/details/52352085</guid><author>leexurui</author><pubDate>Mon, 29 Aug 2016 12:51:27 +0800</pubDate><description><![CDATA[import org.apache.spark.SparkConf
import org.apache.spark.storage.StorageLevel
import org.apache.spark.streaming.{Seconds,
StreamingContext}
import org.apache.log4j.{Level, Logger}
import java.util.co]]></description><category></category></item><item><title><![CDATA[Spark&nbsp;map&nbsp;处理表格数据]]></title><link>https://blog.youkuaiyun.com/leexurui/article/details/52352083</link><guid>https://blog.youkuaiyun.com/leexurui/article/details/52352083</guid><author>leexurui</author><pubDate>Mon, 29 Aug 2016 12:51:25 +0800</pubDate><description><![CDATA[map 处理表格数据"  TITLE="Spark map 处理表格数据" />

总结：
- Spark 中 map函数会对每一条输入进行指定的操作，然后为每一条输入返回一个对象；
- 而flatMap函数则是两个操作的集合——正是“先映射后扁平化”：
 
 操作1：同map函数一样：对每一条输入进行指定的操作，然后为每一条输入返回一个对象
   操作2：最后将所有对象合并为一个对象

使用ma]]></description><category></category></item><item><title><![CDATA[社交网络分析：网络中心性]]></title><link>https://blog.youkuaiyun.com/leexurui/article/details/52352082</link><guid>https://blog.youkuaiyun.com/leexurui/article/details/52352082</guid><author>leexurui</author><pubDate>Mon, 29 Aug 2016 12:51:22 +0800</pubDate><description><![CDATA[原文地址：社交网络分析：网络中心性作者：酸嘢本文为Social Network
Analysis学习笔记，课程地址为https://www.coursera.org/course/sna。

对于中心性(centrality)的不同观点
在下面每一个网络中，X都相对Y具有更高的中心性。


定量度中心性
在每个节点上标注节点度。例如，拥有朋友越多的节点其中心性越高。

其标准化就是用节点度除以最大]]></description><category></category></item><item><title><![CDATA[如何利用Nodexl画图——以绘制…]]></title><link>https://blog.youkuaiyun.com/leexurui/article/details/52352080</link><guid>https://blog.youkuaiyun.com/leexurui/article/details/52352080</guid><author>leexurui</author><pubDate>Mon, 29 Aug 2016 12:51:20 +0800</pubDate><description><![CDATA[原文地址：如何利用Nodexl画图——以绘制文献作者关系图为例作者：starfire 
Nodexl是Network Overview,
Discovery and Exploration for
EXCEL的英文缩写，用以进行社会网络分析，由于其学习上手快，后期又具有丰富的功能和灵活的定制，应用较为广泛。
笔者在大致阅览相关论文和软件说明后，有了一些入门级别的思考，记录仅供学习交流。下面就具体介]]></description><category></category></item><item><title><![CDATA[关于Hadoop的GenericOptionsParser…]]></title><link>https://blog.youkuaiyun.com/leexurui/article/details/52352079</link><guid>https://blog.youkuaiyun.com/leexurui/article/details/52352079</guid><author>leexurui</author><pubDate>Mon, 29 Aug 2016 12:51:18 +0800</pubDate><description><![CDATA[由于集群为hadoop配置了执行队列，所以如果我们程序写成下面这样的话：

     
    Configuration conf = new
Configuration();
   
 String[] otherArgs = new
GenericOptionsParser(conf, args).getRemainingArgs();
     
...........
   
 File]]></description><category></category></item><item><title><![CDATA[scala&nbsp;重点语法总结]]></title><link>https://blog.youkuaiyun.com/leexurui/article/details/52352078</link><guid>https://blog.youkuaiyun.com/leexurui/article/details/52352078</guid><author>leexurui</author><pubDate>Mon, 29 Aug 2016 12:51:15 +0800</pubDate><description><![CDATA[Scala 有两种变量， val 和
var
 其中val不可变，var可变

val msg: String
=
"Hello yet again,
world!"
或者类型推断
val msg = "Hello,
world!"


重点语法总结"  TITLE="scala 重点语法总结" />
如果函数仅由一个句子组成，你可以可选地不写大括号。
def max2(x: Int, y: In]]></description><category></category></item><item><title><![CDATA[python将句子中两个子串位置互换的…]]></title><link>https://blog.youkuaiyun.com/leexurui/article/details/52352076</link><guid>https://blog.youkuaiyun.com/leexurui/article/details/52352076</guid><author>leexurui</author><pubDate>Mon, 29 Aug 2016 12:51:13 +0800</pubDate><description><![CDATA[想要将文中所有的类似

AA。\cite{JAP77,
Solid3439}BB。\cite{JAP89,
Solid3439}CC
替换为
AA\cite{JAP77, Solid3439}。BB\cite{JAP89, Solid3439}。CC

即。与 \cite{....} 互换位置

采用非贪婪匹配，边界条件都用*?来匹配即可。

import sys 
import os 
impo]]></description><category></category></item><item><title><![CDATA[python&nbsp;连接mysql]]></title><link>https://blog.youkuaiyun.com/leexurui/article/details/52352075</link><guid>https://blog.youkuaiyun.com/leexurui/article/details/52352075</guid><author>leexurui</author><pubDate>Mon, 29 Aug 2016 12:51:11 +0800</pubDate><description><![CDATA[首先下载 mysqldb， 最好是一个exe（对应python2.7
或者3.。。要选对版本，例如我随便下了一个http://www.cr173.com/soft/22957.html），直接双击安装就行了。



先 执行import MySQLdb，然后

>>> db =
MySQLdb.connect("localhost","root","1234567","bookmanage" )
]]></description><category></category></item><item><title><![CDATA[Linux&nbsp;screen]]></title><link>https://blog.youkuaiyun.com/leexurui/article/details/52352074</link><guid>https://blog.youkuaiyun.com/leexurui/article/details/52352074</guid><author>leexurui</author><pubDate>Mon, 29 Aug 2016 12:51:08 +0800</pubDate><description><![CDATA[系统管理员经常需要SSH 或者telent 远程登录到Linux 服务器，经常运行一些需要很长时间才能完成的任务，比如系统备份、ftp 传输等等。通常情况下我们都是为每一个这样的任务开一个远程终端窗口，因为它们执行的时间太长了。必须等待它们执行完毕，在此期间不能关掉窗口或者断开连接，否则这个任务就会被杀掉，一切半途而废了。



用screen解决这个问题



先安装 yum install s]]></description><category></category></item><item><title><![CDATA[Python的Nltk包安装使用]]></title><link>https://blog.youkuaiyun.com/leexurui/article/details/52352073</link><guid>https://blog.youkuaiyun.com/leexurui/article/details/52352073</guid><author>leexurui</author><pubDate>Mon, 29 Aug 2016 12:51:05 +0800</pubDate><description><![CDATA[Python的Nltk包
安装方法
http://www.nltk.org/install.html


使用



>>> import nltk  

>>> nltk.download()
 





nltk.download()
 太慢了，所以我先手动下载好，解压，放到/usr/local/share/nltk_data
目录下






[root@10-10-198-186 nl]]></description><category></category></item><item><title><![CDATA[Large&nbsp;Scale&nbsp;Dist…]]></title><link>https://blog.youkuaiyun.com/leexurui/article/details/52352070</link><guid>https://blog.youkuaiyun.com/leexurui/article/details/52352070</guid><author>leexurui</author><pubDate>Mon, 29 Aug 2016 12:51:03 +0800</pubDate><description><![CDATA[原文地址：Scale Distributed Deep Networks 中译文">Large Scale Distributed Deep Networks 中译文作者：DeepLearner





大规模分布式深度网络

（Large Scale Distributed Deep
Networks）

Jeffrey Dean, Greg S. Corrado,
Rajat Monga, ]]></description><category></category></item></channel></rss>