引言

众所周知，考试前会刷题。但是考试大部分又不是原题，那考前刷题有什么用？我们考前做的题目的当然不是为了赌考试有一模一样的题（有可能也是。。。），我们是为了从题目中学到一般的知识，这样我们在遇到新题目的时候也可以根据知识来做出题目。其实在机器学习中，考前刷的题就是训练集，考试中的题就是我们模型之后遇到的新样本，而泛化就是我们的模型遇到新样本的表现（也就对应着考试的分数）。

引言

我们在完成一个机器学习任务比如线性回归，所使用数据的维度可能非常高(训练测试耗时大且占内存大)，或者属性之间可能具有相关性，比如奖学金和绩点（奖学金也反映了绩点的情况），这就会造成数据的冗余。这时我们就可以用到 PCA(Principal components analysis)主成分分析，来对数据进行降维，减小数据的冗余。

引言

我们创建一组数据，并绘出散点图。

1
2
3
4
5

x = np.random.uniform(-3, 3, size=100)
print(x.shape)
y = 0.5 + x**2 + x + 2 + np.random.normal(0, 1, size=100)
plt.scatter(x, y)
plt.show()

引言

在具体讨论 KNN 算法之前，我们先通过一个具体的例子引入。我们创建一个数据集，并将其可视化出来。

这篇文章主要针对Windows操作系统下，Anaconda3的使用指南，主要包括conda常用命令，jupyter notebook常用快捷键、修改默认工作目录、添加虚拟环境，后续如果有新内容会持续更新。

利用马萨诸塞州波士顿郊区的房屋信息数据，使用线性回归模型训练和测试一个房价预测模型，并对模型的性能和预测能力进行测试分析。使用的编程语言是python，主要使用了pandas、matplotlib、sklearn这几个包。

导入数据

Boston房价数据下载地址，提取码：nefu

在详细了解线性回归的所有知识点之前，我们先来了解一下线性回归的重要性。

• 理论层面的重要性

1. Linear Regression：是回归问题的基础
2. Logistic Regression：是分类问题的基础
3. 可扩展性：使用基函数来解决非线性问题

• 应用层面的重要性——在工业中最广泛应用的模型

1. 高效易用（简单、易训练）
2. 可解释性强（参数直接反应特征强弱）
3. 适合预估（概率形式）
4. 资源丰富（开源资料、文档、文献、论文）
   阅读全文 »

题目链接

点我(^_^)

题目大意

求矩阵中每个位置到最近0的距离（曼哈顿距离）

解题思路

题目链接

点我(^_^)

题目大意

返回最少地将字符串s分隔成全是回文子串的次数

解题思路

整个项目源代码可以到我的github上下载。前九个部分我们大致完成了书城项目的所有功能，第十部分我们做一个结尾，主要包括使用Filter过滤器进行权限检查，使用Filter和ThreadLocal组合管理事务，将异常同一交给Tomcat并展示友好的错误页面，使用Aajx请求改进功能。

Filter过滤器实现权限检查

我们要使用 Filter 过滤器拦截/pages/manager/所有内容，实现权限检查。

1. Filter的工作流程如下

   阅读全文 »