weka聚类结果

=== Run information ===

Scheme:       weka.clusterers.SimpleKMeans -N 3 -S 10
Relation:     aticle
Instances:    372
Attributes:   451
              [list of attributes omitted]
Test mode:    evaluate on training data

=== Model and evaluation on training set ===

kMeans
======

Number of iterations: 11
Within cluster sum of squared errors: 6138.005013093585

Cluster centroids:

Cluster 0
Mean/Mode: 0.0691 0.0619 0.0601 0.0571 0.0646 0.0468 0.0355 0.059 0.0573 0.055 0.0536 0.0278 0.0335 0.0531 0.0391 0.0503 0.0311 0.0287 0.0284 0.0385 0.0423 0.0383 0.0449 0.0245 0.0266 0.0181 0.0629 0.0299 0.0032 0.0141 0.0403 0.0388 0.0173 0.0266 0.0194 0.0221 0.0215 0.0398 0.0131 0.0374 0.0229 0.0157 0.0296 0.0091 0.0175 0.0143 0.0278 0.0077 0.0149 0.0077 0.0258 0.0192 0.0165 0.008 0.0252 0.0317 0.0124 0.0175 0.0262 0.0189 0.0299 0.0256 0.0187 0.0231 0.0079 0.0178 0.0311 0.0169 0.0201 0.0161 0.0126 0.0072 0.0154 0.022 0.0179 0.0188 0.0233 0.0055 0.0199 0.026 0.0022 0.0039 0.0273 0.0184 0.0069 0.0205 0.0238 0.0126 0.0156 0.0204 0.0141 0.0017 0.0169 0.0225 0.0232 0.0105 0.0337 0.0177 0.0182 0.0149 0.0091 0.016 0.0255 0.0211 0.0085 0.0153 0.009 0.0287 0.0118 0.0124 0.0179 0.0118 0.0241 0.0161 0.0099 0.0097 0.018 0.0081 0.0108 0.0125 0.0115 0.0156 0.0083 0.007 0.0022 0.0072 0.009 0.0149 0.0152 0.0155 0.0091 0.0128 0.0123 0.0072 0.0164 0.02 0.023 0.0122 0.0092 0.0141 0.0076 0.0132 0.0107 0.0171 0.0116 0.0105 0.0085 0.033 0.0058 0.0195 0.0137 0.0111 0.012 0.0117 0.0045 0.0067 0.0129 0.0074 0.0068 0.0063 0.0244 0.0185 0.0051 0.0154 0.0048 0.0012 0.0179 0.0125 0.0068 0.0146 0.0088 0.016 0.0275 0.0085 0.0093 0.002 0.0176 0.0115 0.0038 0.0231 0.004 0.014 0.0121 0.0143 0.0062 0.0132 0.0145 0.0112 0.0047 0.0107 0.023 0.0134 0.0065 0.0195 0 0.0092 0.0009 0.0093 0.0123 0.0152 0.0125 0.0018 0.005 0.0089 0.0096 0.0129 0.0271 0.0108 0.0042 0.0143 0.0064 0.0108 0.0099 0.005 0.0073 0.0222 0.0118 0.0113 0.0078 0.0055 0.0111 0.0087 0.0154 0.0036 0.0119 0.0131 0.0014 0.0127 0.0061 0.0015 0.0113 0.0089 0.0043 0.0151 0.0199 0.0093 0.002 0.0087 0.0111 0.0104 0.0078 0.0062 0.0075 0.0151 0.0079 0.0024 0.0069 0.02 0.0052 0.0091 0.0141 0.0084 0.0041 0.0181 0 0 0.0031 0.0141 0.0181 0.0107 0.0034 0.0155 0.0123 0.0112 0.0072 0.0069 0.0053 0.0077 0.0055 0.0102 0.009 0.0119 0.007 0.0077 0.0109 0.0065 0.0024 0.0157 0.0066 0 0.0099 0.0022 0.0071 0.0096 0 0.01 0.012 0.006 0.018 0.0042 0.0102 0.0153 0.0099 0.0126 0.0047 0.0063 0.0141 0.0032 0.0168 0.0082 0.0052 0.0113 0 0.0052 0.0091 0.0119 0.003 0.0097 0.0096 0.003 0.0131 0.0079 0.0053 0.0066 0.0148 0.0049 0.0092 0.0145 0.0084 0.004 0.0053 0.0034 0.0017 0.0118 0.0021 0.0181 0.0059 0.005 0.0024 0.0243 0.0082 0.0096 0.0098 0.0066 0.0081 0.0038 0.004 0.0038 0.0081 0.0023 0.0048 0.0034 0.0121 0.0068 0.0074 0.0063 0.0046 0.0098 0.0147 0.0063 0.0075 0.0047 0.0038 0.0045 0.0018 0.0109 0.0145 0.0197 0.0079 0.0055 0.0026 0.008 0.0086 0.0032 0.0059 0.0125 0 0.003 0.0092 0.0052 0.0107 0.003 0.0082 0.0014 0.0074 0.0043 0 0.0138 0.0061 0.0079 0.0051 0.0053 0.0091 0.0173 0.0088 0.0032 0.0156 0.0195 0.0096 0.0025 0.0021 0.0107 0.0051 0.0026 0.0049 0.0013 0.0059 0.0096 0.0072 0.0051 0.0095 0.0035 0.0072 0.0066 0.0184 0.0068 0.0091 0.0065 0.008 0.0017 0 0.0121 0.0055 0.0079 0.0027 0.0049 0.0031 0.0071 0.0045 0.0123 0.0073 0.0068 0.0016 0.0019 0.0102 0.0056 0.0071 0.0015 0.0036 0.0064 0.0031 0.0054 0.0013 0 0.0026 0.001 0.0011 0.0066 0.002 0.013 0.0062 0.0011 0.0101 0.0061 0.0072 0.0085 0 0.0023 0.0038 0.0062 0.0043
Std Devs:   0.0557 0.0463 0.0581 0.0442 0.0561 0.0503 0.0581 0.0578 0.0776 0.0573 0.062 0.0566 0.0531 0.0797 0.0528 0.0787 0.0468 0.0499 0.049 0.0633 0.0616 0.0603 0.078 0.0552 0.0515 0.0432 0.1148 0.0555 0.0178 0.0396 0.0673 0.0578 0.0438 0.0496 0.0437 0.0541 0.0498 0.0679 0.0406 0.0615 0.0545 0.0398 0.0551 0.0321 0.0415 0.0435 0.0551 0.0308 0.039 0.0308 0.0522 0.0472 0.0419 0.0297 0.05 0.0591 0.036 0.0493 0.0521 0.0466 0.0713 0.0476 0.0432 0.0481 0.0313 0.0424 0.0648 0.0495 0.0494 0.0451 0.0418 0.0304 0.0419 0.0547 0.0484 0.0497 0.0557 0.0253 0.0501 0.06 0.0181 0.0221 0.0568 0.0451 0.0274 0.0536 0.0586 0.0466 0.0436 0.0537 0.0395 0.0139 0.0491 0.0634 0.0679 0.0359 0.076 0.0447 0.0512 0.0454 0.0337 0.0447 0.0687 0.0552 0.0316 0.0448 0.0336 0.0869 0.0393 0.0397 0.0567 0.0375 0.0613 0.0454 0.0393 0.0363 0.0503 0.0302 0.0361 0.038 0.0365 0.0453 0.0329 0.0298 0.0181 0.0285 0.0317 0.0433 0.0483 0.0545 0.0417 0.0503 0.0411 0.0283 0.0527 0.0609 0.0548 0.0451 0.0342 0.0469 0.0389 0.046 0.0421 0.0569 0.0492 0.0388 0.0339 0.0969 0.0295 0.0592 0.0455 0.0391 0.0422 0.0414 0.0258 0.0305 0.039 0.0313 0.0313 0.0288 0.0659 0.0734 0.0254 0.0489 0.0244 0.0139 0.0521 0.0396 0.0315 0.052 0.0347 0.0435 0.0873 0.0358 0.0431 0.0162 0.043 0.0425 0.0215 0.0809 0.0229 0.0447 0.0423 0.0403 0.0286 0.0439 0.046 0.0442 0.0267 0.0375 0.086 0.05 0.0328 0.0548 0 0.0368 0.0105 0.0348 0.046 0.0565 0.0414 0.0143 0.0283 0.0376 0.0358 0.0479 0.0907 0.0403 0.024 0.0502 0.0322 0.0459 0.0391 0.0405 0.0311 0.0819 0.0497 0.04 0.0359 0.028 0.047 0.0344 0.0537 0.0203 0.0416 0.0487 0.0155 0.0507 0.0309 0.0173 0.0477 0.0413 0.0242 0.0506 0.056 0.0345 0.0162 0.0409 0.0476 0.0482 0.0329 0.0311 0.0348 0.0472 0.0364 0.0196 0.0391 0.0786 0.0264 0.0515 0.0523 0.0428 0.0234 0.0645 0 0 0.0204 0.0538 0.0553 0.0399 0.0223 0.0517 0.0456 0.0474 0.0301 0.0352 0.0265 0.0394 0.0313 0.0378 0.0416 0.0506 0.04 0.0352 0.036 0.0332 0.0192 0.0608 0.0334 0 0.0423 0.0176 0.0358 0.0378 0 0.0456 0.0606 0.0336 0.0573 0.0277 0.0474 0.0499 0.0459 0.0644 0.0312 0.0319 0.0715 0.0213 0.077 0.0465 0.0298 0.0448 0 0.034 0.0386 0.0445 0.0247 0.036 0.0498 0.0199 0.0488 0.0362 0.0266 0.03 0.0523 0.0252 0.0365 0.0662 0.0387 0.0231 0.027 0.0275 0.0194 0.0505 0.0168 0.0765 0.0302 0.0329 0.0199 0.0905 0.0412 0.0485 0.0364 0.0376 0.0413 0.0248 0.0259 0.0248 0.0381 0.019 0.0312 0.0226 0.0512 0.0448 0.0415 0.0318 0.0257 0.0555 0.055 0.0319 0.0425 0.0268 0.031 0.0258 0.0202 0.0503 0.0486 0.0694 0.0362 0.0281 0.021 0.0367 0.0396 0.0212 0.0331 0.0596 0 0.0243 0.043 0.0301 0.049 0.0247 0.0381 0.0162 0.038 0.028 0 0.0545 0.0402 0.0365 0.0256 0.0298 0.0418 0.0607 0.044 0.0211 0.0719 0.0827 0.0492 0.0199 0.0168 0.0453 0.0335 0.0291 0.0277 0.015 0.0481 0.0542 0.0412 0.0337 0.0435 0.0232 0.048 0.0332 0.079 0.0446 0.0419 0.0368 0.0402 0.0196 0 0.0513 0.0358 0.045 0.0313 0.0279 0.0255 0.036 0.0298 0.0519 0.0412 0.0382 0.018 0.0215 0.0433 0.0314 0.0326 0.0169 0.0239 0.0323 0.0249 0.0271 0.015 0 0.0214 0.012 0.0127 0.0332 0.0226 0.0556 0.0355 0.0131 0.0442 0.0343 0.033 0.0426 0 0.0193 0.0304 0.0353 0.0279
Cluster 1
Mean/Mode: 0.0584 0.0689 0.0584 0.0244 0.0292 0.093 0.01 0.028 0.0391 0.0655 0.0245 0.062 0.0359 0.1084 0.0692 0.0689 0.0332 0.0327 0.0691 0.035 0.0305 0.0514 0.0764 0.018 0.018 0.0349 0.0734 0.0249 0 0.068 0.0304 0.0153 0.0381 0.0277 0.0399 0.0082 0.0056 0.0106 0.057 0.0153 0.0519 0.0062 0.0036 0.0046 0.0338 0.0682 0.026 0.0311 0.0398 0.0311 0.0119 0.0115 0.0167 0.0465 0.024 0.0119 0.0517 0.0426 0.03 0.052 0.0183 0.0106 0.0041 0.0036 0.0574 0.0053 0.0259 0.0137 0.0225 0.0221 0.0081 0.0572 0.0107 0.0192 0.0029 0.0261 0.0305 0.0012 0.0179 0.0036 0.0501 0.0503 0.0122 0.0121 0.008 0.0191 0.0101 0.0017 0.016 0.0069 0.013 0.0058 0.0426 0.0166 0.0062 0.0135 0.0138 0.0128 0.0098 0.0139 0 0.01 0.0022 0.0062 0.0294 0.0062 0.0013 0.0112 0.0067 0.0147 0.0143 0.0061 0.0105 0.0139 0.0102 0.0122 0.011 0.0118 0.0107 0.0177 0.0063 0.0082 0.0316 0.0106 0.0518 0.0038 0.006 0.0201 0.008 0.0169 0.0298 0.013 0.0225 0.0026 0.0101 0.0082 0.0015 0.0017 0.0147 0.0037 0.0065 0.0238 0.015 0.016 0.0105 0.0322 0.0168 0.0037 0.0068 0.0024 0.0036 0.0063 0.0065 0.0084 0.035 0.0133 0.0137 0.0042 0.0122 0.0077 0.0049 0.05 0.0029 0.0017 0.0068 0.034 0.0071 0.0145 0.0122 0.0036 0.0219 0 0.0395 0.019 0.0213 0.0351 0.0025 0.0082 0 0.0427 0.0047 0.0081 0.0127 0.0067 0.0014 0 0.0016 0.0035 0.0032 0.004 0.0365 0.0178 0.0074 0 0 0.0016 0.0013 0.0097 0.0171 0.0062 0.0054 0 0.003 0.0168 0 0.0086 0.0065 0 0.0014 0.0091 0.0073 0.0093 0.0092 0.049 0.0082 0.0069 0.0168 0.0083 0.0213 0.011 0.0094 0.0087 0.0023 0.0052 0.0033 0.0017 0.0312 0.0046 0.0183 0.0349 0.0085 0.0064 0.0017 0.0097 0 0.0062 0.0251 0.0191 0.0021 0 0.0088 0.0061 0.018 0.0017 0.0034 0 0.015 0.0184 0.004 0.0235 0 0.008 0.0034 0.0084 0.0393 0.0196 0.0016 0.0037 0.0017 0.008 0.0032 0 0.0018 0.0046 0.0017 0.0169 0.0043 0.0053 0.0085 0.0031 0.0023 0.0055 0.002 0.0013 0 0.0034 0 0.0064 0.0017 0 0.0024 0.0233 0.0038 0.0116 0.0035 0.0046 0.0032 0.0034 0 0.0018 0.0079 0.0019 0.0098 0.0329 0.0064 0 0.0034 0.002 0.0199 0.0073 0.0021 0.0051 0.0257 0.0029 0.0044 0 0.0127 0.0014 0.0052 0.0108 0 0 0.0061 0 0.0022 0.0119 0.0014 0.004 0.0021 0.0012 0.0111 0.007 0.0232 0.0049 0 0.0035 0.0114 0 0.0148 0.0031 0.0032 0.01 0.003 0.0102 0.0058 0.0066 0.0018 0 0.007 0.0163 0.0167 0 0.0062 0.0236 0.0049 0.0043 0.0051 0.0065 0.0023 0.0067 0.0027 0.0044 0.0049 0 0 0.0098 0 0.003 0.0057 0 0.0119 0 0 0 0 0.0021 0 0 0 0 0.0059 0.0161 0.0016 0.0086 0.0121 0.0123 0 0.0026 0.0187 0 0.008 0.0063 0.0077 0 0.0046 0.0076 0.0039 0 0.0118 0.0125 0 0.0058 0.0048 0.0224 0.0112 0.0064 0.0135 0.0083 0.0072 0.0109 0.0019 0.0036 0.0068 0.0083 0.0031 0.0064 0.0023 0.0094 0 0.0204 0.0048 0.0021 0.0072 0.0022 0.0032 0.0109 0 0.0022 0.0082 0 0 0.0048 0.015 0.0132 0.0025 0.0038 0 0.0094 0.0015 0 0.0027 0.003 0.0086 0.0152 0.0151 0 0 0.0062 0.0034 0.0049 0 0.0045 0.0035 0 0.0039 0.0123 0 0 0.0025 0.0029 0.0108
Std Devs:   0.0592 0.0432 0.0603 0.0407 0.0489 0.0274 0.0361 0.0496 0.071 0.0586 0.0507 0.0726 0.0545 0.0834 0.0556 0.0837 0.0505 0.0521 0.05 0.0637 0.0557 0.0638 0.0892 0.0508 0.0442 0.0571 0.12 0.0548 0 0.0599 0.0626 0.0412 0.0606 0.0491 0.0555 0.0354 0.0274 0.0419 0.0639 0.0455 0.0774 0.0267 0.0204 0.0226 0.0553 0.0716 0.0576 0.0565 0.0555 0.0565 0.0405 0.0364 0.0429 0.0601 0.0511 0.0376 0.0635 0.0697 0.0544 0.0691 0.0577 0.0334 0.0229 0.0203 0.0642 0.0257 0.0612 0.0461 0.0514 0.0504 0.0359 0.0695 0.0367 0.0517 0.0206 0.0574 0.0606 0.0115 0.0484 0.0249 0.0663 0.0684 0.0415 0.0388 0.0291 0.0539 0.0401 0.0168 0.0455 0.0339 0.041 0.0252 0.0735 0.0556 0.0352 0.0383 0.05 0.0381 0.0385 0.0439 0 0.0362 0.0221 0.0302 0.0568 0.0304 0.0132 0.0542 0.0289 0.0469 0.0519 0.0265 0.0412 0.0444 0.0401 0.0444 0.0398 0.0374 0.0363 0.0456 0.0272 0.0355 0.0608 0.0358 0.0785 0.0214 0.0262 0.0522 0.039 0.0569 0.0737 0.0518 0.0556 0.0183 0.04 0.0402 0.0146 0.0163 0.0439 0.0259 0.0318 0.0613 0.051 0.0539 0.0455 0.0662 0.0453 0.0362 0.0333 0.0234 0.0248 0.0309 0.0315 0.0334 0.0679 0.0419 0.0407 0.0241 0.0439 0.0338 0.0342 0.1184 0.0204 0.0171 0.0293 0.0604 0.0351 0.0433 0.0441 0.0247 0.0541 0 0.1063 0.0539 0.0637 0.0655 0.0176 0.0399 0 0.1099 0.0267 0.035 0.0428 0.0289 0.0139 0 0.016 0.0242 0.022 0.0224 0.1034 0.0566 0.0358 0 0 0.0161 0.0123 0.0354 0.0547 0.0351 0.0264 0 0.0209 0.0503 0 0.0418 0.0453 0 0.0134 0.0396 0.0355 0.0455 0.0398 0.1169 0.0355 0.0481 0.0613 0.0359 0.0576 0.0436 0.0455 0.038 0.0227 0.0256 0.0228 0.0169 0.071 0.0322 0.0521 0.0747 0.0415 0.036 0.0163 0.042 0 0.0298 0.0552 0.0542 0.0204 0 0.038 0.035 0.051 0.0164 0.0235 0 0.0544 0.0792 0.0226 0.0858 0 0.0449 0.0243 0.0476 0.0863 0.0666 0.0155 0.0257 0.017 0.0346 0.0219 0 0.0177 0.032 0.0165 0.0507 0.0243 0.0299 0.0367 0.0216 0.0228 0.038 0.0199 0.0129 0 0.0236 0 0.0363 0.0163 0 0.0238 0.0575 0.0267 0.0417 0.0244 0.0319 0.0312 0.0236 0 0.0178 0.0448 0.0187 0.0475 0.098 0.036 0 0.0337 0.0194 0.0787 0.0413 0.0209 0.0289 0.0635 0.0283 0.025 0 0.0461 0.014 0.0361 0.0394 0 0 0.0299 0 0.0221 0.0402 0.0142 0.0397 0.0211 0.012 0.041 0.0395 0.0599 0.0344 0 0.0343 0.0447 0 0.0469 0.0303 0.032 0.0486 0.0208 0.0499 0.0418 0.0374 0.018 0 0.0306 0.0518 0.0609 0 0.0348 0.0856 0.0341 0.03 0.0291 0.0449 0.0222 0.0325 0.0268 0.031 0.0338 0 0 0.048 0 0.0299 0.032 0 0.0471 0 0 0 0 0.0206 0 0 0 0 0.0409 0.0587 0.0158 0.0421 0.0474 0.0484 0 0.026 0.0632 0 0.0349 0.0357 0.0374 0 0.0319 0.033 0.0382 0 0.0513 0.0452 0 0.0331 0.0333 0.0811 0.0446 0.0367 0.0656 0.0576 0.0406 0.0473 0.0182 0.0249 0.0471 0.0408 0.03 0.0446 0.023 0.0455 0 0.0641 0.0331 0.0211 0.0408 0.0215 0.0319 0.0432 0 0.022 0.0397 0 0 0.0336 0.0551 0.0479 0.0245 0.0261 0 0.0455 0.0152 0 0.0264 0.021 0.0416 0.0482 0.0516 0 0 0.0353 0.034 0.0345 0 0.0254 0.0241 0 0.0267 0.053 0 0 0.0245 0.0287 0.0481
Cluster 2
Mean/Mode: 0.1009 0.0574 0.0888 0.059 0.0632 0.0154 0.1188 0.0574 0.1043 0.0289 0.0611 0.0578 0.0462 0.0215 0.0097 0.0491 0.0295 0.0355 0.002 0.0378 0.0255 0.0136 0.0219 0.0575 0.0387 0.0314 0.0527 0.0358 0.0588 0.0087 0.0281 0.025 0.0266 0.0151 0.0131 0.0515 0.0434 0.0324 0.0119 0.023 0.0176 0.0369 0.0316 0.0413 0.016 0.0052 0.0206 0.0287 0.0106 0.0287 0.0259 0.0285 0.0239 0.0101 0.0101 0.015 0.0024 0.0151 0.0048 0.0008 0.0326 0.0113 0.0237 0.0218 0 0.0225 0.0122 0.0305 0.0127 0.0172 0.033 0.0016 0.02 0.0177 0.0275 0.0125 0.0051 0.0314 0.0133 0.0239 0.0051 0.0036 0.0083 0.0109 0.0207 0.014 0.018 0.0423 0.0137 0.0212 0.0131 0.0276 0.0013 0.0217 0.0305 0.0131 0.0133 0.0083 0.0175 0.0161 0.025 0.0146 0.0288 0.0193 0.0068 0.0188 0.0263 0.0396 0.0185 0.0136 0.0211 0.0151 0.0117 0.0102 0.0225 0.0199 0.012 0.0131 0.0126 0.0071 0.0134 0.0138 0.0035 0.0179 0 0.0183 0.0136 0.005 0.0191 0.0182 0.0153 0.0228 0.0061 0.017 0.014 0.0169 0.009 0.0229 0.0099 0.0194 0.0244 0.0069 0.0149 0.0137 0.0239 0.0011 0.0091 0.0316 0.0207 0.0201 0.0172 0.0138 0.0149 0.0115 0.0023 0.013 0.0033 0.0168 0.0141 0.0155 0.0111 0.0054 0.018 0.016 0.0151 0 0.0085 0.0028 0.0131 0.0149 0.003 0.008 0.0019 0.0073 0.0125 0 0.0027 0.0135 0.0177 0.0019 0.0159 0.0072 0.0062 0.0035 0.014 0.0118 0.0109 0.0158 0.0152 0.0082 0.004 0.0049 0.0151 0.0083 0.0199 0.0123 0.0173 0.0043 0.0042 0.0133 0.0062 0.0181 0.0159 0.0046 0.0118 0.0094 0.0176 0.0112 0.0166 0.0055 0.0116 0.0129 0.0078 0.0065 0.0076 0.0218 0.0087 0.0049 0.0021 0.0086 0.0116 0.006 0.0101 0.0093 0.007 0.0108 0.0023 0.0132 0.0033 0 0.0116 0.0132 0.013 0.0037 0.0045 0.0057 0 0.0014 0.0124 0.0186 0.006 0.0124 0.001 0.0036 0.0115 0.0191 0.0094 0.012 0.0093 0.0154 0.0141 0.0133 0.0116 0.0075 0 0.014 0.0112 0.0075 0.0036 0.003 0.0134 0.0072 0.0085 0.0126 0.0094 0.0025 0.0086 0.0115 0.0085 0.0049 0.0142 0.01 0.0167 0.0093 0.0045 0.0108 0.0133 0.0056 0.0125 0.0164 0.0108 0 0.0102 0 0.013 0.0107 0.0206 0.0112 0.0037 0.0149 0.0091 0.0024 0.0076 0 0.0138 0.0107 0.0207 0.0125 0.0062 0.0116 0.0119 0.0048 0 0.0141 0.0042 0.0059 0.007 0.004 0.0107 0.0042 0.006 0.0109 0.0049 0.0081 0.0038 0.0008 0.0047 0.0149 0.0088 0.0079 0.0019 0.013 0 0.0069 0.012 0.0126 0.002 0.0148 0.0023 0.0054 0.0111 0.0061 0.0017 0.0069 0.009 0.0087 0.0109 0.012 0.0019 0.0026 0.0044 0.0111 0.0043 0.0071 0.0109 0.0073 0.006 0.0173 0.003 0.0036 0.0111 0.0075 0.0118 0.0091 0.0162 0.0029 0.0012 0.002 0.0029 0.0074 0.0051 0.0074 0.0066 0.0088 0.0102 0.0079 0.014 0.013 0.0083 0.0089 0.0059 0.0042 0.0054 0.0092 0.0015 0.0027 0.0122 0.0029 0 0.0057 0.001 0.0049 0.0016 0.0014 0.0055 0.0032 0.0087 0.008 0.0015 0.0023 0.008 0.0013 0.0094 0.0067 0.0011 0.0098 0.0123 0.0105 0.0066 0.0049 0.0049 0.0078 0.0131 0.0026 0.0068 0.0137 0.006 0.0044 0.0077 0 0.0134 0.0029 0.0057 0.0072 0.0182 0 0.0103 0.005 0.0035 0.0047 0.0097 0.0056 0.003 0.0033 0.0028 0.0051 0.0037 0.0079 0.0066 0.0049 0.0116 0.0028 0.0075 0.001 0 0.0089 0.0087 0.0023 0.0186 0.0015 0.0095 0.0061 0.0012 0.0079 0.0025 0 0.0117 0.008 0.0104 0.0067 0.0023
Std Devs:   0.0376 0.0471 0.0503 0.0435 0.054 0.0348 0.0472 0.0561 0.0827 0.0502 0.0631 0.069 0.0595 0.0562 0.0314 0.0797 0.0463 0.0525 0.014 0.0655 0.0508 0.0393 0.059 0.0731 0.0588 0.0517 0.107 0.0598 0.0544 0.0305 0.0582 0.0506 0.053 0.0384 0.035 0.0737 0.0637 0.063 0.0371 0.0509 0.0474 0.0559 0.057 0.0548 0.0405 0.0253 0.0508 0.054 0.0345 0.054 0.0513 0.0545 0.0496 0.0342 0.0328 0.0402 0.0164 0.0471 0.0232 0.0092 0.0724 0.0335 0.048 0.0483 0 0.0468 0.043 0.0636 0.0394 0.0462 0.0618 0.0138 0.0456 0.0493 0.0558 0.0422 0.0277 0.0544 0.0413 0.0588 0.0249 0.0217 0.0326 0.0351 0.0448 0.0451 0.0515 0.0837 0.0426 0.0552 0.0377 0.0516 0.0154 0.0604 0.0732 0.0364 0.0492 0.0312 0.0485 0.0463 0.051 0.0418 0.0706 0.0537 0.0304 0.0492 0.0558 0.1001 0.0454 0.0405 0.061 0.0405 0.0412 0.036 0.057 0.0535 0.0402 0.0379 0.0374 0.0296 0.0384 0.0426 0.0211 0.0483 0 0.0454 0.038 0.0267 0.0547 0.0587 0.0539 0.0636 0.0301 0.0418 0.0473 0.0541 0.0354 0.0578 0.0348 0.0538 0.0602 0.0332 0.0479 0.051 0.0664 0.0133 0.0361 0.0986 0.0539 0.062 0.051 0.0429 0.0461 0.0404 0.0195 0.044 0.0198 0.0466 0.0455 0.046 0.0464 0.0376 0.0471 0.0514 0.0436 0 0.038 0.0199 0.0444 0.0478 0.0205 0.0313 0.0228 0.0327 0.0494 0 0.0185 0.0477 0.0447 0.0229 0.0442 0.0322 0.0305 0.0211 0.0403 0.0399 0.0407 0.0508 0.0436 0.0322 0.0338 0.0292 0.0486 0.0371 0.0488 0.0414 0.0451 0.0232 0.0295 0.0524 0.03 0.0473 0.0474 0.0275 0.0404 0.0393 0.0733 0.0395 0.0498 0.0294 0.0409 0.0508 0.035 0.0452 0.0318 0.0855 0.0422 0.0266 0.0179 0.0358 0.0488 0.029 0.042 0.0326 0.0315 0.0423 0.0196 0.0524 0.0227 0 0.0485 0.0492 0.04 0.0254 0.0271 0.0278 0 0.0174 0.046 0.0625 0.0293 0.0461 0.0117 0.0214 0.0424 0.0549 0.042 0.0645 0.0343 0.069 0.0552 0.0492 0.0393 0.0402 0 0.0556 0.0361 0.0365 0.0251 0.0211 0.0451 0.0352 0.038 0.0531 0.0368 0.0216 0.0338 0.0454 0.0383 0.0264 0.0563 0.0447 0.0591 0.0367 0.0241 0.0424 0.041 0.0338 0.0463 0.0474 0.0455 0 0.0428 0 0.0418 0.0478 0.081 0.0446 0.0254 0.0528 0.0446 0.0202 0.0409 0 0.0539 0.0399 0.0813 0.0446 0.0428 0.0482 0.0443 0.0289 0 0.0523 0.0252 0.0315 0.0376 0.0241 0.048 0.0254 0.0321 0.0464 0.0261 0.0342 0.0265 0.0101 0.025 0.0671 0.0394 0.0309 0.0159 0.051 0 0.0417 0.0422 0.0673 0.0169 0.0554 0.0198 0.0372 0.0504 0.0367 0.0142 0.0369 0.0436 0.039 0.0426 0.0445 0.0158 0.0225 0.0305 0.0413 0.03 0.0496 0.0488 0.0353 0.0293 0.0781 0.0261 0.025 0.0502 0.0365 0.0492 0.0379 0.0571 0.0253 0.0147 0.0237 0.0203 0.0334 0.0303 0.0359 0.0324 0.0347 0.0428 0.042 0.047 0.0486 0.0405 0.0372 0.0357 0.0291 0.0291 0.0418 0.0177 0.023 0.043 0.025 0 0.0306 0.012 0.0292 0.0196 0.0169 0.0329 0.0218 0.0521 0.0476 0.0183 0.0195 0.0317 0.0158 0.0456 0.0463 0.0136 0.0444 0.0655 0.056 0.0394 0.0343 0.0289 0.0378 0.0637 0.0219 0.0469 0.0664 0.0361 0.0304 0.0411 0 0.0558 0.0248 0.034 0.0386 0.0761 0 0.0432 0.0304 0.0241 0.0326 0.0469 0.0338 0.0262 0.0281 0.0236 0.0303 0.0222 0.0426 0.0323 0.0264 0.0525 0.0192 0.0405 0.0124 0 0.0354 0.0342 0.0195 0.0778 0.0183 0.0459 0.0296 0.015 0.0381 0.0212 0 0.0434 0.0337 0.0467 0.0362 0.0196

Clustered Instances

0      130 ( 35%)
1       97 ( 26%)
2      145 ( 39%)

使用Faiss进行高效相似度搜索 llzwxh888 faiss python
在现代AI应用中，快速和高效的相似度搜索是至关重要的。Faiss（FacebookAISimilaritySearch）是一个专门用于快速相似度搜索和聚类的库，特别适用于高维向量。本文将介绍如何使用Faiss来进行相似度搜索，并结合Python代码演示其基本用法。什么是Faiss？Faiss是一个由FacebookAIResearch团队开发的开源库，主要用于高维向量的相似性搜索和聚类。Faiss
Faiss Tips：高效向量搜索与聚类的利器焦习娜Samantha
FaissTips：高效向量搜索与聚类的利器faiss_tipsSomeusefultipsforfaiss项目地址:https://gitcode.com/gh_mirrors/fa/faiss_tips项目介绍Faiss是由FacebookAIResearch开发的一个用于高效相似性搜索和密集向量聚类的库。它支持多种硬件平台，包括CPU和GPU，能够在海量数据集上实现快速的近似最近邻搜索（AN
Faiss：高效相似性搜索与聚类的利器网络·魚大数据 faiss
Faiss是一个针对大规模向量集合的相似性搜索库，由FacebookAIResearch开发。它提供了一系列高效的算法和数据结构，用于加速向量之间的相似性搜索，特别是在大规模数据集上。本文将介绍Faiss的原理、核心功能以及如何在实际项目中使用它。Faiss原理：近似最近邻搜索：Faiss的核心功能之一是近似最近邻搜索，它能够高效地在大规模数据集中找到与给定查询向量最相似的向量。这种搜索是近似的，
《Python数据分析实战终极指南》 xjt921122 python 数据分析开发语言
对于分析师来说，大家在学习Python数据分析的路上，多多少少都遇到过很多大坑**，有关于技能和思维的**：Excel已经没办法处理现有的数据量了，应该学Python吗？找了一大堆Python和Pandas的资料来学习，为什么自己动手就懵了？跟着比赛类公开数据分析案例练了很久，为什么当自己面对数据需求还是只会数据处理而没有分析思路？学了对比、细分、聚类分析，也会用PEST、波特五力这类分析法，为啥
k均值聚类算法考试例题_k均值算法(k均值聚类算法计算题) 寻找你83497 k均值聚类算法考试例题
?算法：第一步：选K个初始聚类中心，z1(1),z2(1)，…，zK(1)，其中括号内的序号为寻找聚类中心的迭代运算的次序号。聚类中心的向量值可任意设定，例如可选开始的K个.k均值聚类：---------一种硬聚类算法，隶属度只有两个取值0或1，提出的基本根据是“类内误差平方和最小化”准则；模糊的c均值聚类算法：--------一种模糊聚类算法，是.K均值聚类算法是先随机选取K个对象作为初始的聚类
[实践应用] 深度学习之模型性能评估指标 YuanDaima2048 深度学习工具使用深度学习人工智能损失函数性能评估 pytorch python 机器学习
文章总览：YuanDaiMa2048博客文章总览深度学习之模型性能评估指标分类任务回归任务排序任务聚类任务生成任务其他介绍在机器学习和深度学习领域，评估模型性能是一项至关重要的任务。不同的学习任务需要不同的性能指标来衡量模型的有效性。以下是对一些常见任务及其相应的性能评估指标的详细解释和总结。分类任务分类任务是指模型需要将输入数据分配到预定义的类别或标签中。以下是分类任务中常用的性能指标：准确率(
机器学习-聚类算法不良人龍木木机器学习机器学习算法聚类
机器学习-聚类算法1.AHC2.K-means3.SC4.MCL仅个人笔记，感谢点赞关注！1.AHC2.K-means3.SC传统谱聚类：个人对谱聚类算法的理解以及改进4.MCL目前仅专注于NLP的技术学习和分享感谢大家的关注与支持！
FlagEmbedding 吉小雨 python库 python
FlagEmbedding教程FlagEmbedding是一个用于生成文本嵌入（textembeddings）的库，适合处理自然语言处理（NLP）中的各种任务。嵌入（embeddings）是将文本表示为连续向量，能够捕捉语义上的相似性，常用于文本分类、聚类、信息检索等场景。官方文档链接：FlagEmbedding官方GitHub一、FlagEmbedding库概述1.1什么是FlagEmbeddi
9.单细胞 RNA-seq：聚类分析 denghb001
学习目标：利用多种方法来评估聚类选择的PC基于重要的PC执行单细胞聚类单细胞RNA-seq聚类分析现在我们已经整合了高质量的细胞，我们想知道我们的细胞群中存在的不同细胞类型。image目标：为了生成特定细胞类型的簇，并使用已知的细胞类型的标志基因来确定的簇的身份。为了确定分群是否代表真实的细胞类型或由于生物或技术差异而形成的群集，如在细胞周期的S期的细胞群，特定批次的簇，或具有高线粒体含量的细胞。
K-means 算法的介绍与应用小魏冬琅 matlab 算法 kmeans 机器学习
目录引言K-means算法的基本原理表格总结：K-means算法的主要步骤K-means算法的MATLAB实现优化方法与改进K-means算法的应用领域表格总结：K-means算法的主要应用领域结论引言K-means算法是一种经典的基于距离的聚类算法，在数据挖掘、模式识别、图像处理等多个领域中得到了广泛应用。其核心思想是将相似的数据对象聚类到同一个簇中，而使得簇内对象的相似度最大、簇间的相似度最小
聚类分析 | Python密度聚类（DBSCAN）天天酷科研聚类分析算法（CLA）python 聚类机器学习 DBSCAN
密度聚类是一种无需预先指定聚类数量的聚类方法，它依赖于数据点之间的密度关系来自动识别聚类结构。本文中，演示如何使用密度聚类算法，具体是DBSCAN（Density-BasedSpatialClusteringofApplicationswithNoise）来对一个实际的数据集进行聚类分析。一、基本介绍密度聚类的核心思想是将数据点分为高密度区域和低密度区域。高密度区域内的数据点被认为属于同一簇，而低
机器学习实战笔记5——线性判别分析绍少阿机器学习笔记可视化机器学习 python 人工智能
任务安排1、机器学习导论8、核方法2、KNN及其实现9、稀疏表示3、K-means聚类10、高斯混合模型4、主成分分析11、嵌入学习5、线性判别分析12、强化学习6、贝叶斯方法13、PageRank7、逻辑回归14、深度学习线性判别分析（LDA）Ⅰ核心思想对于同样一件事，站在不同的角度，我们往往会有不同的看法，而降维思想，亦是如此。同上节课一样，我们还是学习降维的算法，只是提供了一种新的角度，由上
图计算：基于SparkGrpahX计算聚类系数妙龄少女郭德纲 Spark 图算法 Scala 聚类数据挖掘机器学习
图计算：基于SparkGrpahX计算聚类系数文章目录图计算：基于SparkGrpahX计算聚类系数一、什么是聚类系数二、基于SparkGraphX的聚类系数代码实现总结一、什么是聚类系数聚类系数（ClusteringCoefficient）是图计算和网络分析中的一个重要概念，用于衡量网络中节点的局部聚集程度。它有助于理解网络中节点之间的紧密程度和网络的结构特性。这是一种用来衡量图中节点聚类程度的
pandas/numpy数据结构算法（之行列变换）(二) （tag:行列转换，迪卡尔积，内置函数，数据结构） MrStubborn_aebe
目录：****1.Numpy-diag矩阵变换stack()/unstack()pd.pivot_table()pd.melt()groupby聚类算法mapping小技巧numpy.vectorize()**在这**里插入图片描述前言最近遇到很多需要迭代和归并数据的情况，一直以来的做法，都是循环主要的键，去进行后续操作。这是最典型的Python操作，然而还是上次提到的效率问题。记得之前朋友和我讲
R可视化之ComplexHeatmap【四】：热图小方格个性化修饰、提取亚集及热图信息 Bio_Infor
特别声明：本部分（系列）内容均来自顾祖光博士对ComplexHeatmap的介绍，仅为学习交流，尊重原创。热图系列我们已经有：R可视化之ComplexHeatmap【一】：颜色、标题、聚类R可视化之ComplexHeatmap【二】：行（列）顺序、行（列）名R可视化之ComplexHeatmap【三】：拆分今天分享：热图小方格个性化修饰、提取亚集及热图信息。热图小方格个性化修饰前段时间很多平台都在
【人工智能】大话什么是神经网络路上阳光
什么是人工智能？通俗来讲，就是让机器能像人一样思考。这个无需解释太多，因为通过各种科幻电影我们已经对人工智能很熟悉了。大家现在感兴趣的应该是——如何实现人工智能？从1956年夏季首次提出“人工智能”这一术语开始，科学家们尝试了各种方法来实现它。这些方法包括专家系统，决策树、归纳逻辑、聚类等等，但这些都是假智能。直到人工神经网络技术的出现，才让机器拥有了“真智能”。为什么说之前的方法都是假智能呢？因
机器学习之 K-均值聚类算法维生素￥机器学习机器学习算法均值算法
K-均值（K-means）聚类算法是一种常用的无监督学习算法，用于将数据集划分为K个不同的簇。该算法通过迭代的方式将数据点分配到最近的簇中，并更新簇的中心，直到收敛为止。一、K-均值聚类算法的基本步骤：初始化K个簇的中心点（可以随机选择或者根据数据集初始化）。将每个数据点分配到最近的簇中。更新每个簇的中心点为该簇所有数据点的平均值。重复步骤2和3，直到簇的中心点不再改变或达到指定的迭代次数。二、K
机器学习中的 K-均值聚类算法及其优缺点安科瑞蒋静机器学习算法均值算法
K-均值聚类算法是一种常用的无监督学习算法，用于将一组数据点划分为K个不同的聚类。该算法的主要思想是将数据点分配给最接近的聚类中心，并通过迭代优化聚类中心位置，使得聚类内部的数据点之间的距离最小化。算法流程如下：初始化K个聚类中心，可以是随机选择的数据点或者通过其他方法选择。分别计算每个数据点到K个聚类中心的距离，并将其分配给距离最近的聚类中心。更新每个聚类的中心位置为其内部所有数据点的平均值。重
三国演义python分析系统_Python之三国演义(上) weixin_40002692 三国演义python分析系统
一、设计实现详细说明1.1任务详细描述以中国四大名著之一——《三国演义》为蓝本，结合python数据分析知识进行本次的文本分析。《三国演义》全书共120回。本次的分析主要基于统计分析、文本挖掘等知识。1.2设计思路详细描述数据准备、数据预处理、分词等全书各个章节的字数、词数、段落等相关方面的关系整体词频和词云的展示全书各个章节进行聚类分析并可视化，主要进行了根据IF-IDF的系统聚类和根据词频的L
GraphRAG入门:基本概念、应用场景及学习方法学习中的程序媛~ 学习方法
一、GraphRAG的用途是什么GraphRAG用于复杂信息分析,适合处理跨文档、有噪音或主题抽象的数据.二、GraphRAG能做什么GraphRAG能连接大量信息,回答普通难搜索难以解答的问题.她可以回答跨文档的问题,也能总结数据集的主要主题.三、GraphRAG的特点1.知识图谱提取:使用llm自动从输入文本文档中创建知识图谱,表示数据中的实体、关系和关键声明2.层次聚类使用leiden技术对
工信教考 | AI智能体应用工程师（模拟试题）人工智能-猫猫人工智能开源自然语言处理语言模型架构
关于AI智能体工程师的模拟试题，下面根据AI智能体工程师所需掌握的知识和技能，设计一些模拟题型的示例。这些题目旨在考察应试者在人工智能、机器学习、深度学习、算法设计、系统开发等方面的能力。一、选择题无监督学习常用于哪些任务？（单选）A.回归分析B.聚类分析C.分类预测D.序列预测答案：B解析：无监督学习常用于聚类、降维、异常检测等任务，如市场分割、数据可视化等。以下哪种激活函数常用于分类问题的输出
python 连续比较_python实现连续变量最优分箱详解--CART算法 weixin_39834788 python 连续比较
关于变量分箱主要分为两大类：有监督型和无监督型对应的分箱方法：A.无监督：(1)等宽(2)等频(3)聚类B.有监督：(1)卡方分箱法(ChiMerge)(2)ID3、C4.5、CART等单变量决策树算法(3)信用评分建模的IV最大化分箱等本篇使用python，基于CART算法对连续变量进行最优分箱由于CART是决策树分类算法，所以相当于是单变量决策树分类。简单介绍下理论：CART是二叉树，每次仅进
2024 数学建模国赛 C 题模型及算法（无废话版）不染53 数学建模数学建模算法 python
目录写在开始需要掌握的数学模型/算法评价体系/评价类问题时间序列处理数据降维聚类问题（无监督）分类问题（有监督）集成学习（Bagging/Boosting）回归问题关联分析统计学方法/统计模型智能优化算法需要掌握的Python专业库需要掌握的软件/工具写在开始本人获2023年数学建模国赛C题国家级一等奖，备赛期间专攻C题。本文总结了在备赛期间总结的模型和算法，足以应对90%国赛C题中涉及到的问题。
【车辆轨迹处理】python实现轨迹点的聚类（一）——DBSCAN算法空之箱大战春日影车辆轨迹数据处理算法 python 聚类
文章目录前言一、单辆车轨迹的聚类与分析1.引入库2.聚类3.聚类评价二、整个数据集多辆车聚类1.聚类2.整体评价前言空间聚类是基于一定的相似性度量对空间大数据集进行分组的过程。空间聚类分析是一种无监督形式的机器学习。通过空间聚类可以从空间数据集中发现隐含的信息。作者在科研工作中，需要对某些车辆的轨迹数据进行一些空间聚类分析，以期望发现车辆在行驶过程中发生轨迹点”聚集“的行为。当等时间间隔的
Java在智能数据挖掘系统的应用 lizi88888 java 数据挖掘开发语言
智能数据挖掘系统是利用机器学习、统计分析等技术从大量数据中自动或半自动地发现模式和知识的系统。Java作为一种流行的编程语言，因其强大的性能和丰富的生态系统，在智能数据挖掘领域的应用非常广泛。本文将探讨Java在智能数据挖掘系统中的应用，并提供示例代码。智能数据挖掘系统概述智能数据挖掘系统通常具备以下功能：数据预处理：包括数据清洗、归一化、特征选择等。模式识别：识别数据中的模式，如分类、聚类、关联
数学建模统计题中常用的聚类分类皆过客，揽星河数学建模大赛数学建模算法 k-means 数据处理 Python numpy
聚类分类K均值聚类（K-MeansClustering）是一种广泛使用的聚类算法，旨在将数据点分成K个簇，使得簇内的数据点尽可能相似，而簇间的数据点差异尽可能大。以下是对K均值聚类的详细介绍：算法原理K均值聚类算法通过迭代的方式优化簇的划分，步骤如下：1.初始化：选择K个初始簇中心（也称为质心）。这些初始簇中心可以通过随机选择K个数据点，或使用更高级的方法（如K均值++初始化）来确定。2.分配阶段
Spark入门：KMeans聚类算法 17111_Chaochao1984a 算法 spark kmeans
聚类（Clustering）是机器学习中一类重要的方法。其主要思想使用样本的不同特征属性，根据某一给定的相似度度量方式（如欧式距离）找到相似的样本，并根据距离将样本划分成不同的组。聚类属于典型的无监督学习（UnsupervisedLearning）方法。与监督学习（如分类器）相比1，无监督学习的训练集没有人为标注的结果。在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。
Spark MLlib模型训练—聚类算法 K-means 不二人生 Spark ML 实战算法 spark-ml 聚类
SparkMLlib模型训练—聚类算法K-meansK-means是一种经典的聚类算法，广泛应用于数据挖掘、图像处理、推荐系统等领域。它通过将数据划分为(k)个簇（clusters），使得同一簇内的数据点尽可能相似，而不同簇之间的数据点差异尽可能大。ApacheSpark提供了K-means聚类算法的高效实现，支持大规模数据的分布式计算。本文将详细介绍K-means聚类算法的原理，并结合Spark
Spark MLlib模型训练—聚类算法 Bisecting K-means 不二人生 Spark ML 实战算法 spark-ml 聚类
SparkMLlib模型训练—聚类算法BisectingK-means由于传统的KMeans算法的聚类结果易受到初始聚类中心点选择的影响，因此在传统的KMeans算法的基础上进行算法改进，对初始中心点选取比较严格，各中心点的距离较远，这就避免了初始聚类中心会选到一个类上，一定程度上克服了算法陷入局部最优状态。二分KMeans(BisectingKMeans)算法的主要思想是：首先将所有点作为一个簇
看demo学算法之 k-means 小琳ai 算法 kmeans 机器学习
大家好，这里是小琳AI课堂！今天我们要继续深入探讨k-means算法，这是一种在数据科学和机器学习中非常流行的聚类方法。✨k-means的四大步骤随机启动：先随便挑k个数据点当老大（簇中心）。分配小弟：每个数据点看看离哪个老大最近，然后加入那个团队。老大换人：每个团队重新算算中心位置，换个新老大。重复搞事：一直重复分配小弟和换老大的步骤，直到老大们换得差不多了或者到了预定的次数。k-means的闪
PHP，安卓，UI，java，linux视频教程合集 cocos2d-x小菜 java UI linux PHP android
╔-----------------------------------╗┆
zookeeper admin 笔记 braveCS zookeeper
Required Software 1) JDK>=1.6 2)推荐使用ensemble的ZooKeeper(至少3台)，并run on separate machines 3)在Yahoo!，zk配置在特定的RHEL boxes里，2个cpu，2G内存，80G硬盘数据和日志目录 1)数据目录里的文件是zk节点的持久化备份，包括快照和事务日
Spring配置多个连接池 easterfly spring
项目中需要同时连接多个数据库的时候，如何才能在需要用到哪个数据库就连接哪个数据库呢？ Spring中有关于dataSource的配置： <bean id="dataSource" class="com.mchange.v2.c3p0.ComboPooledDataSource" &nb
Mysql 171815164 mysql
例如，你想myuser使用mypassword从任何主机连接到mysql服务器的话。 GRANT ALL PRIVILEGES ON *.* TO 'myuser'@'%'IDENTIFIED BY 'mypassword' WI TH GRANT OPTION; 如果你想允许用户myuser从ip为192.168.1.6的主机连接到mysql服务器，并使用mypassword作
CommonDAO（公共/基础DAO） g21121 DAO
好久没有更新博客了，最近一段时间工作比较忙，所以请见谅，无论你是爱看呢还是爱看呢还是爱看呢，总之或许对你有些帮助。 DAO(Data Access Object)是一个数据访问（顾名思义就是与数据库打交道）接口，DAO一般在业
直言有讳永夜-极光感悟随笔
1.转载地址:http://blog.csdn.net/jasonblog/article/details/10813313 精华: “直言有讳”是阿里巴巴提倡的一种观念，而我在此之前并没有很深刻的认识。为什么呢？就好比是读书时候做阅读理解，我喜欢我自己的解读，并不喜欢老师给的意思。在这里也是。我自己坚持的原则是互相尊重，我觉得阿里巴巴很多价值观其实是基本的做人
安装CentOS 7 和Win 7后，Win7 引导丢失随便小屋 centos
一般安装双系统的顺序是先装Win7，然后在安装CentOS，这样CentOS可以引导WIN 7启动。但安装CentOS7后，却找不到Win7 的引导，稍微修改一点东西即可。一、首先具有root 的权限。即进入Terminal后输入命令su，然后输入密码即可二、利用vim编辑器打开/boot/grub2/grub.cfg文件进行修改 v
Oracle备份与恢复案例 aijuans oracle
Oracle备份与恢复案例一. 理解什么是数据库恢复当我们使用一个数据库时，总希望数据库的内容是可靠的、正确的，但由于计算机系统的故障（硬件故障、软件故障、网络故障、进程故障和系统故障）影响数据库系统的操作，影响数据库中数据的正确性，甚至破坏数据库，使数据库中全部或部分数据丢失。因此当发生上述故障后，希望能重构这个完整的数据库，该处理称为数据库恢复。恢复过程大致可以分为复原(Restore)与
JavaEE开源快速开发平台G4Studio v5.0发布無為子
我非常高兴地宣布,今天我们最新的JavaEE开源快速开发平台G4Studio_V5.0版本已经正式发布。访问G4Studio网站 http://www.g4it.org 2013-04-06 发布G4Studio_V5.0版本功能新增 (1). 新增了调用Oracle存储过程返回游标，并将游标映射为Java List集合对象的标
Oracle显示根据高考分数模拟录取百合不是茶 PL/SQL编程 oracle例子模拟高考录取学习交流
题目要求: 1,创建student表和result表 2,pl/sql对学生的成绩数据进行处理 3,处理的逻辑是根据每门专业课的最低分线和总分的最低分数线自动的将录取和落选 1,创建student表,和result表学生信息表; create table student( student_id number primary key,--学生id
优秀的领导与差劲的领导 bijian1013 领导管理团队
责任优秀的领导：优秀的领导总是对他所负责的项目担负起责任。如果项目不幸失败了，那么他知道该受责备的人是他自己，并且敢于承认错误。差劲的领导：差劲的领导觉得这不是他的问题，因此他会想方设法证明是他的团队不行，或是将责任归咎于团队中他不喜欢的那几个成员身上。努力工作优秀的领导：团队领导应该是团队成员的榜样。至少，他应该与团队中的其他成员一样努力工作。这仅仅因为他
js函数在浏览器下的兼容 Bill_chen jquery 浏览器 IE DWR ext
做前端开发的工程师，少不了要用FF进行测试，纯js函数在不同浏览器下，名称也可能不同。对于IE6和FF，取得下一结点的函数就不尽相同： IE6：node.nextSibling,对于FF是不能识别的； FF：node.nextElementSibling,对于IE是不能识别的；兼容解决方式：var Div = node.nextSibl
【JVM四】老年代垃圾回收：吞吐量垃圾收集器(Throughput GC) bit1129 垃圾回收
吞吐量与用户线程暂停时间衡量垃圾回收算法优劣的指标有两个：吞吐量越高，则算法越好暂停时间越短，则算法越好首先说明吞吐量和暂停时间的含义。垃圾回收时，JVM会启动几个特定的GC线程来完成垃圾回收的任务，这些GC线程与应用的用户线程产生竞争关系，共同竞争处理器资源以及CPU的执行时间。GC线程不会对用户带来的任何价值，因此，好的GC应该占
J2EE监听器和过滤器基础白糖_ J2EE
Servlet程序由Servlet，Filter和Listener组成，其中监听器用来监听Servlet容器上下文。监听器通常分三类：基于Servlet上下文的ServletContex监听，基于会话的HttpSession监听和基于请求的ServletRequest监听。 ServletContex监听器 ServletContex又叫application
博弈AngularJS讲义(16) - 提供者 boyitech js AngularJS api Angular Provider
Angular框架提供了强大的依赖注入机制，这一切都是有注入器(injector)完成. 注入器会自动实例化服务组件和符合Angular API规则的特殊对象，例如控制器，指令，过滤器动画等。那注入器怎么知道如何去创建这些特殊的对象呢？ Angular提供了5种方式让注入器创建对象，其中最基础的方式就是提供者(provider), 其余四种方式(Value, Fac
java-写一函数f(a,b)，它带有两个字符串参数并返回一串字符，该字符串只包含在两个串中都有的并按照在a中的顺序。 bylijinnan java
public class CommonSubSequence { /** * 题目：写一函数f(a,b)，它带有两个字符串参数并返回一串字符，该字符串只包含在两个串中都有的并按照在a中的顺序。 * 写一个版本算法复杂度O(N^2)和一个O(N) 。 * * O(N^2)：对于a中的每个字符，遍历b中的每个字符，如果相同，则拷贝到新字符串中。 * O(
sqlserver 2000 无法验证产品密钥 Chen.H sql windows SQL Server Microsoft
在 Service Pack 4 (SP 4), 是运行 Microsoft Windows Server 2003、 Microsoft Windows Storage Server 2003 或 Microsoft Windows 2000 服务器上您尝试安装 Microsoft SQL Server 2000 通过卷许可协议 (VLA) 媒体。这样做, 收到以下错误信息CD KEY的 SQ
[新概念武器]气象战争 comsci
气象战争的发动者必须是拥有发射深空航天器能力的国家或者组织.... 原因如下: 地球上的气候变化和大气层中的云层涡旋场有密切的关系,而维持一个在大气层某个层次
oracle 中 rollup、cube、grouping 使用详解 daizj oracle grouping rollup cube
oracle 中 rollup、cube、grouping 使用详解 -- 使用oracle 样例表演示转自namesliu -- 使用oracle 的样列库，演示 rollup, cube, grouping 的用法与使用场景 --- ROLLUP ，为了理解分组的成员数量，我增加了分组的计数 COUNT(SAL)
技术资料汇总分享 Dead_knight 技术资料汇总分享
本人汇总的技术资料，分享出来，希望对大家有用。 http://pan.baidu.com/s/1jGr56uE 资料主要包含： Workflow->工作流相关理论、框架(OSWorkflow、JBPM、Activiti、fireflow...) Security->java安全相关资料(SSL、SSO、SpringSecurity、Shiro、JAAS...) Ser
初一下学期难记忆单词背诵第一课 dcj3sjt126com english word
could 能够 minute 分钟 Tuesday 星期二 February 二月 eighteenth 第十八 listen 听 careful 小心的，仔细的 short 短的 heavy 重的 empty 空的 certainly 当然 carry 携带；搬运 tape 磁带 basket 蓝子 bottle 瓶 juice 汁，果汁 head 头；头部
截取视图的图片, 然后分享出去 dcj3sjt126com OS Objective-C
OS 7 has a new method that allows you to draw a view hierarchy into the current graphics context. This can be used to get an UIImage very fast. I implemented a category method on UIView to get the vi
MySql重置密码 fanxiaolong MySql重置密码
方法一: 在my.ini的[mysqld]字段加入： skip-grant-tables 重启mysql服务，这时的mysql不需要密码即可登录数据库然后进入mysql mysql>use mysql; mysql>更新 user set password=password('新密码') WHERE User='root'; mysq
Ehcache（03）——Ehcache中储存缓存的方式 234390216 ehcache MemoryStore DiskStore 存储驱除策略
Ehcache中储存缓存的方式目录 1 堆内存（MemoryStore） 1.1 指定可用内存 1.2 驱除策略 1.3 元素过期 2 &nbs
spring mvc中的@propertysource jackyrong spring mvc
在spring mvc中，在配置文件中的东西，可以在java代码中通过注解进行读取了： @PropertySource 在spring 3.1中开始引入比如有配置文件 config.properties mongodb.url=1.2.3.4 mongodb.db=hello 则代码中 @PropertySource(&
重学单例模式 lanqiu17 单例 Singleton 模式
最近在重新学习设计模式，感觉对模式理解更加深刻。觉得有必要记下来。第一个学的就是单例模式，单例模式估计是最好理解的模式了。它的作用就是防止外部创建实例，保证只有一个实例。单例模式的常用实现方式有两种，就人们熟知的饱汉式与饥汉式，具体就不多说了。这里说下其他的实现方式静态内部类方式: package test.pattern.singleton.statics; publ
.NET开源核心运行时，且行且珍惜 netcome java .net 开源
背景 2014年11月12日，ASP.NET之父、微软云计算与企业级产品工程部执行副总裁Scott Guthrie，在Connect全球开发者在线会议上宣布，微软将开源全部.NET核心运行时，并将.NET 扩展为可在 Linux 和 Mac OS 平台上运行。.NET核心运行时将基于MIT开源许可协议发布，其中将包括执行.NET代码所需的一切项目——CLR、JIT编译器、垃圾收集器（GC）和核心
使用oscahe缓存技术减少与数据库的频繁交互 Everyday都不同 Web 高并发 oscahe缓存
此前一直不知道缓存的具体实现，只知道是把数据存储在内存中，以便下次直接从内存中读取。对于缓存的使用也没有概念，觉得缓存技术是一个比较”神秘陌生“的领域。但最近要用到缓存技术，发现还是很有必要一探究竟的。缓存技术使用背景：一般来说，对于web项目，如果我们要什么数据直接jdbc查库好了，但是在遇到高并发的情形下，不可能每一次都是去查数据库，因为这样在高并发的情形下显得不太合理——
Spring+Mybatis 手动控制事务 toknowme mybatis
@Override public boolean testDelete(String jobCode) throws Exception { boolean flag = false; &nbs
菜鸟级的android程序员面试时候需要掌握的知识点 xp9802 android
熟悉Android开发架构和API调用掌握APP适应不同型号手机屏幕开发技巧熟悉Android下的数据存储熟练Android Debug Bridge Tool 熟练Eclipse/ADT及相关工具熟悉Android框架原理及Activity生命周期熟练进行Android UI布局熟练使用SQLite数据库；熟悉Android下网络通信机制，S

weka聚类结果

你可能感兴趣的:(聚类)