slyxk
slyxk

无监督学习

K均值算法的优缺点是什么？如何对其进行调优？

K均值算法有一些缺点，例如受初值和离群点的影响，每次的结果不稳定，结果通常不是全局最优而是局部最优解，无法很好的解决数据簇分布差别比较大的情况（比如一类是另一类样本数量的100倍），不太适用于离散分裂等。

但是K均值聚类算法的优点主要体现在：对于大数据集。K均值聚类算法相对是可伸缩和高效的，他的计算复杂度是O（NKt)接近与线性，其中N是数据对象的数目，K是聚类的簇数，t是迭代的轮数。尽管算法经常以局部最优结束，但一般情况下达到局部最优已经可以满足聚类的需求。

希望找到最好的参数θ，能够使最大似然目标函数取最大值。

目标是使损失函数最小，在E-step时，找到一个最逼近目标的函数γ；在M-step时，固定函数γ，更新均值μ（找到当前函数下的最好的值）。所以一定会收敛了.

聚类评估(轮廓系数Silhouette Coefficient)

这个指标计算的是样本i到同簇其他样本的平均距离 , 越小，说明样本i越应该被聚类到该簇。将 称为样本i的簇

内不相似度。

计算样本i到其他某簇的所有样本的平均距离，称为样本i与簇 的不相似度。

接近1，则说明样本i聚类合理

接近-1，则说明样本i更应该分类到另外的簇

若 近似为0，则说明样本i在两个簇的边界上。

我们对标准化前后的数据进行轮廓系数计算：


做标准化的结果比较低，不做标准化的结果比较高。这是因为特征的重要性我们是不知道的，我们将calories的重要度通过标准化降低之后可能会造成不好的影响。

，我们就有了kmeans的一个标准流程：我们先进行聚类，然后可视化展示，之后再评估，想一想什么参数

比较合适，再重新聚类

你可能感兴趣的:(无监督学习)

  • 概率潜在语义分析（Probabilistic Latent Semantic Analysis,PLSA）—无监督学习方法、概率模型、生成模型、共现模型、非线性模型、参数化模型、批量学习 剑海风云 ArtificialIntelligence人工智能机器学习概率潜在语义分析PLSA
    定义输入:设单词集合为W={ω1,ω2,⋯ ,ωM}W=\{\omega_1,\omega_2,\cdots,\omega_M\}W={ω1,ω2,⋯,ωM},文本集合为D={d1,d2,⋯ ,dN}D=\{d_1,d_2,\cdots,d_N\}D={d1,d2,⋯,dN},话题集合为Z={z1,z2,⋯ ,zN}Z=\{z_1,z_2,\cdots,z_N\}Z={z1,z2,⋯,zN},共现
  • 潜在狄利克雷分配（Latent Dirichlet Allocation,LDA）—无监督学习方法、概率模型、生成模型、线性模型、非参数化模型、贝叶斯学习、批量学习 剑海风云 ArtificialIntelligence人工智能机器学习潜在狄利克雷分配LDA
    定义输入:单词集合W={ω1,⋯ ,ωv,⋯ ,ωV},其中ωv是第v个单词,v=1,2,⋯ ,V,V是单词第个数。单词集合W=\{\omega_1,\cdots,\omega_v,\cdots,\omega_V\},其中\omega_v是第v个单词,v=1,2,\cdots,V,V是单词第个数。单词集合W={ω1,⋯,ωv,⋯,ωV},其中ωv是第v个单词,v=1,2,⋯,V,V是单词第个数。文
  • 【机器学习】机器学习的基本概念、算法的工作原理、实际应用案例 @我们的天空 人工智能技术机器学习算法人工智能自然语言处理金融pythonsklearn
    一、机器学习的基本概念定义：机器学习是人工智能的一个分支，它使计算机能够在没有明确编程的情况下从数据中学习并改进其性能。机器学习的目标是让计算机自动学习模式和规律，从而能够对未知数据做出预测或决策。主要类型：监督学习：在这种类型的学习中，算法通过已知输入输出数据对进行训练，学习映射函数，以便对新的输入数据进行预测。常见的监督学习任务包括分类和回归。无监督学习：无监督学习的任务是发现数据中的结构或模
  • 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
  • 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
  • Spark入门：KMeans聚类算法 17111_Chaochao1984a 算法sparkkmeans
    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。
  • 看demo学算法之 自编码器 小琳ai 算法
    大家好，这里是小琳AI课堂！今天我们来聊聊自编码器。AE自编码器，全称为Autoencoder，是一种数据压缩算法，它能够通过学习输入数据的有效表示（编码）来重建输入数据（解码）。自编码器通常被用于无监督学习任务，尤其是在降维、特征学习、数据去噪等领域。下面，我将从四个不同的角度来详细解释AE自编码器。1.技术细节自编码器由两部分组成：编码器（encoder）和解码器（decoder）。编码器负责
  • AI模型：追求全能还是专精？ Lill_bin 杂谈人工智能分布式zookeeper机器学习游戏
    AI模型简介人工智能（AI）模型是人工智能系统的核心，它们是经过训练的算法，能够执行特定的任务，如图像识别、自然语言处理、游戏玩法、预测分析等。AI模型的类型很多，可以根据其功能和应用场景进行分类。常见的AI模型类型包括：监督学习模型：这些模型通过训练数据集学习，数据集中包含了输入和对应的输出标签。例子包括决策树、支持向量机（SVM）、神经网络等。无监督学习模型：这些模型处理没有标签的数据，目的是
  • 机器学习 第9章-聚类 Rin__________ 机器学习笔记机器学习聚类支持向量机
    机器学习第9章-聚类9.1聚类任务在“无监督学习”(unsupervisedlearning)中，训练样本的标记信息是未知的，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数据分析提供基础。此类学习任务中研究最多、应用最广的是“聚类”(clustering)。聚类试图将数据集中的样本划分为若干个通常是不相交的子集，每个子集称为一个“簇”(cluster)。通过这样的划分，每
  • 程序猿成长之路之数据挖掘篇——Kmeans聚类算法 zygswo 数据挖掘数据挖掘算法kmeans
    Kmeans是一种可以将一个数据集按照距离（相似度）划分成不同类别的算法，它无需借助外部标记，因此也是一种无监督学习算法。什么是聚类用官方的话说聚类就是将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。用自己的话说聚类是根据不同样本数据间的相似度进行种类划分的算法。这种划分可以基于我们的业务需求或建模需求来完成，也可以单纯地帮助我们探索数据的自然结构和分布。什么是K-means聚类用官方的
  • 聚类算法-Kmeans聚类 红米煮粥 机器学习kmeans聚类
    一、K-means聚类介绍1.含义K-means聚类是一种非常流行的无监督学习算法，用于将数据点划分为预定义的K个簇（或组），其中每个簇由其质心（即簇中所有点的均值）定义。K-means算法的目标是使簇内的点尽可能紧密地聚集在一起，同时使不同簇之间的点尽可能远离。2.基本步骤：选择K值：首先，你需要决定将数据分成多少个簇，即K的值。K的选择通常是基于问题的上下文或通过一些启发式方法（如肘部法则）来
  • 【机器学习】初学者经典案例（随记） 听忆. 机器学习人工智能数据挖掘深度学习语言模型
    边走、边悟迟早会好一、概念机器学习是一种利用数据来改进模型性能的计算方法，属于人工智能的一个分支。它旨在让计算机系统通过经验自动改进，而不需要明确编程。类型监督学习：使用带标签的数据进行训练，包括分类（如垃圾邮件检测）和回归（如房价预测）。无监督学习：使用不带标签的数据进行训练，包括聚类（如客户细分）和降维（如主成分分析）。强化学习：通过与环境的交互学习策略，以最大化累积奖励（如AlphaGo）。
  • 机器学习概述与应用：深度学习、人工智能与经典学习方法 刷刷刷粉刷匠 人工智能机器学习深度学习
    引言机器学习（MachineLearning）是人工智能（AI）领域中最为核心的分支之一，其主要目的是通过数据学习和构建模型，帮助计算机系统自动完成特定任务。随着深度学习（DeepLearning）的崛起，机器学习技术在各行各业中的应用变得越来越广泛。在本文中，我们将详细介绍机器学习的基础概念，包括无监督学习、有监督学习、增量学习，以及常见的回归和分类问题，并结合实际代码示例来加深理解。1.机器学
  • 深度学习学习经验——强化学习（rl） Linductor 深度学习学习经验深度学习学习人工智能
    强化学习强化学习（ReinforcementLearning,RL）是一种机器学习方法，主要用于让智能体（agent）通过与环境的互动，逐步学习如何在不同情况下采取最佳行动，以最大化其获得的累积回报。与监督学习和无监督学习不同，强化学习并不依赖于已标注的数据集，而是通过智能体在环境中的探索和试错来学习最优策略。强化学习的主要特点：基于试错学习：强化学习中的智能体通过与环境的互动，不断尝试不同的行动
  • 如何提升大模型的智能水平？ 刷刷刷粉刷匠 人工智能机器学习大数据其他
    如何让大模型更聪明？随着人工智能技术的飞速发展，大模型在多个领域展现出了前所未有的能力，但它们仍然面临着理解力、泛化能力和适应性等方面的挑战。那么，如何让大模型变得更聪明呢？以下从算法创新、数据质量与多样性、模型架构优化等方向进行详细阐述。一、不断探索和开发新的算法，以提高模型的学习和推理能力算法创新是提升大模型智能的重要途径。通过自监督学习和无监督学习，模型可以在大规模未标注数据上进行高效训练，
  • 【机器学习】机器学习与大模型在人工智能领域的融合应用与性能优化新探索 E绵绵 Everything人工智能机器学习大模型pythonAIGC应用科技
    文章目录引言机器学习与大模型的基本概念机器学习概述监督学习无监督学习强化学习大模型概述GPT-3BERTResNetTransformer机器学习与大模型的融合应用自然语言处理文本生成文本分类机器翻译图像识别自动驾驶医学影像分析语音识别智能助手语音转文字大模型性能优化的新探索模型压缩权重剪枝量化知识蒸馏分布式训练数据并行模型并行异步训练高效推理模型裁剪缓存机制专用硬件未来展望跨领域应用智能化系统人
  • 小琳 AI 课堂：机器学习 小琳ai 小琳AI课堂人工智能机器学习
    嘿，朋友们！欢迎来到小琳AI课堂机器学习：如同让计算机拥有超能力的神奇魔法机器学习，这门超酷的多领域交叉学科，居然融合了概率论、统计学、逼近论、凸分析、算法复杂度理论等等好多学科。它的关键就在于让计算机凭借数据和算法去学习，然后像个小超人似的，拥有预测和决策的超强能力！从技术实现的层面来讲，主要分成监督学习、无监督学习和强化学习这三大类别监督学习：在有标记的数据集上展开学习。打个比方哈，根据已知的
  • 机器学习 | 距离计算 X1AO___X1A 机器学习基础无监督学习#聚类算法机器学习无监督学习聚类距离计算
    文章目录距离计算1.闵可夫斯基距离（有序属性）1.1曼哈顿距离1.2欧氏距离2.VDM距离（无序属性）3.MinkovDM距离（混合属性）4.加权距离（重要性不同）参考资料相关文章：机器学习|目录机器学习|聚类评估指标无监督学习|KMeans与KMeans++原理无监督学习|KMeans之Skleaen实现：电影评分聚类距离计算对函数dist(⋅,⋅)dist(\cdot,\cdot)dist(⋅
  • stable diffusion和GAN网络的区别，优点缺点是什么 爱好很多的算法工程师 SD大模型AIGC笔记
    稳定扩散（stablediffusion）和生成对抗网络（GAN）是两种不同的深度学习方法。稳定扩散是一种无监督学习方法，用于图像超分辨率重建。它基于扩散过程模型，通过在不同的时间步骤中对图像进行重建来增加分辨率。该方法能够有效地增加图像的细节，并产生更高质量的图像。其优点包括：无监督学习：稳定扩散不需要使用任何带标签的训练数据，因此可以用于无监督任务。高分辨率重建：稳定扩散能够通过迭代过程逐渐增
  • 机器学习中的 K-均值聚类算法及其优缺点 weixin_63207763 机器学习算法均值算法
    K-均值聚类算法是一种无监督学习算法，用于将数据集中的样本分为K个不同的类别。该算法的基本思想是通过不断迭代地更新类别的中心点，将每个样本分配给离其最近的中心点所代表的类别。算法步骤：随机选择K个样本作为初始的K个类别中心点。将每个样本分配到离其最近的类别中心点所代表的类别。根据分配结果，更新每个类别的中心点为该类别内所有样本的平均值。重复步骤2和步骤3，直到中心点不再更新或达到最大迭代次数。优点
  • 各种聚类方法的聚类思想介绍及其优缺点 QianMo-WXJ 知识补充聚类机器学习
    聚类是一种无监督学习方法，旨在将数据集中的样本划分为若干个组，使得同一组内的样本相似度最大，而不同组之间的样本相似度最小。以下是几种常见的聚类方法及其思想、优缺点的介绍：1.K-means聚类聚类思想：K-means将数据分成K个簇，每个簇由一个中心（质心）代表。算法通过迭代优化，使得每个簇中的样本与质心的距离平方和最小。步骤：随机初始化K个质心。将每个样本分配到最近的质心。重新计算每个簇的质心。
  • 机器学习中的 K-均值聚类算法及其优缺点 刘小董 学习心得机器学习
    K-均值聚类算法是一种常用的无监督学习算法，用于将样本数据划分为K个不同的簇。其基本思想是通过迭代去优化簇的中心位置，使得每个样本点到所属簇的中心点的距离最小。算法步骤如下：初始化K个簇的中心点，可以随机选择K个样本点作为初始中心点。对于每个样本点，计算其与各个簇中心点的距离，并将其划分到距离最近的簇中。更新每个簇的中心点，将其设为该簇中所有样本点的均值。重复步骤2和步骤3，直到达到停止条件（例如
  • 机器学习、深度学习、神经网络之间的关系 你好，工程师 AI机器学习
    机器学习（MachineLearning）、深度学习（DeepLearning）和神经网络（NeuralNetworks）之间存在密切的关系，它们可以被看作是一种逐层递进的关系。下面简要介绍它们之间的关系：机器学习（MachineLearning）：机器学习是一种人工智能的分支，关注如何通过数据让计算机系统从经验中学习，提高性能。机器学习算法可以分为监督学习、无监督学习、半监督学习和强化学习等不同
  • 【人工智能学习思维脉络导图】 AK@ 人工智能人工智能学习
    曾梦想执剑走天涯，我是程序猿【AK】目录知识图谱1.基础知识2.人工智能核心概念3.实践与应用4.持续学习与进展5.挑战与自我提升6.人脉网络知识图谱人工智能学习思维脉络导图1.基础知识计算机科学基础数学基础（线性代数、微积分、概率论和统计学）编程语言（Python、R等）2.人工智能核心概念机器学习监督学习无监督学习强化学习深度学习神经网络卷积神经网络（CNN）循环神经网络（RNN）自然语言处理
  • 吴恩达机器学习全课程笔记第一篇 亿维数组 MachineLearning机器学习笔记人工智能
    目录前言P1-P8监督学习无监督学习P9-P14线性回归模型成本（代价）函数P15-P20梯度下降P21-P24多类特征向量化多元线性回归的梯度下降P25-P30特征缩放检查梯度下降是否收敛学习率的选择特征工程多项式回归前言从今天开始，争取能够在开学之前（2.25）把b站上的【吴恩达机器学习】教程过一遍，并把笔记记录于此，本笔记将会把此课程每一p的重点内容及其截屏记录于此，以供大家参考和本人日后复
  • 深度学习——概念引入 韶光流年都束之高阁 深度学习日记深度学习人工智能职场和发展
    深度学习深度学习简介深度学习分类根据网络结构划分：循环神经网络卷积神经网络根据学习方式划分：监督学习无监督学习半监督学习根据应用领域划分：计算机视觉自然语言处理语音识别生物信息学深度学习简介深度学习（DeepLearning，DL）是机器学习领域中的一个新的研究方向，主要是通过学习样本数据的内在规律和表示层次，让机器能够具有类似于人类的分析学习能力。深度学习的最终目标是让机器能够识别和解释各种数据
  • Sora背后的论文(1)：使用 lstms 对视频展现进行无监督学习 一支烟一朵花 论文学习人工智能深度学习
    之前那篇《Sora背后的32篇论文》发出后，大家都觉得不错，有很多小伙伴都开始啃论文了。那么我就趁热打铁，把这32篇论文的通俗解读版贴一下。从去年开始，我基本上形成了一个思维方式，任何事情做之前先看看有没有好的AI工具帮助自己提高效率。我本身不是算法出身，也是散装英语的水平，所以这个过程是借助了一些AI工具完成，后面会专门写一篇介绍详细的说明。Sora官网技术文章出处：Videogeneratio
  • GAN生成对抗性网络 Dirschs 深度学习GAN生成对抗网络人工智能神经网络
    一、GAN原理出发点：机器学习中生成模型的问题无监督学习是机器学习和未来人工智能的突破点，生成模型是无监督学习的关键部分特点：不需要MCMC或者变分贝叶斯等复杂的手段，只需要在G和D中对应的多层感知机中运行反向传播或者梯度下降算法模型通常使用神经网络，其拟合能力最好G(Generator)：用于捕获数据分布的生成模型(生成图像的网络)；接收到随机的噪声z，通过噪声z生成图像。尽可能多地模拟、建模和
  • 【机器学习笔记】12 聚类 RIKI_1 机器学习机器学习笔记聚类
    无监督学习概述监督学习在一个典型的监督学习中，训练集有标签，我们的目标是找到能够区分正样本和负样本的决策边界，需要据此拟合一个假设函数。无监督学习与此不同的是，在无监督学习中，我们的数据没有附带任何标签，无监督学习主要分为聚类、降维、关联规则、推荐系统等方面。主要的无监督学习方法聚类（Clustering）如何将教室里的学生按爱好、身高划分为5类？降维（DimensionalityReductio
  • 多线程编程之join()方法 周凡杨 javaJOIN多线程编程线程
    现实生活中，有些工作是需要团队中成员依次完成的，这就涉及到了一个顺序问题。现在有T1、T2、T3三个工人，如何保证T2在T1执行完后执行，T3在T2执行完后执行？问题分析：首先问题中有三个实体，T1、T2、T3， 因为是多线程编程，所以都要设计成线程类。关键是怎么保证线程能依次执行完呢？   Java实现过程如下： public class T1 implements Runnabl
  • java中switch的使用 bingyingao javaenumbreakcontinue
    java中的switch仅支持case条件仅支持int、enum两种类型。 用enum的时候，不能直接写下列形式。 switch (timeType) { case ProdtransTimeTypeEnum.DAILY: break; default: br
  • hive having count 不能去重 daizj hive去重having count计数
    hive在使用having count()是，不支持去重计数   hive (default)> select imei from t_test_phonenum where ds=20150701 group by imei having count(distinct phone_num)>1 limit 10;  FAILED: SemanticExcep
  • WebSphere对JSP的缓存 周凡杨 WAS JSP 缓存
          对于线网上的工程，更新JSP到WebSphere后，有时会出现修改的jsp没有起作用，特别是改变了某jsp的样式后，在页面中没看到效果，这主要就是由于websphere中缓存的缘故，这就要清除WebSphere中jsp缓存。要清除WebSphere中JSP的缓存，就要找到WAS安装后的根目录。        现服务
  • 设计模式总结 朱辉辉33 java设计模式
    1.工厂模式   1.1 工厂方法模式 (由一个工厂类管理构造方法)      1.1.1普通工厂模式(一个工厂类中只有一个方法)      1.1.2多工厂模式(一个工厂类中有多个方法)      1.1.3静态工厂模式(将工厂类中的方法变成静态方法) &n
  • 实例：供应商管理报表需求调研报告 老A不折腾 finereport报表系统报表软件信息化选型
    引言 随着企业集团的生产规模扩张，为支撑全球供应链管理，对于供应商的管理和采购过程的监控已经不局限于简单的交付以及价格的管理，目前采购及供应商管理各个环节的操作分别在不同的系统下进行，而各个数据源都独立存在，无法提供统一的数据支持；因此，为了实现对于数据分析以提供采购决策，建立报表体系成为必须。 业务目标 1、通过报表为采购决策提供数据分析与支撑 2、对供应商进行综合评估以及管理，合理管理和
  • mysql 林鹤霄
    转载源：http://blog.sina.com.cn/s/blog_4f925fc30100rx5l.html mysql -uroot -p ERROR 1045 (28000): Access denied for user 'root'@'localhost' (using password: YES)   [root@centos var]# service mysql
  • Linux下多线程堆栈查看工具(pstree、ps、pstack) aigo linux
    原文：http://blog.csdn.net/yfkiss/article/details/6729364   1. pstree pstree以树结构显示进程$ pstree -p work | grep adsshd(22669)---bash(22670)---ad_preprocess(4551)-+-{ad_preprocess}(4552)  &n
  • html input与textarea 值改变事件 alxw4616 JavaScript
    // 文本输入框(input) 文本域(textarea)值改变事件 // onpropertychange(IE) oninput(w3c) $('input,textarea').on('propertychange input', function(event) {      console.log($(this).val()) });  
  • String类的基本用法 百合不是茶 String
      字符串的用法;     // 根据字节数组创建字符串 byte[] by = { 'a', 'b', 'c', 'd' }; String newByteString = new String(by);         1,length()  获取字符串的长度     &nbs
  • JDK1.5 Semaphore实例 bijian1013 javathreadjava多线程Semaphore
    Semaphore类        一个计数信号量。从概念上讲，信号量维护了一个许可集合。如有必要，在许可可用前会阻塞每一个 acquire()，然后再获取该许可。每个 release() 添加一个许可，从而可能释放一个正在阻塞的获取者。但是，不使用实际的许可对象，Semaphore 只对可用许可的号码进行计数，并采取相应的行动。 S
  • 使用GZip来压缩传输量 bijian1013 javaGZip
            启动GZip压缩要用到一个开源的Filter：PJL Compressing Filter。这个Filter自1.5.0开始该工程开始构建于JDK5.0，因此在JDK1.4环境下只能使用1.4.6。         PJL Compressi
  • 【Java范型三】Java范型详解之范型类型通配符 bit1129 java
        定义如下一个简单的范型类，   package com.tom.lang.generics; public class Generics<T> { private T value; public Generics(T value) { this.value = value; } }
  • 【Hadoop十二】HDFS常用命令 bit1129 hadoop
    1. 修改日志文件查看器   hdfs oev -i edits_0000000000000000081-0000000000000000089 -o edits.xml cat edits.xml   修改日志文件转储为xml格式的edits.xml文件，其中每条RECORD就是一个操作事务日志   2. fsimage查看HDFS中的块信息等 &nb
  • 怎样区别nginx中rewrite时break和last ronin47
    在使用nginx配置rewrite中经常会遇到有的地方用last并不能工作，换成break就可以，其中的原理是对于根目录的理解有所区别，按我的测试结果大致是这样的。 location /    {         proxy_pass http://test; 
  • java-21.中兴面试题 输入两个整数 n 和 m ，从数列 1 ， 2 ， 3.......n 中随意取几个数 , 使其和等于 m bylijinnan java
    import java.util.ArrayList; import java.util.List; import java.util.Stack; public class CombinationToSum { /* 第21 题 2010 年中兴面试题 编程求解： 输入两个整数 n 和 m ，从数列 1 ， 2 ， 3.......n 中随意取几个数 , 使其和等
  • eclipse svn 帐号密码修改问题 开窍的石头 eclipseSVNsvn帐号密码修改
    问题描述：      Eclipse的SVN插件Subclipse做得很好，在svn操作方面提供了很强大丰富的功能。但到目前为止，该插件对svn用户的概念极为淡薄，不但不能方便地切换用户，而且一旦用户的帐号、密码保存之后，就无法再变更了。 解决思路：      删除subclipse记录的帐号、密码信息，重新输入
  • [电子商务]传统商务活动与互联网的结合 comsci 电子商务
          某一个传统名牌产品，过去销售的地点就在某些特定的地区和阶层，现在进入互联网之后，用户的数量群突然扩大了无数倍，但是，这种产品潜在的劣势也被放大了无数倍，这种销售利润与经营风险同步放大的效应，在最近几年将会频繁出现。。。。        如何避免销售量和利润率增加的
  • java 解析 properties-使用 Properties-可以指定配置文件路径 cuityang javaproperties
    #mq xdr.mq.url=tcp://192.168.100.15:61618; import java.io.IOException; import java.util.Properties; public class Test { String conf = "log4j.properties"; private static final
  • Java核心问题集锦 darrenzhu java基础核心难点
    注意，这里的参考文章基本来自Effective Java和jdk源码 1)ConcurrentModificationException 当你用for each遍历一个list时，如果你在循环主体代码中修改list中的元素，将会得到这个Exception，解决的办法是： 1)用listIterator, 它支持在遍历的过程中修改元素， 2)不用listIterator, new一个
  • 1分钟学会Markdown语法 dcj3sjt126com markdown
    markdown 简明语法 基本符号 *,-,+ 3个符号效果都一样，这3个符号被称为 Markdown符号 空白行表示另起一个段落 `是表示inline代码，tab是用来标记 代码段，分别对应html的code，pre标签 换行 单一段落( <p>) 用一个空白行 连续两个空格 会变成一个 <br> 连续3个符号，然后是空行
  • Gson使用二（GsonBuilder） eksliang jsongsonGsonBuilder
    转载请出自出处：http://eksliang.iteye.com/blog/2175473 一.概述     GsonBuilder用来定制java跟json之间的转换格式   二.基本使用 实体测试类： 温馨提示：默认情况下@Expose注解是不起作用的,除非你用GsonBuilder创建Gson的时候调用了GsonBuilder.excludeField
  • 报ClassNotFoundException: Didn't find class "...Activity" on path: DexPathList gundumw100 android
    有一个工程，本来运行是正常的，我想把它移植到另一台PC上，结果报： java.lang.RuntimeException: Unable to instantiate activity ComponentInfo{com.mobovip.bgr/com.mobovip.bgr.MainActivity}: java.lang.ClassNotFoundException: Didn't f
  • JavaWeb之JSP指令 ihuning javaweb
      要点   JSP指令简介  page指令  include指令    JSP指令简介    JSP指令（directive）是为JSP引擎而设计的，它们并不直接产生任何可见输出，而只是告诉引擎如何处理JSP页面中的其余部分。 JSP指令的基本语法格式： <%@ 指令 属性名="
  • mac上编译FFmpeg跑ios 啸笑天 ffmpeg
    1、下载文件：https://github.com/libav/gas-preprocessor， 复制gas-preprocessor.pl到/usr/local/bin/下， 修改文件权限：chmod 777 /usr/local/bin/gas-preprocessor.pl 2、安装yasm-1.2.0 curl http://www.tortall.net/projects/yasm
  • sql mysql oracle中字符串连接 macroli oraclesqlmysqlSQL Server
    有的时候，我们有需要将由不同栏位获得的资料串连在一起。每一种资料库都有提供方法来达到这个目的： MySQL: CONCAT() Oracle: CONCAT(), || SQL Server: + CONCAT() 的语法如下： Mysql 中 CONCAT(字串1, 字串2, 字串3, ...): 将字串1、字串2、字串3，等字串连在一起。 请注意，Oracle的CON
  • Git fatal: unab SSL certificate problem: unable to get local issuer ce rtificate qiaolevip 学习永无止境每天进步一点点git纵观千象
    // 报错如下： $ git pull origin master fatal: unable to access 'https://git.xxx.com/': SSL certificate problem: unable to get local issuer ce rtificate   // 原因： 由于git最新版默认使用ssl安全验证，但是我们是使用的git未设
  • windows命令行设置wifi surfingll windowswifi笔记本wifi
    还没有讨厌无线wifi的无尽广告么，还在耐心等待它慢慢启动么 教你命令行设置 笔记本电脑wifi： 1、开启wifi命令 netsh wlan set hostednetwork mode=allow ssid=surf8 key=bb123456 netsh wlan start hostednetwork pause 其中pause是等待输入，可以去掉 2、
  • Linux（Ubuntu）下安装sysv-rc-conf wmlJava linuxubuntusysv-rc-conf
    安装：sudo apt-get install sysv-rc-conf 使用：sudo sysv-rc-conf 操作界面十分简洁，你可以用鼠标点击，也可以用键盘方向键定位，用空格键选择，用Ctrl+N翻下一页，用Ctrl+P翻上一页，用Q退出。     背景知识 sysv-rc-conf是一个强大的服务管理程序，群众的意见是sysv-rc-conf比chkconf
  • svn切换环境，重发布应用多了javaee标签前缀 zengshaotao javaee
    更换了开发环境，从杭州，改变到了上海。svn的地址肯定要切换的，切换之前需要将原svn自带的.svn文件信息删除，可手动删除，也可通过废弃原来的svn位置提示删除.svn时删除。   然后就是按照最新的svn地址和规范建立相关的目录信息，再将原来的纯代码信息上传到新的环境。然后再重新检出，这样每次修改后就可以看到哪些文件被修改过，这对于增量发布的规范特别有用。   检出
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他