原创 jquery ajax防重複提交
巧用Ajax的beforeSend 提高用戶體驗 jQuery是經常使用的一個開源js框架，其中的$.ajax請求中有一個beforeSend方法，用於在向服務器發送請求前執行一些動作。 具體可參考jQuery官方文檔：http://
2020-06-23 03:59:51
7
原创 Roc曲線、AUC
1 概述 AUC（Area Under roc Curve）是一種用來度量分類模型好壞的一個標準。這樣的標準其實有很多，例如：大約10年前在machine learning文獻中一統天下的標準：分類精度；在信息檢索(IR)領域中常用
2020-06-01 22:32:23
原创 貝葉斯網絡
https://blog.csdn.net/v_july_v/article/details/40984699#t6 分享一個連接，寫的比較詳細了 點贊 收藏 分享 文章舉報 w
2020-02-22 03:59:10
原创 springMVC controller中方法的返回值類型
具體介紹 詳細介紹每一個返回類型的各個特點； ModelAndView 1 @RequestMapping(method=RequestMethod.GET) 2 public Mo
2020-02-21 00:03:41
原创 Spring Filter過濾器,Spring攔截未登錄用戶權限限制
實現的功能：判斷用戶是否已登錄，未登錄用戶禁止訪問任何頁面或action，自動跳轉到登錄頁面。比較好的做法是不管什麼人都不能直接訪問jsp頁面，要訪問就通過action，這樣就變成了一個實實在在的權限控制了。 那麼就有3種方法可以解決樓主
2020-02-21 00:03:30
原创 EM算法
一、EM算法介紹 我們經常會從樣本觀察數據中，找出樣本的模型參數。 最常用的方法就是極大化模型分佈的對數似然函數。（最大似然估計：利用已知的樣本結果，反推最有可能導致這樣結果的一組參數）但是在一些情況下，我們得到的觀察數據
2020-02-21 00:03:30
原创 js打開新窗體的方式總結
注://關閉,父窗口彈出對話框,子窗口直接關閉this.Response.Write("<script language=javascript>window.close();</script>");//關閉,父窗口和子窗口都不彈出對話框,
2020-02-21 00:03:30
原创 Class.forName()用法詳解
主要功能 Class.forName(xxx.xx.xx)返回的是一個類 Class.forName(xxx.xx.xx)的作用是要求JVM查找並加載指定的類， 也就是說JVM會執行該類的靜態代碼段 下面，通過解答以下三個問題的來詳細講解
2020-02-21 00:03:29
原创 深入淺出--梯度下降法及其實現
梯度下降的場景假設 梯度 梯度下降算法的數學解釋 梯度下降算法的實例 梯度下降算法的實現 Further reading 本文將從一個下山的場景開始，先提出梯度下降算法的基本思想，進而從數學上解釋梯度下降算法的原理，最後實現一個簡單的
2019-10-25 16:01:50
原创 L1正則化和L2正則化
分享兩篇文章：第一篇，簡單，易懂：https://www.jianshu.com/p/76368eba9c90 第二篇，詳細，原理：https://www.jianshu.com/p/7b35bbb3478f
2019-10-25 16:01:49
原创 樸素貝葉斯
樸素貝葉斯算法看了幾篇文章 覺得下面這片文章寫的還可以：其中借鑑了西瓜書上的內容，還有半樸素貝葉斯分類器(比較籠統了)，還有樸素貝葉斯方面的面試問題。 機器學習之樸素貝葉斯算法詳解
2019-06-29 15:47:37
原创 k-means和二分k-means算法
聚類算法是機器學習中的一類無監督學習方法，用於將無標籤的數據進行聚類劃分。最簡單的也最典型的一類算法就是KMeans算法。此處的K表示劃分成K個聚類。利用各個點到質心之間的距離的平方和作爲將節點劃分到不同類的標準。當然也可以採用其他的距離
2019-06-27 15:58:22
原创 SMO(序列最小優化算法)解析
什麼是SVM SVM是Support Vector Machine（支持向量機）的英文縮寫，是上世紀九十年代興起的一種機器學習算法，在目前神經網絡大行其道的情況下依然保持着生命力。有人說現在是神經網絡深度學習的時代了，AI從業者可以不用瞭
2019-06-23 15:40:07
原创 感知機
感知機 感知機是二分類的線性分類模型，輸入爲實例的特徵向量，輸出爲實例的類別（取+1和-1）。感知機對應於輸入空間中將實例劃分爲兩類的分離超平面。感知機旨在求出該超平面，爲求得超平面導入了基於誤分類的損失函數，利用梯度下降法對損失函數進行
2019-06-19 16:01:26
原创 拉格朗日乘子法
一般情況下，最優化問題會有三類： （一）、無約束條件 這種情況想都不用想，直接對變量求導等於0，代入原函數驗證即可。 （二）、等式約束條件 我們假定目標函數爲f(x)，約束條件爲h_k(x)。 minf(x)min
2019-06-16 16:36:13