lovejuan1314
lovejuan1314 · 共 110 篇文章
IIS附件类型
配置过很多WAP站点了 尤其是手机下载类站点是很麻烦的 因为他需要添加大量的下载格式这样手机玩家才能通过你的WAP站点下载手机图片 铃声 程序等各类资源 下面我就针对win2003为大家介绍一下WAP站点的安装 让IIS服务器 可以支持sis、SISX、3GP、ADP、AMR、JAD、JAR、MMF、MFM、PMD、UMD等文件下载 Windows2003 服务器配置IIS的MIME类型 打开Internet 服务管理器Internet 服务管理器-->网站属性-->HTTP头(MIME映射)-->新建 添加下列内容类型(MIME) 关联扩展名 text/vnd.wap.wml wml im…
2013-07-25 19:35 · Linux/Unix服务器管理 · 评论(0)
Linux Apache 配置备忘
SEVERE: Exception starting filter Struts2 Caught exception while loading file struts-default.xml – [unknown location] Caused by: java.lang.ClassCastException: org.apache.xerces.parsers.XIncludeAwareParserConfiguration cannot be cast to org.apache.xerces.xni.parser.XMLParserConfiguration linux服务器上默认…
2013-07-18 23:06 · Linux/Unix服务器管理 · 评论(0)
PostgreSQL函数:用以查询某表的详细 包含表字段的注释信息
感谢PostgreSQL论坛阿弟 CREATE OR REPLACE FUNCTION pgsql_type(a_type varchar) RETURNS varchar AS $BODY$ DECLARE v_type varchar; BEGIN IF a_type='int8' THEN v_type:='bigint'; ELSIF a_type='int4' THEN v_type:='integer'; ELSIF a_type='int2' THEN v_type:='smallint'; ELSIF a_type='bpchar' THEN v_type:='char'; …
2011-09-07 15:24 · 数据库(Oracle/Postgresql/Hypertable等) · 评论(0)
PostgreSQL 系统表查看系统信息
摘自 http://www.alberton.info/postgresql_meta_info.html 测试数据 -- sample data to test PostgreSQL INFORMATION_SCHEMA -- TABLE TEST CREATE TABLE TEST ( TEST_NAME CHAR(30) NOT NULL, TEST_ID INTEGER DEFAULT '0' NOT NULL, TEST_DATE TIMESTAMP NOT NULL ); ALTER TABLE TEST ADD CONSTRAINT PK_TEST PRIMARY KEY (T…
2011-09-07 15:21 · 数据库(Oracle/Postgresql/Hypertable等) · 评论(0)
Postgresql SQL 使用变量
begin; select 5::int as var into temp table myvar; select * from somewhere s, myvar v where s.something = v.var; commit;
2010-12-23 17:33 · 数据库(Oracle/Postgresql/Hypertable等) · 评论(0)
h2数据库timestamp格式化
select * from foo2 where FORMATDATETIME(a2,'yyyy-MM-dd') = current_date;
2010-10-09 16:17 · 数据库(Oracle/Postgresql/Hypertable等) · 评论(0)
最新版Eclipse安装Maven插件(备忘)
下载最新版Eclipse http://www.eclipse.org/downloads/packages/eclipse-ide-java-ee-developers/heliossr1 在Help-->install new software处粘贴 http://m2eclipse.sonatype.org/sites/m2e 直接安装会报错,原因是缺失zest插件 先安装zest插件再安装m2eclipse即可。 zest插件地址 http://download.eclipse.org/tools/gef/updates/interim/
2010-09-27 17:10 · 评论(0)
Linux一个简单命令备忘
Linux下通过lsof -p 来查看端口被占用情况 Window下通过netstat -noab
2010-05-05 10:41 · Linux/Unix服务器管理 · 评论(0)
文本分类入门(番外篇)特征选择与特征权重计算的区别
摘自: http://www.blogjava.net/zhenandaci/archive/2009/04/19/266388.html 在文本分类的过程中,特征(也可以简单的理解为“词”)从人类能够理解的形式转换为计算机能够理解的形式时,实际上经过了两步骤的量化——特征选择阶段的重要程度量化和将具体文本转化为向量时的特征权重量化。初次接触文本分类的人很容易混淆这两个步骤使用的方法和各自的目的,因而我经常听到读者有类似“如何使用TFIDF做特征选择”或者“卡方检验量化权重后每篇文章都一样”等等困惑。 文本分类本质上也是一个模式识别的问题,因此我想借用一个更直观的例子来说说特征选择和权重量化…
2010-04-23 17:16 · 机器学习和模式识别 · 评论(0)
文本分类入门(十一)特征选择方法之信息增益
摘自: http://www.blogjava.net/zhenandaci/archive/2009/03/24/261701.html 前文提到过,除了开方检验(CHI)以外,信息增益(IG,Information Gain)也是很有效的特征选择方法。但凡是特征选择,总是在将特征的重要程度量化之后再进行选择,而如何量化特征的重要性,就成了各种方法间最大的不同。开方检验中使用特征与类别间的关联性来进行这个量化,关联性越强,特征得分越高,该特征越应该被保留。 在信息增益中,重要性的衡量标准就是看特征能够为分类系统带来多少信息,带来的信息越多,该特征越重要。 因此先回忆一下信息论中有关信息量(…
2010-04-23 17:14 · 机器学习和模式识别 · 评论(0)
SVM入门(十)将SVM用于多类分类
摘自: http://www.blogjava.net/zhenandaci/archive/2009/03/26/262113.html 从 SVM的那几张图可以看出来,SVM是一种典型的两类分类器,即它只回答属于正类还是负类的问题。而现实中要解决的问题,往往是多类的问题(少部分例外,例如垃圾邮件过滤,就只需要确定“是”还是“不是”垃圾邮件),比如文本分类,比如数字识别。如何由两类分类器得到多类分类器,就是一个值得研究的问题。 还以文本分类为例,现成的方法有很多,其中一种一劳永逸的方法,就是真的一次性考虑所有样本,并求解一个多目标函数的优化问题,一次性得到多个分类面,就像下图这样: 多个超…
2010-04-23 17:06 · 机器学习和模式识别 · 评论(0)
SVM入门(九)松弛变量(续)
摘自: http://www.blogjava.net/zhenandaci/archive/2009/03/17/260315.html 接下来要说的东西其实不是松弛变量本身,但由于是为了使用松弛变量才引入的,因此放在这里也算合适,那就是惩罚因子C。回头看一眼引入了松弛变量以后的优化问题: 注意其中C的位置,也可以回想一下C所起的作用(表征你有多么重视离群点,C越大越重视,越不想丢掉它们)。这个式子是以前做SVM的人写的,大家也就这么用,但没有任何规定说必须对所有的松弛变量都使用同一个惩罚因子,我们完全可以给每一个离群点都使用不同的C,这时就意味着你对每个样本的重视程度都不一样,有些样本丢…
2010-04-23 17:04 · 机器学习和模式识别 · 评论(0)
SVM入门(八)松弛变量
摘自: http://www.blogjava.net/zhenandaci/archive/2009/03/15/259786.html 现在我们已经把一个本来线性不可分的文本分类问题,通过映射到高维空间而变成了线性可分的。就像下图这样: 圆形和方形的点各有成千上万个(毕竟,这就是我们训练集中文档的数量嘛,当然很大了)。现在想象我们有另一个训练集,只比原先这个训练集多了一篇文章,映射到高维空间以后(当然,也使用了相同的核函数),也就多了一个样本点,但是这个样本的位置是这样的: 就是图中黄色那个点,它是方形的,因而它是负类的一个样本,这单独的一个样本,使得原本线性可分的问题变成了线性不可分的…
2010-04-23 17:02 · 机器学习和模式识别 · 评论(0)
SVM入门(七)为何需要核函数
摘自: http://www.blogjava.net/zhenandaci/archive/2009/03/06/258288.html 生存?还是毁灭?——哈姆雷特 可分?还是不可分?——支持向量机 之前一直在讨论的线性分类器,器如其名(汗,这是什么说法啊),只能对线性可分的样本做处理。如果提供的样本线性不可分,结果很简单,线性分类器的求解程序会无限循环,永远也解不出来。这必然使得它的适用范围大大缩小,而它的很多优点我们实在不原意放弃,怎么办呢?是否有某种方法,让线性不可分的数据变得线性可分呢? 有!其思想说来也简单,来用一个二维平面中的分类问题作例子,你一看就会明白。事先声明,下面这个…
2010-04-23 16:58 · 机器学习和模式识别 · 评论(0)
SVM入门(六)线性分类器的求解——问题的转化,直观角度
摘自: http://www.blogjava.net/zhenandaci/archive/2009/03/01/257237.html 让我再一次比较完整的重复一下我们要解决的问题:我们有属于两个类别的样本点(并不限定这些点在二维空间中)若干,如图, 圆形的样本点定为正样本(连带着,我们可以把正样本所属的类叫做正类),方形的点定为负例。我们想求得这样一个线性函数(在n维空间中的线性函数): g(x)=wx+b 使得所有属于正类的点x+代入以后有g(x+)≥1,而所有属于负类的点x-代入后有g(x-)≤-1(之所以总跟1比较,无论正一还是负一,都是因为我们固定了间隔为1,注意间隔和几何间隔…
2010-04-23 16:54 · 机器学习和模式识别 · 评论(1)