XLY23333 Blog

Hadoop服务器集群安装配置虚拟机CentOS7的安装 下载VMware WorkStation 17 PRO，并激活 添加全新虚拟机，使用Linux的CentOS7发行版，并通过稍后安装避免VM的快速安装自动安装GUI界面 启动虚拟机 虚拟机基础设置和克隆 进入网卡目录，使用Vi/Vim修改文件12cd /etc/sysconfig/network-scripts/vi ifcfg-eno16777736 使用Vim基础操作修改ONBOOT值为yes 完成网络服务重启，再次ip a查看ip地址 将ip地址、用户名(root)、密码输入FinalShell完成远程OpenSSH连接 由于CentOS停止维护，为方便后续安装，修改yum包管理器的镜像源 更改为阿里云镜像源 测试安装vim，成功则说明已经成功更换新镜像源 1yum install vim 使用Vmware平台自带功能克隆整个虚拟机 克隆出三台CentOS虚拟机 分别ip a并使用FinalShell完成远程连接 使用hostnamectl完成三台虚拟机的更名 12hostnamectl ...

正则表达式快速入门 学习源视频：奇乐编程学院-[Bilibili]Note：XLY23333-[Blog]NoteBy：Typora[Markdown] + $\rm\LaTeX$ Themes by:Keldos-Li-[Github] 限定符 [Quantifiers]单个字符的限定 $\quad$限定符$\quad$ Description $\quad$Eg$\quad$ Egmeans ? ?前字符出现0或1次(?前字符可有可无) used? 查找所有use和used * *前字符出现0或多次(*前字符可有多次可无) ab?c 可查找abc,ac,abbbc等 + +前字符出现1或多次(+前字符可有一次或多次) ab+c 可查找abc,abbbc等 {<num>} 指定{…}前字符出现次数为<num>次 ab{2}c 可查找abbc等 {<min>,<max>} 指定{…}前字符出现次数范围,可以缺省max值 ab{3,
...

回归 用于在难以选择建模模型时，分析自变量和因变量的关系 一、多元线性回归（一）原理理论1. 模型多元线性回归分析的模型为 \begin{cases} y=\beta_0+\beta_1x_1+\cdots+\beta_mx_m+\varepsilon\\ \varepsilon \sim N(0,\sigma^2) \end{cases}其中$\beta_0,\beta_1,\cdots,\beta_m,\sigma^2$都是与$x_1,x_2,\cdots,x_m$无关的位置参数，其中$\beta_0,\beta_1,\cdots,\beta_m,$称为回归系数 现得到$n$个独立观测数据$[bi,a{\small i1},\cdots,a{i2}]$，其中$bi$为$y$的观察值，$a{\small i1},\cdots,a{im}$分别是$x_1,x_2,\cdots,x_m$的观测值，$i=1,\cdots,n\quad,n>m$，即 \begin{cases} b_i=\beta_0+\beta_1a_{i1}+\cdots+\beta_ma_{im}+\var ...

拟合一、曲线拟合的线性最小二乘法（一）线性最小二乘法1. 问题提出（1）简介已知一组（二维）数据，即平面上的n个点$(x_i,y_i)\ (i=1,2,\cdots,n)$，$x_i$互不相同，求一个函数（曲线）$y=f(x)$使得$f(x)$在某种准则下与所有数据点最为接近，即曲线拟合的最好 线性最小二乘法是解决曲线拟合最常见的方法，思路为：令 f(x) = a_1r_1(x)+a_2r_2(x)+\cdots+a_mr_m(x)其中$r_k(x)$是事先选定的一组线性无关的函数，$a_k$是待定系数 $(k=1,2,\cdots,m\quad ,m<n)$ 拟合的准则为使$y_i\ ,(i=1,2,\cdots,n)$与$f(x_i)$的距离$\delta_i$的平方和最小，称为最小二乘准则 （2）系数$a_k$的确定记 J(a_1,\cdots,a_m)=\sum^n_{i=1}\delta^2_i=\sum^n_{i=1}[f(x_i)-y_i]^2为求$a_1,\cdots,a_m$使得$J$达到最小，秩序利用极值的必要条件$\dfrac{\partial J}{\ ...

插值一、插值定义数据处理问题：在平面上给定一组离散点列，要求一条曲线把这些点依次连接起来，称之为插值 注意！此部分出现了大量不同的有关矩阵的函数运算方法，不同的运算方法之间对行标和列标的对应不同，最好在使用之前用size()方法看清相应的大小和对应关系，再进行操作！ 二、常见插值方法已知$n+1$个点$(x_i,y_i)\ (i=0,1,…,n)$，下面求各种插值函数 （一）分段线性插值将两个相邻的节点用直线连接起来，如此形成的一条折线就是分段线性插值函数，记作$I_n(x)$，它满足$I_n(x_i)=y_i$，且$I_n(x)$在每一个小区间$[x_i,x{\small i+1}]$上是线性函数 $(i=0,1,…,n)$ $I_n(x)$可以表示为$I_n(x)\sum\limits^n{\small i=0}y_il_i(x)$，其中 l_i(x)=\begin{cases} \dfrac{x-x_{i-1}}{x_i-x_{i-1}},\quad x\in[x_{i-1},x_i]\ (i\ne 0)\\\\ \dfrac{x-x_{i+1}}{x_i-x_{i+1}} ...

2d0cc57e0ca0d95b94a86d2858934c236a929973a1341844210faac8bd7bf73c3d510240d6cf5d989f7d63f8c8db6b1b6de20346640f5bf50f274f81c03b231129d482910960ac219e778af4c7db4e28f847ec4295f626227dcafc651a81d083870862d9b60a25c285297c3841c2186709d6ca45d98fdca289c5962b5723b6f48aec913b14d84755eb8cd71be942815bac9bd0d7eb6b8c7ae786515eedee51d009412b6eb977aee6e4f6c389ae3f9d72c603f32c89edc619d1f286ea75e92b853a02a671cd475f25380c155d1bfa5298f5d3b8f93b484b4630c3e9c451f6d0e2d86249a1d58138a2d17c97c0340867ed82348899845dac8bc ...

KMeans聚类法一、Kmeans内容 Video:~Bilibili-ln异教徒 Kmeans 随机生成k个聚类中心点 其中k值的确定可以采用“手肘法”，通过分析不同k值下误差平方和(SSE)的值的变化，选取其”肘部“作为合适的聚类数目 SSE = \sum_{i=1}^k\sum_{p\in C_i}|p-m_i|^2其中$C_i$是第i个类，p是$C_i$中的样本点，$m_i$是$C_i$的质心($C_i$中所有样本点的均值)，SSE是所有样本的聚类误差，代表了聚类效果的好坏。通过找寻SSE的值的下降幅度剧烈减小的位置来判断合适的k取值 12345678910111213141516171819202122function SSE = funcSSE(data,total) % data为数据,total为要划分的类别总数n = size(data,2); % data的ColCountfor i = 2:total k = i; [label,c] = kmeans(data,k); temp = 0; for j = 1:i % 按照分类数量遍 ...

评价模型一、层次分析法 AHP 学习源Video:Bilibili-ln异教徒 AHP 作用：层次分析法用来进行决策，求指标的权重 模型建立步骤： 建立层次结构 将决策问题分为三个部分：目标层、准则层和指标层/方案层 对准则层构建判断矩阵 判断矩阵为两两指标重要性的判断，一般判别矩阵构造如下： A=(a_{ij}) _{m\times n}= \begin{pmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ a_{21} & a_{22} & \cdots & a_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{n1} & a_{n2} & \cdots & a_{nn} \end{pmatrix} 九级标度法表格 | 标度 | 含义 || ———————— | ————————————————————- || 1 | i和j具有相同的重要性(Eg:主对角 ...

2d0cc57e0ca0d95b94a86d2858934c236a929973a1341844210faac8bd7bf73c011b5ad40b23a60d4629d561c061a8d90c6cd17f948a014811b5358f1cd13cc69ec60ed77ef384685c68c58676b9cd84f19ce67f2ef07f32db57fa395db46a039032aecffdeeeeb6b0badf82d72e3d737bd5efa29396e702fcca920633f20510fab60595f368a14b37fd1be161531a31f35387da9262ed7cbaab5b2f8959ecefbe8abf6f55ab498fead13e854fa4fb65d7a3b4f599c909b799fe0901bbecf8bc82e3d787db5a6aa7bf151a32681f13d1fc878424cc39f1fe1a80f4b3ae96d748828d19c5cdda330f819c425431e1ebc40622ab28f4c824d95 ...