作者：kongmeng http://www.cnblogs.com/hdu-2010/p 最近因工作需要，学习了台湾大学林智仁(Lin Chih-Jen)教授 http://www.ie.ntu.edu.tw/professors/%E5%90%88%E8%81%98%E5%B0%88%E4%BB%BB%E5%B8%AB%E8%B3%87/cjlin/ 等人开发的SVM算法开源算法包。 为了以后方便查阅，特把环境配置及参数设置等方面的信息记录下来。 SVM属于十大挖掘算法之一，主要用于分类和回归。本文
在随书下载的说明网页中，简单交代了配套代码的使用方法。有读者反馈说，对“配 置好 Ruby 和 Gnuplot 环境”不太明白。这里确实有点抱歉，原作者可能默认是 Linux（或 者 Mac OS）系统的。对其他情况，这里稍加说明。 另注：运行结果中，只通过蓝色网格和紫色剪头的变化，就可以直观的“看”到线性 变换。对于绿色的线段可以无视，那是作者为了让大家看的更明显而卖的萌，画出了一个 日文片假名的ゲ（ge）的形状。
https://sourceforge.net/projects/gnuplot/files/gnuplot/5.4.3/
如果你是研发效能组的一员或者在从事 CI/CD 或 DevOps，除了提供基础设施，指标和数据是也是一个很重要的一环，比如需要分析下某个 Git 仓库代码提交情况：
Gnuplot是一个科学界广泛使用的作图软件，从Unix软件发展而来，是一款免费软件。因为其强大的作图功能，逐渐也有其他行业的人来维护支持这个软件，使其变的越来越流行。
From：Torch7官网 1 Define a positive definite quadratic form rand() - creates tensor drawn from uniform distribution t() - transposes a tensor (note it returns a new view) dot() - performs a dot product between two tensors eye() - returns a identity matri
在博客园写文章有一段时间了，除了自己有一些新的发现想与别人分享外，推动我写文章的最大动力就是看博客园排名不断增长啦！然而在博客园后台，只能看到当天的积分与排名，历史值和趋势却没有办法查询，对于文章发表后对自己积分与排名的影响并不直观，于是就想到自己动手做一个积分与排名趋势图这样一个工具。
问题 在mac os 10.10.5上的Octave使用Plot时，出现如下错误: plot错误 解决方案 修改环境 每次在使用plot前输入： setenv("GNUTERM","qt") 修改配
本文介绍了如何使用Caffe绘制训练过程中的loss和accuracy曲线。首先介绍了如何安装和配置Caffe，然后讲解了如何使用Caffe自带的日志工具来分析训练过程中的loss和accuracy。最后给出了一组示例，展示了如何修改gnuplot设置以绘制双曲线。
https://sourceforge.net/projects/aquaterm/
Growth hacking 就是一个很典型的例子，通过关键动作的大数据分析，和AB测试以数据来驱动增长
有一说一,这两个软件不是多好下载.如果你实在搞不定.可以寻求我的帮助...如果可以的话~
--------------------接CentOS 操作系统下搭建tsung性能测试环境_Part 1---------------------
昨天发现不知不觉从武汉报告第一起不明肺炎，新冠已经陪伴我们一年了。忽然意识到AAF开发应该也已经很久了。翻了一下，果然不知不觉也一年多了，想专门整理统计一下项目的数据，最终选了用 gitstats，使用过程简单总结一下，方便后续使用。
目前，机器学习已广泛地应用于脑科学领域的研究中，特别是在利用脑影像数据进行疾病的诊断方面，离不开分类算法。支持向量机（Support Vector Machine, SVM）作为一种有监督学习的二元分类器，在小样本分类中具有突出的优势，因此非常适合于基于脑影像数据的疾病分类研究。LIBSVM工具包是台湾大学Lin Chih-Jen教授等开发一个SVM工具包，其可运行于Python, R, MATLAB等语言环境下，是目前大家用的比较多的一个SVM工具包。本文，笔者详细阐述Matlab环境下LIBSVM的安装和使用教程，希望对大家的研究有所帮助。
之前写过一篇绘制博客园积分与排名趋势图的文章——《查看博客园积分与排名趋势图的工具 》，使用那篇文章介绍的工具，可以通过趋势图直观的看出排名前进的走势。但是如果想看看自己积分达到多少才能进入前多少名次，就无能为力了。如果我们能够根据历史数据，拟合出一条预测曲线，然后根据这条曲线就可以预测多少积分进多少排名啦！想想就很激动呐~
whl文件下载（下载对应python版本的） https://www.lfd.uci.edu/~gohlke/pythonlibs/#libsvm
写在前面：这篇博客写的很乱，只是先大致记录一下，后期行得通再慢慢补充。 之前稍微整理了libsvm的内容，但是还有很多没搞懂，最近因为论文思路卡住了，所以又反过来弄libsvm 因为看人家的论文，偏应用的方面，流程都非常完整，特征提取以后，一般有降维，有参数寻优，所以就很想实现这些功能，因为对比实验真的一点也写不下去了，头大…而且svm的工具箱非常的成熟了，除了常用的libsvm工具包，还有Libsvm-Faruto Ultimate的工具包，这是一个基于libsvm的工具箱，增加了许多实用的功能：降维、参数寻优、可视化等等，所以我想试一下能不能丰富我的实验，不然就只能好好补对比实验了…
话说这些天电视上正在热映《隋唐英雄》，虽然我并没有看，但是对当年田连元老先生的评书联播《隋唐演义》却是记忆犹新，特别是故事里面讲到的程咬金的三板斧：拍蒜瓣、戳脚指甲盖、胡椒面，每每听来总是让人忍俊不禁，不过这些貌似无厘头的招数在实战中却往往有出奇制胜的效果，由此可见简单实用永远都是硬道理，在当前这个倡导DevOps的年代，我们这些程序员自然也要学一些运维方面的本事才好安身立命，下面结合一些真实案例说说我在日常工作中常用的三板斧。
2.1 若python是32位的，则在libsvm-3.16文件夹下的windows文件夹中找到动态链接库libsvm.dll （size: 156.5KB），将其添加到系统目录，如`C:\WINDOWS\system32\’，即可在python中使用libsvm
以下步骤描述如何安装（或更新）Scapy 本身。 根据你的平台，可能需要安装一些额外的库才能使其真正工作。 所以，请大家在平台特定之指南中查看如何安装这些必需的东西。
LibSVM是开源的SVM实现，支持C， C++， Java，Python ， R 和 Matlab 等, 这里选择使用Python版本。
分类战车SVM （附录：用Python做SVM模型） 回复“SVM”查看本《分类战车SVM》系列的内容： 第一话：开题话 第二话：线性分类 第三话：最大间隔分类器 第四话：拉格朗日对偶问题（原来这么简单！） 第五话：核函数（哦，这太神奇了！） 第六话：SMO算法（像Smoke一样简单！） 附录：用Python做SVM模型 转载请注明来源 ---- 本集目录为： 一、简化版SMO算法 二、LIBSVM包 1.简介 2.数据格式 3.安装 4.简单的使用方法 三、题外话 上一集介绍了SMO的算法原理，本
本集目录为： 一、简化版SMO算法 二、LIBSVM包 1.简介 2.数据格式 3.安装 4.简单的使用方法 三、题外话 上一集介绍了SMO的算法原理，本集是《分类战车SVM》系列的最后一个，介绍如何用代码实现，给出了简化版的SMO代码，以及LIBSVM的使用方法。 前面6集可以在微信公众号“数说工作室”（搜不到就搜微信号“shushuojun”）中回复“SVM1”（开题话）、“SVM2”（线性分类）、“SVM3”（最大间隔分类器）、“SVM4”（拉格朗日对偶问题）、“SVM5”（核函数）
出自percona公司，是一款多线程系统压测工具，可以根据影响数据库服务器性能的各种因素来评估系统的性能。例如，可以用来测试文件IO，操作系统调度器，内存分配和传输速度，POSIX线程以及数据库服务器等。sysbench支持Lua脚本语言，Lua对各种测试场景的设置可以非常灵活。sysbench支持MySQL，操作系统和硬件的测试。
1. 下载libsvm 2. 解压 3. cd 进入libsvm文件夹，然后make 4. cd 进入libsvm的python子文件夹 ，然后make 5.会生成文件libsvm.so.2，svm.py,svmutil.py $ sudo cp *.py /usr/lib/python2.7/dist-packages/ $ cd .. $ sudo cp libsvm.so.2 /usr/lib/python2.7/ 6.检查 1.# cd / 2.# python 3.# import
在Pentest期间，我们在yrange参数中使用命令注入在OpenTSDB 2.4.0及更低版本中发现了一个远程执行代码漏洞（其他参数可能也容易受到攻击）
对于Git项目开发，有一些可视化的工具，如gitk，giggle等，来查看项目的开发历史。但对于大型的项目，这些简单的可视化工具远远不足以了解项目完整的开发历史，一些定量的统计数据（如每日提交量，行数等）更能反映项目的开发进程和活跃性。今天给大家推荐的这款工具：GitStats，它能生成如下的一些统计数据，并且可以图表形式进行展示对比。
RGB对照表：https://www.114la.com/other/rgb.htm
我们生活在一个几乎所有东西都能产生数据的世界。数据，借助于创建显示变量之间关系的图形的工具，可以对其进行分析和可视化。
LIBSVM是台湾大学林智仁(Lin Chih-Jen)教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，他不但提供了编译好的可在Windows系列系统的执行文件，还提供了源代码，方便改进、修改以及在其它操作系统上应用；该软件对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数可以解决很多问题；并提供了交互检验(Cross Validation)的功能。该软件可以解决C-SVM、ν-SVM、ε-SVR和ν-SVR等问题，包括基于一对一算法的多类模式识别问题。
@蜡笔小轩V 原文：http://blog.csdn.net/Dinosoft/article/details/50734539 纸上得来终觉浅，还是要多实践呐！ 之前看了很多入门的资料，如果现在让我来写写，我觉得我会选择”数字识别(digit recognizer)”作为例子，足够有趣，而且能说明很多问题。kaggle是个实践的好地方，python是门方便的语言，sklearn是个不错的库，文档很适合学习。那就用sklearn来实践一下机器学习，加深理解吧！至于机器学习具体的算法，这里就不赘述了，可
@蜡笔小轩V 原文：http://blog.csdn.net/Dinosoft/article/details/50734539 之前看了很多入门的资料，如果现在让我来写写，我觉得我会选择”数字识别(digit recognizer)”作为例子，足够有趣，而且能说明很多问题。kaggle是个实践的好地方，python是门方便的语言，sklearn是个不错的库，文档很适合学习。那就用sklearn来实践一下机器学习，加深理解吧！ kaggle数据读取 import pandas as pdimport nu
看了下svm（支持向量机）的实现原理，感觉基础的部分还是不难懂的，但是如果要自己动手实现的话还是有很大难度的，况且自己写的效果肯定不太好。于是就在网上找了一个大牛写的svm库，实现了多种分类方式，而且涵盖了几乎所有常见语言的接口，用起来方便而且效果也很好。
关于Libsvm的废话 基于Libsvm的图像分类实例 说说图像分类的处理结果 1. 关于Libsvm的废话 先来一段废话，大家有心情看看就行，那就是关于支持向量机的问题，支持向量机是在统计学习理论基础上发展起来的一种机器学习方法。基于数据的机器学习是现代智能技术中的一个重要方面,研究的实质是根据给定的训练样本求对某系统输入输出之间依赖关系的估计,使它能对未知输入作出尽可能准确的预测和估计。本文提出了一种利用支持向量机(SupportvectorMachine,简称 SVM)的图像分类方法，关于其他支
李海波 http://blog.csdn.net/marising/article/details/5844063 支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解决小样本 、非线性 及高维模式识别 中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小 原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（
ApacheBench是一个用来衡量http服务器性能的单线程命令行工具。原本针对Apache http服务器，但是也适用于其他http服务器。
对于Git项目开发，有一些可视化的工具，如gitk，giggle等，来查看项目的开发历史。但这些简单的可视化工具远远不足以了解项目完整的开发历史，类似于gitstats的定量统计数据工具则（如每日提交量，行数等）更能反映项目的开发进程和活跃性。
ab [options] [http[s]://]hostname[:port]/path
计算RPS最简单的方法是用一天的总访问量除以一天的总秒数，不过这样得出的结论只是一个平均值，无法反映各个时间点的真实情况，真正有价值的是即时的RPS数据，如果有一个比较好的监控系统的话，这并不难，可惜我没有，而且实际上我遇到的问题还要更复杂些：大部分接口是PHP写的，少部分接口是LUA写的，为了更有针对性，需要分别计算PHP和LUA的即时RPS数据。
网站压力测试 Usage: ab [options] [http[s]://]hostname[:port]/path 用法：ab [选项] 地址
CPC是一款使用率非常高的lncRNA预测软件，但是它也存在一些问题。利用二代测序得到的转录组数据，我们组装得到的转录本往往是不完整的，基于非全长的转录本去预测lncRNA，如果这个lncRNA和蛋白编码基因存在overlap,那么很容易造成误判；其次对于没有物种注释的物种，其效果也很差。
Python是做机器学习框架一定要支持的。MLSQL很早就支持集成Python脚本做模型的训练和预测。
CPC是由北京大学开发的一款lncRNA预测工具，只需要输入fasta格式的转录本序列，该软件就可以判断每条转录本的蛋白编码潜能并进行打分，根据得分将转录本划分为coding和non-coding两类，网址如下
网上有人用libsvm2.89在Python2.6成功。（一定要libsvm2.89搭配python2.6，其他版本都不能成功，我就是浪费了大量时间在这里！） python 搭建libsvm方法。python版本和libsvm版本匹配很重要！ 两步： 1.将libsvm-2.89\windows\python目录下的svmc.pyd文件复制到C:\Python26\DLLs； 2.将libsvm-2.89\python目录下的svm.py放到C:\Python26\Lib目录里。 from svm impo
刘斌，OneAPM后端研发工程师，拥有10多年编程经验，参与过大型金融、通信以及Android手机操作系的开发，熟悉Linux及后台开发技术。曾参与翻译过《第一本Docker书》、《GitHub入门与实践》、《Web应用安全权威指南》、《WEB+DB PRESS》、《Software Design》等书籍，也是Docker入门与实践课程主讲人。本文所阐述的「时间序列数据库」，系笔者所负责产品 Cloud Insight 对性能指标进行聚合、分组、过滤过程中的梳理和总结。 在前面的《时序列数据库武斗大会之
官方文档：https://spark.apache.org/docs/2.2.0/ml-clustering.html
在进行UMAP可视化时，经常使用scanpy.pl.umap()来进行可视化，但是有时不能画出我们想要的结果，这时应该怎么办呢？
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
