分类数据

遥感怎么分类的 题目：Support vector machines for classification in remote sensing 作者：M. PAL，P. M. MATHER　英国诺丁汉大学地理学院 一、综述 文章旨在比较SVM、最大似然法（ML）及人工神经网络（ANN）在分类任务中的准确率。使用的数据为Landsat-7 ETM+（多光谱数据）和DAIS（高光谱数据），实验区域为：英格兰东部和西班牙中部。 1995年Vapnik提出了SVM替代神经网络分类器，后有人将其应用在遥感数据分类上。SVM基于统计学习理论，确定分类边界，得到理想的分类结果。比如，在线性可分的二分类模式识别问题中，SVM从大量线性决策边界中选取最小化泛化误差的边界。被选择的边界应在两类之间留下最大空白区域，这个区域的宽度为超平面到两类最近点的距离之和。使用标准二次规划（QP）优化方法可以达到空白区域最大化。离超平面最近的数据点用来测量空白区域，成为支持向量，数量很小。 如果二分类线性不可分，SVM会尝试寻找既能最大化空白区域又能最小化错分误差的超平面。用户定义一个常量来平衡空白区域和误差。SVM也可处理非线性，Boser（1992）使用核函数将输入数据映射到高维空间，并明确表达了线性分类器的方法。Vapink（1995）有更多的讨论。 对于N分类问题，SVM需要划分N个超平面

阅读对象 只要你想读，你就读呗！最好点个赞再走。。。:-) 本文尽量通过例子和直观描述，来说明人工智能中机器学习和数据挖据的主要概念，分类，和使用方法，并通过例子描述如何使用它来促进公司业务发展。虽然标题偏技术，但内容涵盖面较广，涉及业务，产品，技术等多方面。主要目的是说清楚公司如何使用数据挖据为业务提速，所以推荐的阅读对象，是公司中高级运营管理人员，创始人。但并不一定合适人工智能，数据挖据的技术专家，因为它基本不涉及人工智能和数据挖据的底层技术，也不涉及深层次的数学原理和算法研究。 前言 近年来，人工智能，大数据是一个非常热门的词汇。与一些更加前沿的科技例如量子计算，神经网络，虚拟现实，区块链等等不同，这一类技术里面，已经有一些分类，实实在在地被商用并且产生了可观的效益。简单地说，本文所描述的数据挖据相关内容，事实上就是人工智能和大数据的一种结合。 哪儿有数据挖掘哪儿就有“啤酒与尿布”， “沃尔玛啤酒和尿布的故事”这个经典的案例是从事这行研究的人都知道的一个故事，说的是沃尔玛超市（Walmart）会在周末时把啤酒移到尿布货架的未端，这是因为沃尔玛的数据挖掘专家告诉老板，他们的研究结果显示男士通常会在周末购买尿布，而他们同时也喜欢在周末喝啤酒，如果放在一起那肯定会提升销售，老板照做了，结果啤酒销售果然增加了40%以上。。。很想知道这个经典案例是真实的还是为了宣传数据挖掘而制造的

【转】锁的分类及特性 数据库锁定机制简单来说，就是数据库为了保证数据的一致性，而使各种共享资源在被并发访问时变得有序所设计的一种规则。 对于任何一种数据库来说都需要有相应的锁定机制，所以 MySQL 自然也不能例外。 MySQL 数据库由于其自身架构的特点，存在多种数据存储引擎，每种存储引擎所针对的应用场景特点都不太一样。 为了满足各自特定应用场景的需求，每种存储引擎的锁定机制都是为各自所面对的特定场景而优化设计，所以各存储引擎的锁定机制也有较大区别。 MySQL 各存储引擎使用了三种类型（级别）的锁定机制： 表级锁定 行级锁定 页级锁定 表级锁定（table-level） 表级别的锁定是 MySQL 各存储引擎中最大颗粒度的锁定机制。该锁定机制最大的特点是实现逻辑非常简单，带来的系统负面影响最小。 所以获取锁和释放锁的速度很快。由于表级锁定一次会将整个表锁定，所以可以很好的避免困扰我们的死锁问题。 当然，锁定颗粒度大所带来最大的负面影响就是出现锁定资源争用的概率也会最高，致使并大度大打折扣。 使用表级锁定的主要是 MyISAM，MEMORY，CSV 等一些非事务性存储引擎。　　 行级锁定（row-level） 行级锁定最大的特点就是锁定对象的颗粒度很小，也是目前各大数据库管理软件所实现的锁定颗粒度最小的。 由于锁定颗粒度很小，所以发生锁定资源争用的概率也最小