数据挖掘，计算机网络、操作系统刷题笔记48

news2024/9/28 11:22:32

数据挖掘，计算机网络、操作系统刷题笔记48

2022找工作是学历、能力和运气的超强结合体，遇到寒冬，大厂不招人，可能很多算法学生都得去找开发，测开
测开的话，你就得学数据库，sql，oracle，尤其sql要学，当然，像很多金融企业、安全机构啥的，他们必须要用oracle数据库
这oracle比sql安全，强大多了，所以你需要学习，最重要的，你要是考网络警察公务员，这玩意你不会就别去报名了，耽误时间！
与此同时，既然要考网警之数据分析应用岗，那必然要考数据挖掘基础知识，今天开始咱们就对数据挖掘方面的东西好生讲讲

刷题系列文章
【1】Oracle数据库：刷题错题本，数据库的各种概念
【2】操作系统，计算机网络，数据库刷题笔记2
【3】数据库、计算机网络，操作系统刷题笔记3
【4】数据库、计算机网络，操作系统刷题笔记4
【5】数据库、计算机网络，操作系统刷题笔记5
【6】数据库、计算机网络，操作系统刷题笔记6
【7】数据库、计算机网络，操作系统刷题笔记7
【8】数据库、计算机网络，操作系统刷题笔记8
【9】操作系统，计算机网络，数据库刷题笔记9
【10】操作系统，计算机网络，数据库刷题笔记10
【11】操作系统，计算机网络，数据库刷题笔记11
【12】操作系统，计算机网络，数据库刷题笔记12
【13】操作系统，计算机网络，数据库刷题笔记13
【14】操作系统，计算机网络，数据库刷题笔记14
【15】计算机网络、操作系统刷题笔记15
【16】数据库，计算机网络、操作系统刷题笔记16
【17】数据库，计算机网络、操作系统刷题笔记17
【18】数据库，计算机网络、操作系统刷题笔记18
【19】数据库，计算机网络、操作系统刷题笔记19
【20】数据库，计算机网络、操作系统刷题笔记20
【21】数据库，计算机网络、操作系统刷题笔记21
【22】数据库，计算机网络、操作系统刷题笔记22
【23】数据库，计算机网络、操作系统刷题笔记23
【24】数据库，计算机网络、操作系统刷题笔记24
【25】数据库，计算机网络、操作系统刷题笔记25
【26】数据库，计算机网络、操作系统刷题笔记26
【27】数据库，计算机网络、操作系统刷题笔记27
【28】数据库，计算机网络、操作系统刷题笔记28
【29】数据库，计算机网络、操作系统刷题笔记29
【30】数据库，计算机网络、操作系统刷题笔记30
【31】数据库，计算机网络、操作系统刷题笔记31
【32】数据库，计算机网络、操作系统刷题笔记32
【33】数据库，计算机网络、操作系统刷题笔记33
【34】数据库，计算机网络、操作系统刷题笔记34
【35】数据挖掘，计算机网络、操作系统刷题笔记35
【36】数据挖掘，计算机网络、操作系统刷题笔记36
【37】数据挖掘，计算机网络、操作系统刷题笔记37
【38】数据挖掘，计算机网络、操作系统刷题笔记38
【39】数据挖掘，计算机网络、操作系统刷题笔记39
【40】数据挖掘，计算机网络、操作系统刷题笔记40
【41】数据挖掘，计算机网络、操作系统刷题笔记41
【42】数据挖掘，计算机网络、操作系统刷题笔记42
【43】数据挖掘，计算机网络、操作系统刷题笔记43
【44】数据挖掘，计算机网络、操作系统刷题笔记44
【45】数据挖掘，计算机网络、操作系统刷题笔记45
【46】数据挖掘，计算机网络、操作系统刷题笔记46
【47】数据挖掘，计算机网络、操作系统刷题笔记47

文章目录

  • 数据挖掘，计算机网络、操作系统刷题笔记48
    • @[TOC](文章目录)
  • 数据挖掘分析应用：支持向量机SVM
  • 共享式以太网采用的介质访问控制方法是（）
  • 计算机自动拨号建立线路连接的过程属于OSI/RM的（ ）功能。
  • 下列关于「1kb/s」准确的含义是（ ）。
  • 在以下几种拓扑结构中，使用线缆最多的将是？（ ）
  • 由于通道没有自己的内存，因此编制好的通道程序是存放在主存贮器中的
  • 抢占式多任务处理中，进程被抢占时，哪些运行环境需要被保存下来？
  • 若进程P一旦被唤醒就能投入运行，则系统可能是（）
  • 分段式存储管理系统中，零头处理问题可采用( )？
  • 总结

数据挖掘分析应用：支持向量机SVM

在这里插入图片描述
用二维空间说明这个事

用一条线，将其分开

在这里插入图片描述
哪个线最好呢？？

最好找，俩样本所有点，距离这个线的距离之和最大，即可

那只需要找边沿那几个点——他们叫支持向量点
在这里插入图片描述
在这里插入图片描述
实现是超平面
虚线是支持向量线
俩距离作为yikesir
在这里插入图片描述
在这里插入图片描述
距离咋求？点到面的距离
在这里插入图片描述
反正目标就是最大化2/||w||^2

通过办法转化求解w
在这里插入图片描述
再约束一波
取最大值中，拿到一个最小结果
即可
不需要超大
在这里插入图片描述
提取一个特征，扩张到三维

在这里插入图片描述
在这里插入图片描述
然后将其映射到三维
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
扩维可以考虑多种，尝试看看哪种好
在这里插入图片描述
这不是个好办法

在这里插入图片描述
在这里插入图片描述
后来怎么扩维呢？？？
用核函数
在这里插入图片描述
这就是为啥SVM比较牛逼的原因

在这里插入图片描述

它扩维之后分类的能力很强的
在这里插入图片描述
松弛变量，把异常错分点容忍了

在这里插入图片描述
看右图

样本不平衡
看看场景吧

黑线更好
在这里插入图片描述
在这里插入图片描述
下面代码演示：


# 演示SVM
# 模型
def hr_modeling_all_saveDT_SVM(features, label):
    from sklearn.model_selection import train_test_split
    # 切分函数
    #DataFrame
    feature_val = features.values
    label_val = label
    # 特征段
    feature_name = features.columns
    train_data, valid_data, y_train, y_valid = train_test_split(feature_val, label_val, test_size=0.2)  # 20%验证集
    train_data, test_data, y_train, y_test = train_test_split(train_data, y_train, test_size=0.25)  # 25%测试集
    print(len(train_data), len(valid_data), len(test_data))

    # KNN分类
    from sklearn.neighbors import NearestNeighbors, KNeighborsClassifier
    from sklearn.metrics import accuracy_score, recall_score, f1_score  # 模型评价
    from sklearn.naive_bayes import GaussianNB, BernoulliNB  # 高斯，伯努利，都是对特征有严格要求，离散值最好
    from sklearn.tree import DecisionTreeClassifier, export_graphviz  # 决策树
    from io import StringIO
    import pydotplus
    import os
    from sklearn.svm import SVC

    os.environ["PATH"] += os.pathsep+r'D:\Program Files\Graphviz\bin'

    models = []  # 申请模型，挨个验证好坏
    knn_clf = KNeighborsClassifier(n_neighbors=3)  # 5类
    bys_clf = GaussianNB()
    bnl_clf = BernoulliNB()
    DT_clf = DecisionTreeClassifier()
    SVC_clf = SVC()

    models.append(("KNN", knn_clf))  # 代码一个个模型测--放入的是元祖
    # models.append(("GaussianNB", bys_clf))  # 代码一个个模型测--放入的是元祖
    # models.append(("BernoulliNB", bnl_clf))  # 代码一个个模型测--放入的是元祖
    models.append(("Decision Tree", DT_clf))  # 代码一个个模型测--放入的是元祖
    models.append(("SVM classifier", SVC_clf))  # 代码一个个模型测--放入的是元祖

    # 不同的模型，依次验证
    for modelName, model in models:
        print(modelName)
        model.fit(train_data, y_train)  # 指定训练集
        # 又集成化数据集
        data = [(train_data, y_train), (valid_data, y_valid), (test_data, y_test)]
        for i in range(len(data)):
            print(i)
            y_input = data[i][0]
            y_label = data[i][1]  # 输入输出预测
            y_pred = model.predict(y_input)
            print("acc:", accuracy_score(y_label, y_pred))
            print("recall:", recall_score(y_label, y_pred))
            print("F1:", f1_score(y_label, y_pred))
        print("\n")

    # 不考虑存储，你看看这个模型就会输出仨结果


if __name__ == '__main__':
    features, label = pre_processing(sl=True, le=True, npr=True, amh=True, wacc=True, pla=True, dep=False, sal=True,
       lower_d=True, ld_n=3)
    # print(df, label)

    # 灌入模型
    hr_modeling_all_saveDT_SVM(features, label)
8999 3000 3000
KNN
0
acc: 0.9613290365596178
recall: 0.9347319347319347
F1: 0.9201468563561267
1
acc: 0.9156666666666666
recall: 0.8561549100968188
F1: 0.8303152246814218
2
acc: 0.9243333333333333
recall: 0.8862019914651493
F1: 0.8458927359131024


Decision Tree
0
acc: 1.0
recall: 1.0
F1: 1.0
1
acc: 0.9383333333333334
recall: 0.8921161825726142
F1: 0.8745762711864407
2
acc: 0.9416666666666667
recall: 0.8933143669985776
F1: 0.8777078965758213


SVM classifier
0
acc: 0.9047671963551506
recall: 0.7496503496503496
F1: 0.7895899828136509
1
acc: 0.9
recall: 0.7316735822959889
F1: 0.7790868924889544
2
acc: 0.906
recall: 0.7738264580369844
F1: 0.7941605839416057



Process finished with exit code 0

一般般吧这个结果

还不如KNN呢？
DT当然是最牛逼的

kernel核函数可以去官网看
在这里插入图片描述

共享式以太网采用的介质访问控制方法是（）

在这里插入图片描述

链接：https://www.nowcoder.com/questionTerminal/63db200f25bc4da7a4b1bbddfb7d730c
来源：牛客网

CSMA/CD带碰撞检测的载波监听多点接入（Carrier Sense Multiple Access with Collision Detection）有线以太网
CSMA/CA带冲突避免的载波监听多点接入（Carrier Sense Multiple Access with Collision Avoidance）无线局域网

计算机自动拨号建立线路连接的过程属于OSI/RM的（ ）功能。

在这里插入图片描述

下列关于「1kb/s」准确的含义是（ ）。

在这里插入图片描述

在以下几种拓扑结构中，使用线缆最多的将是？（ ）

在这里插入图片描述

由于通道没有自己的内存，因此编制好的通道程序是存放在主存贮器中的

在这里插入图片描述

抢占式多任务处理中，进程被抢占时，哪些运行环境需要被保存下来？

别人的不管，自己的要存
在这里插入图片描述

若进程P一旦被唤醒就能投入运行，则系统可能是（）

小心
在这里插入图片描述

分段式存储管理系统中，零头处理问题可采用( )？

在这里插入图片描述

总结

提示：重要经验：

1）
2）学好oracle，即使经济寒冬，整个测开offer绝对不是问题！同时也是你考公网络警察的必经之路。
3）笔试求AC，可以不考虑空间复杂度，但是面试既要考虑时间复杂度最优，也要考虑空间复杂度最优。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/339618.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

2.11sql的增删查改

2.11sql的增删查改

一.CURD(增删查改1.c新增insert往表里添加数据注意事项1.2.3.4.5.如果是蓝丁文的2.R1.全列查找这一步很危险2.指定列查找3.带表达式的查找4.别名5.查找结果去重:DISTINCT6 排序：ORDER BY7 条件查询：WHERE1.比较运算符WHERE条件可以使用表达式&#xff0c…
阅读更多...
如何生成毕业论文的目录和创建模板

如何生成毕业论文的目录和创建模板

有粉丝同学最近在写毕业论文，其中比较让人恼火的是毕业论文的目录，折腾了几遍没弄好，想让我写个简单地教程，那就来吧。主要分为三步：第一步是从模板里面提取标题的样式，第二步是对自己的论文使用设置好的标…
阅读更多...
DaVinci：调色版本

DaVinci：调色版本

调色版本 Grade Version记录着片段的全部调色信息。将一种调色风格或效果，保存为一个调色版本，从而可在多个调色版本之间查看、比较、挑选或者渲染输出。调色版本类型本地版本Local Versions在没有创建新的调色版本之前，片段的调色信息默认记…
阅读更多...
MySQl单表查询

MySQl单表查询

表名：worker-- 表中字段均为中文，比如 部门号 工资 职工号 参加工作 等 CREATE TABLE worker ( 部门号 int(11) NOT NULL, 职工号 int(11) NOT NULL, 工作时间 date NOT NULL, 工资 float(8,2) NOT NULL, 政治面貌 varchar…
阅读更多...
1dB压缩点和三阶交调点、相位差与延时

1dB压缩点和三阶交调点、相位差与延时

1dB压缩点与三阶交调点 要知道放大器是一个非线性系统，传输函数基本用泰勒级数表示 如果输入信号幅度很小，那么上式中2次及以上的项就可以忽略而成为小信号的情况。在许多情况下我们可以忽略3次以上的项。 如果输入一个正弦信号 1、可以看到一个单频率…
阅读更多...
webpack-dev-server 的 host 配置 0.0.0.0

webpack-dev-server 的 host 配置 0.0.0.0

webpack-devserver 的 host 配置 0.0.0.0配置成0.0.0.0有什么意义为什么会有以上现象什么是webpack-dev-server什么是0.0.0.0什么是127.0.0.1什么是localhost配置成0.0.0.0有什么意义 假如某个vue项目的webpack配置如下： 在这module.exports {dev: {...//其余的配…
阅读更多...
ubuntu部署quark-5

ubuntu部署quark-5

下载源代码 解压zip sudo apt-get install unzip unzip xxxxx.zip安装所需要的包 sudo apt install python2 # 查看是否配置了默认的python sudo update-alternatives --list python若没有设置，会显示： # update-alternatives: error: no alterna…
阅读更多...
多行文本在块元素中垂直居中

多行文本在块元素中垂直居中

单行文本垂直居中对齐 在块元素中&#xff0c;让单行文本居中&#xff0c;可以使用line-height等于块元素的高&#xff0c;即可让该单行文本垂直居中对齐。 <!DOCTYPE html> <html lang"en"> <head><meta charset"UTF-8"><me…
阅读更多...
Java：SpringMVC的使用（1）

Java：SpringMVC的使用（1）

目录第一章、SpringMVC基本了解1.1 概述1.2 SpringMVC处理请求原理简图第二章、SpringMVC搭建框架1、搭建SpringMVC框架1.1 创建工程【web工程】1.2 导入jar包1.3 编写配置文件(1) web.xml注册DispatcherServlet(2) springmvc.xml(3) index.html1.4 编写请求处理器【Controller…
阅读更多...
Android 进阶——Framework核心 之Binder Java成员类详解（三）

Android 进阶——Framework核心 之Binder Java成员类详解（三）

文章大纲引言一、Binder Java家族核心成员关系图二、Binder Java家族核心成员源码概述1、android.os.IBinder1.1、boolean transact(int code, Parcel data, Parcel reply, int flags) send a call to an IBinder object1.2、String getInterfaceDescriptor()1.3、boolean ping…
阅读更多...
【宝塔部署SpringBoot前后端不分离项目】含域名访问部署、数据库、反向代理、Nginx等配置

【宝塔部署SpringBoot前后端不分离项目】含域名访问部署、数据库、反向代理、Nginx等配置

一定要弄懂项目部署的方方面面。当服务器上部署的项目过多时&#xff0c;端口号什么时候该放行、什么时候才会发生冲突&#xff1f;多个项目使用redis怎么防止覆盖&#xff1f;Nginx的配置会不会产生站点冲突&#xff1f;二级域名如何合理配置&#xff1f;空闲的时候要自己用服…
阅读更多...
【生成式AI】谁拥有生成式 AI 平台？

【生成式AI】谁拥有生成式 AI 平台？

文章目录市场的价值将增长点技术栈&#xff1a;基础架构、模型和应用程序生成式 AI 应用程序留存率和差异化方面举步维艰生成式 AI 应用程序公司面临的一些问题模型提供商尚未达到大规模商业规模基础设施供应商是目前的最大赢家系统性的护城河技术栈早期阶段出现在生成人工智能…
阅读更多...
[个人笔记] Zabbix实现自定义脚本监控Agent端

[个人笔记] Zabbix实现自定义脚本监控Agent端

系统工程 - 运维篇 第三章 Zabbix实现自定义脚本监控Agent端系统工程 - 运维篇系列文章回顾前言实施步骤前置条件Zabbix实现自定义脚本监控Agent端Zabbix实现ssh免密登录OpenWrt服务器编写自定义sh脚本监控OpenWrt&#xff0c;zabbix测试监控功能Windows及Linux安装Zabbix-Agen…
阅读更多...
IDEA自定义自动导包设置

IDEA自定义自动导包设置

JetBrains公司的intellij Idea堪称JAVA编程界的苹果&#xff0c;用户体验非常好 下面介绍一下IDEA的一个能显著提升写代码效率的非常好用的功能设置—— Auto Import 在使用IDEA编程时&#xff0c;我们会经常使用到下面两个快捷键 CTRLALTO(Windows) 自动导包快捷键CTRLALTL(W…
阅读更多...
安全渗透测试中的一款免费开源的超级关键词URL采集工具

安全渗透测试中的一款免费开源的超级关键词URL采集工具

安全渗透测试中的一款免费开源的超级关键词URL采集工具。 #################### 免责声明&#xff1a;工具本身并无好坏&#xff0c;希望大家以遵守《网络安全法》相关法律为前提来使用该工具&#xff0c;支持研究学习&#xff0c;切勿用于非法犯罪活动&#xff0c;对于恶意使…
阅读更多...
flutter 升级到 3.7.3 报错 Unable to find bundled Java version

flutter 升级到 3.7.3 报错 Unable to find bundled Java version

大家好&#xff0c;我是 17。 Android studio 是2020 年的版本&#xff0c;有点老&#xff0c;昨天突发想法&#xff0c;升级到了 Android Studio Electric Eel 2022.1。 计划今天和明天写那个 Flutter WebView 优化的文章&#xff0c;这篇是 在 Flutter 中使用 webview_flut…
阅读更多...
Android-Service详解

Android-Service详解

前言 Service 是长期运行在后台的应用程序组件 。 Service 是和应用程序在同一个进程中&#xff0c;所以应用程序关掉了&#xff0c;Service也会关掉。可以理解为 Service是不能直接处理耗时操作的&#xff0c;如果直接把耗时操作放在 Service 的 onStartCommand() 中&#xff…
阅读更多...
健康码互通方案优化

健康码互通方案优化

背景 解决不同场景一码通–全国互认互扫 技术方案设计目标&#xff1a;安全、高可用、可拓展、高性能、易用性。 健康码二维码优化 要设计一个能互通的二维码&#xff0c;二维码需要放入的信息会更多&#xff0c;因为需要塞进去更多的内容。而二维码会因为字符串的长度而导致…
阅读更多...
Redis实例绑定CPU物理核优化Redis性能

Redis实例绑定CPU物理核优化Redis性能

进入本次Redis性能调优之前&#xff0c;首先要知道CPU结构也会影响Redis的性能。接下来&#xff0c;具体了解一下&#xff01;为什么CPU结构也会影响Redis的性能&#xff1f;主流的 CPU 架构一个 CPU 处理器中一般有多个物理核&#xff0c;每个物理核都可以运行应用程序。每个物…
阅读更多...
docker-微服务篇

docker-微服务篇

docker学习笔记1.docker简介1.1为什么会出现docker&#xff1f;1.2docker理念1.3虚拟机&#xff08;virtual machine&#xff09;1.4容器虚拟化技术1.5一次构建到处运行2.docker安装2.1前提条件2.2docker基本构成2.3docker安装步骤*2.4测试镜像3.docker常用命令3.1 启动docker3…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023