刚在论坛上看到了关于okteto的免费容器，而我并没有注册过，因此就使用okteto的免费容器部署本站点的flask应用。okteto的kubernetes免费计划容量是非常大的，有4核cpu，8g内存，10g ssd。相当于一台很棒的vps了，还是完全免费的。这里介绍一下如何通过okteto部署容器。要完成部署需要以下几个步骤：

阅读全文

机器学习中，首先搜集数据，清理数据，预处理算法设计，那么如何知道算法的有效性呢？如何评估预测模型能不能有效地进行分类以及分类准确性如何，这就涉及到这里要说的混淆矩阵，混淆矩阵被广泛应用于评估机器学习的分类问题的(主要是监督学习)。本文将会包括下面几个部分。

1. 什么是混淆矩阵
2. 二分类问题的混淆矩阵计算

什么是混淆矩阵

分类问题中，机器学习的算法评估中分为4个概念，分别是 (1)若一个实例是正类并且被预测为阳性，即为真阳性(True Postive TP) (2)若一个实例是阳性，但是被预测成为阴性，即为假阴性(False Negative FN) (3)若一个实例是阴性，但是被预测成为阳性，即为假阴性(False Postive FP) (4)若一个实例是阴性，预测成为阴性，即为真阴性(True Negative TN)，如下表所示 下面具体说明，假设对于一个怀孕的检查来说。

阅读全文

一直在使用lede的openwrt固件作为路由器的固件，由于版本更新问题，有软件在老版的lede固件中不存在，因此就想着自己编译只含有自己需要的软件的k2斐讯路由器的固件。正好github actions允许github免费用户可以使用github的云服务器进行代码的编译，因此这里把使用github actions编译k2路由器固件的过程记录下来。

阅读全文

由于原始的logo是白色背景的，而我们需要将白色背景更改为透明色，这里启用万能工具python进行图片转换了,使用到的就是pillow包的image。 png格式是具有除了rgb三色外第四个参数表明像素点的透明度，像(0,0,0,0)就是透明的黑色，所以进行图片转换时将该像素点转换为(0,0,0,0)就可以了，然后就是python的代码实现了。

阅读全文

概率分布对于统计至关重要，就像数据结构对计算机科学一样。如果您想成为一个合格的数据科学家，那么了解它们就是基础内容了。有时，直接食用scikit-learn就可以进行简单的分析，而不必完全了解概率分布，就像您可以在不了解哈希函数的情况下管理Java程序一样。但是可能以失败与bug告终。 概率分布有数百种，但是最常见的也就是15种，那么他们是什么呢，本文将一一介绍。

阅读全文

定义

梯度下降法（Gradient descent）是一个一阶最优化算法，通常也称为最陡下降法。 要使用梯度下降法找到一个函数的局部极小值，必须向函数上当前点对应梯度（或者是近似梯度）的反方向的规定步长距离点进行迭代搜索。如果相反地向梯度正方向迭代进行搜索，则会接近函数的局部极大值点；这个过程则被称为梯度上升法。

阅读全文

吃灰鸡多了，这里给大家个选择，把闲置的vps利用起来，今天就教大家在centos上面使用CPUMiner-Multi来挖矿,赚一点虚拟币，门罗币在当前状态下是效益最高的虚拟币，因此就选择门罗币。

步骤：

1. 注册minergate
2. 编译CPUMiner-Multi
3. 验证CPUMiner-Multi
4. 在minergate矿池开始挖矿

注册minergate

menergate官网注册账号，一个邮箱就可以了，这里不做赘述。

阅读全文

在改进了本博客使用的一个hugo主题bobobk-hugo后，在推送到git仓库时，发现以下错误

(base) ➜  bobobk-hugo git:(master) git push origin
Username for 'https://github.com': tengbozhang
Password for 'https://[email protected]': 
To https://github.com/tengbozhang/bobobk-hugo.git
 ! [rejected]        master -> master (fetch first)
error: 无法推送一些引用到 'https://github.com/tengbozhang/bobobk-hugo.git'
提示：更新被拒绝，因为远程版本库包含您本地尚不存在的提交。这通常是因为另外
提示：一个版本库已推送了相同的引用。再次推送前，您可能需要先合并远程变更
提示：（如 'git pull'）。
提示：详见 'git push --help' 中的 'Note about fast-forwards' 小节。

git提示远程版本库包含您本地尚不存在的提交，说明github中的仓库有了本地并不存在的更新内容，而本地版本并没有及时pull下来，因此在提交时提示需要先合并远程变更的版本，解决方法也很简单

阅读全文

一棵树在现实生活中有许多枝叶，事实上树的概念在机器学习也有广泛应用，涵盖了分类和回归。在决策分析中，决策树可用于直观地决策和作出决策。决策树，顾名思义，一个树状的决策模型。尽管数据挖掘与机器学习中常常用到，本文将集中说明决策树及python的实现。

如何将算法表示为树

为此，让我们考虑一个非常基本的示例，该示例采用泰坦尼克号数据集（该数据机可直接在sklearn获得）。该模型使用数据集中的3个特征，即性别，年龄和同胞（配偶或子女的数量） 维基的图。。。。 决策树是上下颠倒的，其根在顶部。在上图中，黑色粗体表示条件/ 内部节点，树将基于该条件分裂为分支/ 边缘。分支的末端不再分裂，是决策/ 叶子，在这种情况下，乘客是死亡还是幸存，分别用红色和绿色表示。 虽然，真实的数据集将具有更多的特征，而这只是展示了更大树中的一个分支，但是您不能忽略此算法的简单性。该功能重要性是显而易见的。这种方法通常称为从数据中学习决策树，而上方的树则称为分类树，因为目标是将乘客分类为是幸存还是死亡。回归树以相同的方式表示，只是它们预测的是像房屋价格这样的连续值。通常，决策树算法被称为CART或分类和回归树。 那么，后台实际发生了什么？种植一棵树涉及决定要选择的特征以及要使用的分割条件，以及何时停止。因为树通常会随心所欲地生长，因此您需要将其修剪减少决策树以使其节点适中防止过拟合的出现。 让我们从用于拆分的常用技术开始

阅读全文

本文将介绍机器学习中非常重要的降维的一种处理方法，主成分分析。

PCA介绍

在多元统计分析中，主成分分析（英语：Principal components analysis，PCA）是一种统计分析、简化数据集的方法。它利用正交变换来对一系列可能相关的变量的观测值进行线性变换，从而投影为一系列线性不相关变量的值，这些不相关变量称为主成分（PC）。具体地，主成分可以看做一个线性方程，其包含一系列线性系数来指示投影方向。PCA对原始数据的正则化或预处理敏感（相对缩放）。 主成分分析的中心思想是在稀疏矩阵中，通过一些手段减少由大量相互关联的变量组成的数据集的维数，同时尽可能保留数据集中存在的变化。这是通过将一组不相关且有序的主 变量（PC）转换为一组新变量来实现的，从而使前几个变量保留了所有原始变量中存在的大部分变化，从而达到较少数据维度的作用。

阅读全文