svm
的了解
通俗的說svm 就是一種二分類器，特徵空間上的間隔最大化的分類器，目的是從特徵學習中取出乙個0/1分類模型，對於二分類問題y只取兩個值，目標是求乙個超平面，而且
直觀上說超平面是分開兩類資料的直線，所以求的最大間隔就是就是取函式間隔與幾何間隔。為了使的分類的精度高，最大化間隔值，因此我們要找到最大的間隔值引出了最大間隔分類器定義為
以上的說法只能解決線性問題，若是遇到非線性的問題，這就要引入核函式，核函式就是把非線性的問題對映為線性的，通過引入核函式，可將隱式得到的非線性資料對映到高維空間中，而不增加引數的個數。建立非線性學習器的2個步驟是：1.使用非線性對映，將資料對映到f。2.在特徵空間中使用線性分類器。核函式可以分為這麼幾類，多項式核函式，斯核函式，線性核函式。他們的本質是遇到高維不可分的情況，可以對映到高維空間，解決對映中的維數**，價值就在他雖然是低維轉換到了高維，但是計算還是低維的。
svm允許資料在一定的程度中偏離一下超平面。
svm本質上是乙個分類器，用
svm用於文字分類，影象分類，生物序列排序，資料分析，字元識別。 2.
bp神經網路
bp神經網路是一種按誤差逆傳播演算法訓練的多層前饋網路，是目前應用最廣泛的神經網路模型之一。bp網路能學習和存貯大量的輸入-輸出模式對映關係，而無需事前揭示描述這種對映關係的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。bp神經網路模型拓撲結構包括輸入層、隱層和輸出層。
bp演算法由資料流的前向計算（正向傳播）和誤差訊號的反向傳播兩個過程構成。正向傳播時，傳播方向為輸入層→隱層→輸出層，每層神經元的狀態只影響下一層神經元。若在輸出層得不到期望的輸出，則轉向誤差訊號的反向傳播流程。通過這兩個過程的交替進行，在權向量空間執行誤差函式梯度下降策略，動態迭代搜尋一組權向量，使網路誤差函式達到最小值，從而完成資訊提取和記憶過程。
通俗的講就是乙個加減乘除的做法。
bp網路首先要訓練，使得網路可以記憶和** 1.
初始化網路 2.
計算隱含層的輸出 3.
輸出層的計算 4.
誤差計算 5.
權值計算 6.
閾值計算 7.
判斷迭代
這就是bp演算法的流程。
比較svm、bp、elm的優缺點
elm 的優缺點：
數學建模簡單，可以求得全域性的最優解，泛化效能好
由於訓練的資料小，也通過與bp的比較，沒有的出明顯缺點，儘管網上對elm有很大的爭議，我也沒找出來。
svm的優缺點：
非線性對映理論基礎，利用核函式代替了高維空間的對映，最大化間隔是核心，支援向量是訓練的結果，最終結果是少量的向量決定的，可以提出較大的樣本，所以有較小的魯棒性。
不足：對大規模訓練難以實施，解決多分類有很大的困難。
bp 的優缺點：
可實現非線性對映，有自學能力，有推廣概括能力。
不足時採用梯度下降法，速度慢，有可能進入區域性最小值而訓練失敗，新加入的樣本有影響，可能會出現欠學習或過學習。
redis memcache 效能比較
from redis和memcache非常像的，都是key,value的方式，將資料存放記憶體中。最近在學習redis，在網上看了一些這方面的資料，有三種觀點 1,redis讀寫記憶體比memcache快 2,memcache讀寫記憶體比redis快 3,memcache讀寫記憶體比redis快，但...
apache resin ngnix 效能比較
靜態頁面測試，靜態頁面包括css,js,img ab c 20 n 30 併發測試 高數值的也測過，結論一致 resin2.17 平均響應時間為0.521ms nginx 0.7.65 平均響應時間為1.042ms 少許幾次小於1.042 apache2.0 平均響應時間為最低1.042ms 在re...
tomcat效能比較
tomcat的四種基於http協議的connector效能比較 我們姑且把上面四種connector按照順序命名為 nio,http,pool,niop 為了不讓其他因素影響測試結果，我們只對乙個很簡單的jsp頁面進行測試，這個頁面僅僅是輸出乙個hello world。假設位址是 http tomc...