1.使用朴素贝叶斯模型对iris数据集进行花分类 尝试使用3种不同类型的朴素贝叶斯： 高斯分布型 多项式型 伯努利型 2.使用sklearn.model_selection.cross_val_score()，对模型进行验证. 3.垃圾邮件分类. ...
分类：
其他好文 时间：
2018-11-26 13:40:01
阅读次数：
210
1.使用朴素贝叶斯模型对iris数据集进行花分类 尝试使用3种不同类型的朴素贝叶斯： 高斯分布型 多项式型 伯努利型 2.使用sklearn.model_selection.cross_val_score()，对模型进行验证。 3. 垃圾邮件分类 ...
分类：
其他好文 时间：
2018-11-26 13:30:58
阅读次数：
191
1.使用朴素贝叶斯模型对iris数据集进行花分类 尝试使用3种不同类型的朴素贝叶斯： 高斯分布型 多项式型 伯努利型 2.使用sklearn.model_selection.cross_val_score()，对模型进行验证。 3. 垃圾邮件分类 数据准备： 用csv读取邮件数据，分解出邮件类别及邮 ...
分类：
其他好文 时间：
2018-11-25 13:21:42
阅读次数：
193
通俗来说，机器学习是将无预数据转化为价值的方法。 机器学习的价值在于从数据中抽取规律并用来预测未来。 机器学习可以应用于分类问题、回归问题、排序问题和生成问题。 分类问题如图像识别，垃圾邮件识别；回归问题和分类问题类似，不同点在于分类问题给出的是标签，回归问题给出的是数据，如股价预测，房价预测；排序 ...
分类：
其他好文 时间：
2018-11-23 22:00:50
阅读次数：
187
看《***与画家》讲到"防止垃圾邮件的一种方法"，觉得很适合用来表述数学公式与机器学习之间的关系。涉及到机器学习的数学公式比较简单，概率论基础教程都会讲到。解决的问题也很典型：垃圾邮件的识别。防止垃圾邮件有很多种方法，最直观的一种就是“规则”,各种if-else的条件。这种方法能够解决一个问题，但是解决不了一类问题。而且，这个规则的制定需要非常熟悉业务，好在通常我们面临的业务问题
分类：
其他好文 时间：
2018-11-22 23:49:29
阅读次数：
233
1、机器学习分为监督学习和非监督学习。首先学习监督学习。 2、标签，即y值，结果，以通过机器学习过滤垃圾邮件为例，标签为邮件是垃圾邮件，或不是垃圾邮件 3、特征，即x值，输入变量，通常有多个特征，如根据发件人、邮件标题等特征来判断是否为垃圾邮件 4、样本，机器学习通过有标签样本训练模型，再通过模型对 ...
分类：
其他好文 时间：
2018-11-14 12:28:54
阅读次数：
208
1、以管理员权限运行exchange的powershell2、启用反垃圾邮件功能C\:ExchangeInstallPath\Scripts\Install-AntiSpamAgents.ps1注如果输入之后提示重启传输服务则证明启用是成功的3、重启传输服务运行以下命令Restart-ServiceMSExchangeTransport注：Exchange2016的话要重启前后端传输服务4、指定S
分类：
其他好文 时间：
2018-11-13 11:08:04
阅读次数：
382
GandCrab勒索病毒于2018年1月首次出现，在半年的时候之内，迅速发展，短短几个月时间里就出现了V1.0,V2.0,V3.0,V4.0等几个大的版本更新，V4.0之后又出现了V4.1,V4.2,V4.3,V4.4等几个小版本的变种样本，最近又发现它的最新变种GandCrabV5.0版本的变种样本。GandCrab的感染方式主要是通过以下几种方式：(1)RDP爆破(2)垃圾邮件，带有恶意链接或
分类：
其他好文 时间：
2018-11-12 19:58:36
阅读次数：
182
Sigmoid函数又叫Logistic函数，它在机器学习领域有极其重要的地位。 目录一 函数基本性质二 Sigmoid函数与逻辑回归三 为什么要选择Sigmoid函数LR的需求选择Sigmoid是可以的Sigmoid特殊的性质为什么选择Sigmoid正态分布解释最大熵解释四 总结 一、 函数基本性质 ...
分类：
其他好文 时间：
2018-11-07 18:39:25
阅读次数：
309
虽然叫做“回归”，但是这个算法是用来解决分类问题的。回归与分类的区别在于：回归所预测的目标量的取值是连续的（例如房屋的价格）；而分类所预测的目标变量的取值是离散的（例如判断邮件是否为垃圾邮件）。当然，为了便于理解，我们从二值分类（binary classification）开始，在这类分类问题中，y ...
分类：
其他好文 时间：
2018-11-07 15:28:24
阅读次数：
175
