没有伞的孩子更要努力奔跑

java.lang.Object是Java中所有类的父类。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47

public class Object {

    private static native void registerNatives();
    static {
        registerNatives();
    }

    public final native Class<?> getClass();

    public native int hashCode();

    public boolean equals(Object obj) {
        return (this == obj);
    }

    protected native Object clone() throws CloneNotSupportedException;

    public String toString() {
        return getClass().getName() + "@" + Integer.toHexString(hashCode());
    }

    public final native void notify();

    public final native void notifyAll();

    public final native void wait(long timeout) throws InterruptedException;
    
    public final void wait(long timeout, int nanos) throws InterruptedException {
        if (timeout < 0) {
            throw new IllegalArgumentException("timeout value is negative");
        }
        if (nanos < 0 || nanos > 999999) {
            throw new IllegalArgumentException(
                                "nanosecond timeout value out of range");
        }
        if (nanos > 0) {
            timeout++;
        }
        wait(timeout);
    }
    
    public final void wait() throws InterruptedException {
        wait(0);
    }
    
    protected void finalize() throws Throwable { }
}

枚举类的主要作用是便捷地定义静态常量，替代public static final xxx。

所有的枚举类型都是java.lang.Enum类的子类，java.lang.Enum的类结构如下：

1
2

public abstract class Enum<E extends Enum<E>> 
implements Comparable<E>, Serializable

方法列表：

1
2
3
4

public final String name();
public String toString();
public static Enum valueOf(Class enumClass,String name);
public final int ordinal();

局部加权线性回归（Locally Weighted Linear Regression，LWLR）。

在该算法中，给预测点附近的每个点赋予一定的权重，在这个子集上基于最小均方差来进行普通的回归。

局部加权线性回归的均值误差可用下式表示
$$
\sum_{i=1}^{m} w_i (y_i - x_i^{T} \theta_i)^2
$$
其中，$w_i$是权重，$y_i$是真实值，$x_i$是输入值，$\theta_i$为对应的回归系数。

回归系数$w$为
$$
\hat w = (X^{T} W X )^{-1} X^{T} W y
$$

线性回归（linear regression），就是将输入项分别乘以一些常量，再将结果加起来得到预测值，而这些常量称之为回归系数。

线性回归可以用如下的等式来表示：
$$
Y = X^{T} w
$$
其中，$Y$为预测值，$X$为输入值，$w$是一个包含回归系数的向量

最近在学习机器学习的时候，经常会碰到矩阵求导，这里记录下矩阵的求导操作。

向量和矩阵的导数满足乘法法则（product rule）
$$
\frac {\partial x^{T} \alpha}{ \partial x } = \frac {\partial \alpha^{T} x }{ \partial x } = \alpha
$$

$$
\frac {\partial AB} {\alpha x} = \frac{\partial A} {\partial x} B + A \frac{\partial B} {\partial x}
$$

安装完PuTTY以后，进入命令行界面，就可以使用PuTTY的pscp命令进行文件传输。

pscp

语法：

1

pscp 源文件路径 目标文件路径

使用PuTTY已经很长时间了，是时候总结下PuTTY的用法了。

• 什么是PuTTY?

下面是PuTTY官网的介绍

PuTTY is an SSH and telnet client, developed originally by Simon Tatham for the Windows platform.

翻译过来就是说，PuTTY是Windows平台下的一个SSH客户端。

• 为什么要使用PuTTY？

与商用的XShell相比，PuTTY是开源免费的>_<。

在Java中，定时任务功能使用的是Timer类，其主要作用是设置计划任务，

最近课题组的项目用到了Java中的定时器Timer类，这里记录下定时器Timer的相关知识。

Timer的构造方法如下：

1
2
3
4
5
6
7

public Timer()
    
public Timer(boolean isDaemon)
  
public Timer(String name)
    
public Timer(String name, boolean isDaemon)

AdaBoost（adaptive boosting）算法是提升（boosting）方法的一个最流行版本，1995年由Freund和Schapire提出。其基本思想是使用多个弱分类器（即分类器的性能并不好，错误率较高）来构建一个强分类器。

如何高效地实现支持向量机学习呢？常用的是1998年Platt提出的序列最小最优化算法(Sequential minimal optimization，SMO)算法。

SMO算法要解的是如下的一个最优化问题：
$$
\min_{\alpha} \left( \frac{1}{2} \sum_{i=1}^N \sum_{j=1}^N \alpha_i \alpha_j y_i y_j K(x_i,x_j) - \sum_{i=1}^N \alpha_i\right) \tag{1}
$$

$$
subject \; to \sum_{i=1}^N \alpha_i y_i = 0, \tag{2}
$$

$$
0 \leq \alpha_i \leq C, \forall i \tag{3}
$$

整个SMO算法包括两个部分：求解两个变量二次规划的解析方法和选择变量的启发式方法。