')
}
function initGt() {
var handler = function (captchaObj) {
captchaObj.appendTo('#captcha');
captchaObj.onReady(function () {
$("#wait").hide();
}).onSuccess(function(){
$('.getcheckcode').removeClass('dis');
$('.getcheckcode').trigger('click');
});
window.captchaObj = captchaObj;
};
$('#captcha').show();
$.ajax({
url: "/login/gtstart?t=" + (new Date()).getTime(), // 加隨機數防止緩存
type: "get",
dataType: "json",
success: function (data) {
$('#text').hide();
$('#wait').show();
// 調用 initGeetest 進行初始化
// 參數1:配置參數
// 參數2:回調,回調的第一個參數驗證碼對象,之后可以使用它調用相應的接口
initGeetest({
// 以下 4 個配置參數為必須,不能缺少
gt: data.gt,
challenge: data.challenge,
offline: !data.success, // 表示用戶后臺檢測極驗服務器是否宕機
new_captcha: data.new_captcha, // 用于宕機時表示是新驗證碼的宕機
product: "float", // 產品形式,包括:float,popup
width: "280px",
https: true
// 更多配置參數說明請參見:http://docs.geetest.com/install/client/web-front/
}, handler);
}
});
}
function codeCutdown() {
if(_wait == 0){ //倒計時完成
$(".getcheckcode").removeClass('dis').html("重新獲取");
}else{
$(".getcheckcode").addClass('dis').html("重新獲取("+_wait+"s)");
_wait--;
setTimeout(function () {
codeCutdown();
},1000);
}
}
function inputValidate(ele,telInput) {
var oInput = ele;
var inputVal = oInput.val();
var oType = ele.attr('data-type');
var oEtag = $('#etag').val();
var oErr = oInput.closest('.form_box').next('.err_txt');
var empTxt = '請輸入'+oInput.attr('placeholder')+'!';
var errTxt = '請輸入正確的'+oInput.attr('placeholder')+'!';
var pattern;
if(inputVal==""){
if(!telInput){
errFun(oErr,empTxt);
}
return false;
}else {
switch (oType){
case 'login_mobile':
pattern = /^1[3456789]\d{9}$/;
if(inputVal.length==11) {
$.ajax({
url: '/login/checkmobile',
type: "post",
dataType: "json",
data: {
mobile: inputVal,
etag: oEtag,
page_ur: window.location.href,
page_referer: document.referrer
},
success: function (data) {
}
});
}
break;
case 'login_yzm':
pattern = /^\d{6}$/;
break;
}
if(oType=='login_mobile'){
}
if(!!validateFun(pattern,inputVal)){
errFun(oErr,'')
if(telInput){
$('.getcheckcode').removeClass('dis');
}
}else {
if(!telInput) {
errFun(oErr, errTxt);
}else {
$('.getcheckcode').addClass('dis');
}
return false;
}
}
return true;
}
function errFun(obj,msg) {
obj.html(msg);
if(msg==''){
$('.login_submit').removeClass('dis');
}else {
$('.login_submit').addClass('dis');
}
}
function validateFun(pat,val) {
return pat.test(val);
}
首頁 > 行業(yè)圖譜 >

- K最近鄰(KNN,k-Nearest Neighbor)準確理解
2016-12-28
-
K最近鄰(KNN,k-Nearest Neighbor)準確理解
用了之后,發(fā)現(xiàn)我用的都是1NN,所以查閱了一下相關文獻,才對KNN理解正確了,真是丟人了。
下圖中,綠色圓要被決定賦予哪個類,是紅色三角形還是藍色四方形?如果K ...

- kernel 核函數 意義 作用 原理_機器學習
2016-12-14
-
kernel 核函數 意義 作用 原理_機器學習
核函數目的:把原坐標系里線性不可分的數據用Kernel投影到另一個空間,盡量使得數據在新的空間里線性可分。
核函數方法的廣泛應用,與其特點是分不開的:
...

- 數據挖掘分類方法小結_數據挖掘中的基于決策樹的分類方法
2016-12-14
-
數據挖掘分類方法小結_數據挖掘中的基于決策樹的分類方法
數據倉庫,數據庫或者其它信息庫中隱藏著許多可以為商業(yè)、科研等活動的決策提供所需要的知識。分類與預測是兩種數據分析形式,它們可以用來抽取能夠描 ...

- 用R語言實現(xiàn)對不平衡數據的四種處理方法
2016-09-07
-
用R語言實現(xiàn)對不平衡數據的四種處理方法
在對不平衡的分類數據集進行建模時,機器學習算法可能并不穩(wěn)定,其預測結果甚至可能是有偏的,而預測精度此時也變得帶有誤導性。那么,這種結果是為何發(fā)生的呢?到底是什 ...

- 數據挖掘- 分類算法比較
2016-07-20
-
數據挖掘- 分類算法比較
隨著計算能力、存儲、網絡的高速發(fā)展,人類積累的數據量正以指數速度增長。對于這些數據,人們迫切希望從中提取出隱藏其中的有用信息,更需要發(fā)現(xiàn)更深層次的規(guī)律,對決策,商務應用提 ...

- 常見機器學習算法比較
2016-07-11
-
常見機器學習算法比較
機器學習算法太多了,分類、回歸、聚類、推薦、圖像識別領域等等,要想找到一個合適算法真的不容易,所以在實際應用中,我們一般都是采用啟發(fā)式學習方式來實驗。通常最開始我們都會選擇 ...

- 機器學習實踐中應避免的7種常見錯誤
2016-06-02
-
機器學習實踐中應避免的7種常見錯誤
在機器學習領域,每個給定的建模問題都存在幾十種解法,本文作者認為,模型算法的假設并不一定適用于手頭的數據;在追求模型最佳性能時,重要的是選擇適合數據集(尤其是“ ...

- 矩陣分解在推薦系統(tǒng)中的應用:NMF和經典SVD實戰(zhàn)
2016-05-06
-
矩陣分解在推薦系統(tǒng)中的應用:NMF和經典SVD實戰(zhàn)
數據
關于NMF,在隱語義模型和NMF(非負矩陣分解)已經有過介紹。
用戶和物品的主題分布
運行后輸出:
可視化物品的主 ...

- 線性判別分析(Linear Discriminant Analysis, LDA)算法分析
2016-04-24
-
線性判別分析(Linear Discriminant Analysis, LDA)算法分析
一. LDA算法概述:
線性判別式分析(Linear Discriminant Analysis, LDA),也叫做Fisher線性判別(Fisher Linear&nbs ...

- 如何利用機器學習進行海量數據挖掘
2016-04-20
-
互聯(lián)網的海量數據不可能靠人工一個個處理,只能依靠計算機批量處理。最初的做法是人為設定好一些規(guī)則,由機器來執(zhí)行。但特征一多規(guī)則就很難制定,即使定下了規(guī)則也沒法根據實際情況靈活變化。機器學習可以很好的解決 ...

- 美團實例詳解機器學習如何解決問題
2016-04-06
-
前言:隨著大數據時代的到來,機器學習成為解決問題的一種重要且關鍵的工具。不管是工業(yè)界還是學術界,機器學習都是一個炙手可熱的方向,但是學術界和工業(yè)界對機器學習的研究各有側重,學術界側重于對機器學習理論的 ...

- 統(tǒng)計中分類算法總結
2016-03-19
-
統(tǒng)計中分類算法總結
對于很多做統(tǒng)計的人員來說,對統(tǒng)計中的算法知道的不是很全面,下面就對統(tǒng)計中分類算法做個總結。
數據轉換
主要有兩種:
l 歸一化處理
主要通過把數據歸一到一 ...
- 數據挖掘十大算法總結--核心思想,算法優(yōu)缺點,應用領域,數據挖掘優(yōu)缺點
2016-03-19
-
數據挖掘十大算法總結--核心思想,算法優(yōu)缺點,應用領域,數據挖掘優(yōu)缺點
本文所涉算法均只概述核心思想,具體實現(xiàn)細節(jié)參看“數據挖掘算法學習”分類下其他文章,不定期更新中。轉載請注明出處,謝謝。
參考 ...
- 把小樣本經驗用在海量樣本篩選上,才是大數據的價值
2016-02-26
-
把小樣本經驗用在海量樣本篩選上,才是大數據的價值
從小樣本到大數據:概念與誤區(qū)
最近兩年產生并記錄的數據,總量占到人類文明以來所有數據總和的90%。我們源源不斷記錄著一切有價值的信息, ...

- 數據挖掘領域的10大經典算法分享
2016-02-12
-
數據挖掘領域的10大經典算法分享
在和數據挖掘方面的朋友聊天時,會討論一些關于挖掘領域方面知識,對于10大經典算法還有過一次激烈的討論,應為當時是剛接觸數據挖掘,不是很懂。國際權威的學術組織the ...

- 機器學習算法一覽
2016-01-18
-
文 | 寒小陽
來源 | CSDN博客
引言
提起筆來寫這篇博客,突然有點愧疚和尷尬。愧疚的是,工作雜事多,加之懶癌嚴重,導致這個系列一直沒有更新,向關注該系列的同學們道個 ...
- 聚類分析的主要步驟
2015-11-30
-
聚類分析的主要步驟
聚類分析的主要步驟
1.數據預處理,
2.為衡量數據點間的相似度定義一個距離函數,
3.聚類或分組,
4.評估輸出。
數據預處理包括選擇數量,類型和 ...
- 數據挖掘十大經典算法及各自優(yōu)勢
2015-10-27
-
數據挖掘十大經典算法及各自優(yōu)勢
不僅僅是選中的十大算法,其實參加評選的18種算法,實際上隨便拿出一種來都可以稱得上是經典算法,它們在數據挖掘領域都產生了極為深遠的影響。
1. C4.5
...

- 數據挖掘 特異群組挖掘的框架與應用
2015-10-13
-
數據挖掘 特異群組挖掘的框架與應用
特異群組挖掘在證券金融、醫(yī)療保險、智能交通、社會網絡和生命科學研究等領域具有重要應用價值。特異群組挖掘與聚類、異常挖掘都屬于根據數據對象的相似性來劃分數據 ...
- 數據挖掘十大經典算法
2015-09-14
-
數據挖掘十大經典算法
國際權威的學術組織the IEEE International Conference on Data Mining (ICDM) 2006年12月評選出了數據挖掘領域的十大經典算法:C4.5, k-Means, SVM, Apriori, EM, PageRank, AdaB ...