')
}
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 ...
全國校區(qū)
京公網安備 11010802034615號
經營許可證編號：京B2-20210330