')
}
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(jī)數(shù)防止緩存
type: "get",
dataType: "json",
success: function (data) {
$('#text').hide();
$('#wait').show();
// 調(diào)用 initGeetest 進(jìn)行初始化
// 參數(shù)1：配置參數(shù)
// 參數(shù)2：回調(diào)，回調(diào)的第一個參數(shù)驗(yàn)證碼對象，之后可以使用它調(diào)用相應(yīng)的接口
initGeetest({
// 以下 4 個配置參數(shù)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(yàn)服務(wù)器是否宕機(jī)
new_captcha: data.new_captcha, // 用于宕機(jī)時表示是新驗(yàn)證碼的宕機(jī)
product: "float", // 產(chǎn)品形式，包括：float，popup
width: "280px",
https: true
// 更多配置參數(shù)說明請參見：http://docs.geetest.com/install/client/web-front/
}, handler);
}
});
}
function codeCutdown() {
if(_wait == 0){ //倒計(jì)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 >
- 干貨 ：這7種回歸分析技術(shù) 學(xué)了不后悔
2016-09-15-
干貨 ：這7種回歸分析技術(shù) 學(xué)了不后悔
本文解釋了回歸分析及其優(yōu)勢，重點(diǎn)總結(jié)了應(yīng)該掌握的線性回歸、邏輯回歸、多項(xiàng)式回歸、逐步回歸、嶺回歸、套索回歸、ElasticNet回歸等七種最常用的回歸技術(shù)及其關(guān)鍵要素， ...
- 【R語言進(jìn)行數(shù)據(jù)挖掘】回歸分析
- 2016-07-30
-
【R語言進(jìn)行數(shù)據(jù)挖掘】回歸分析
1、線性回歸
線性回歸就是使用下面的預(yù)測函數(shù)預(yù)測未來觀測量：
其中，x1,x2,...,xk都是預(yù)測變量（影響預(yù)測的因素），y是需要預(yù)測的目標(biāo)變量（被預(yù)測變量）。
線性 ...
- R語言-回歸分析筆記
- 2016-06-02
-
R語言-回歸分析筆記
使用若干自變量并建立公式,以預(yù)測目標(biāo)變量
目標(biāo)變量是連續(xù)型的,則稱其為回歸分析
(1)一元線性回歸分析
y=kx+b
sol.lm<-lm(y~x,data)
abline(sol.lm)
使模型誤差的平方和 ...
- SAS時間序列模型預(yù)測未來航班數(shù)量
- 2016-05-29
-
SAS時間序列模型預(yù)測未來航班數(shù)量
時間序列建模步驟：
1. 時間序列平穩(wěn)性檢驗(yàn)：如果一個時間序列的概率分布與時間無關(guān)，則成為平穩(wěn)序列。
2. 時間序列平穩(wěn)化和零均值化：時間序列預(yù)測模型是建立在平穩(wěn)序 ...
- 數(shù)據(jù)挖掘系列篇之DM解決幾類問題
- 2016-05-25
-
數(shù)據(jù)挖掘系列篇之DM解決幾類問題
宋代禪宗大師青原行思提出參禪的三重境界：“參禪之初，看山是山，看水是水；禪有悟時，看山不是山，看水不是水；禪中徹悟，看山仍然山，看水仍然是水?！?
數(shù)據(jù)挖掘也是這樣 ...
- 邏輯回歸算法的原理及實(shí)現(xiàn)(LR)
- 2016-05-19
-
邏輯回歸算法的原理及實(shí)現(xiàn)(LR)
邏輯回歸(Logistic Regression, LR)又稱為邏輯回歸分析，是分類和預(yù)測算法中的一種。通過歷史數(shù)據(jù)的表現(xiàn)對未來結(jié)果發(fā)生的概率進(jìn)行預(yù)測。例如，我們可以將購買的概率設(shè)置為因變量 ...
- 機(jī)器學(xué)習(xí)的認(rèn)知和算法總結(jié)
- 2016-04-10
-
機(jī)器學(xué)習(xí)的認(rèn)知和算法總結(jié)
相信不少人都沒弄明白機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的區(qū)別是什么？其實(shí)機(jī)器學(xué)習(xí)并不等同于數(shù)據(jù)挖掘，數(shù)據(jù)挖掘更多的是從目標(biāo)角度去理解數(shù)據(jù)，然后利用算法建模探索有價值的結(jié)論；而機(jī)器學(xué)習(xí) ...
- 大數(shù)據(jù)挖掘技術(shù)之DM經(jīng)典模型(下)
- 2016-04-07
-
大數(shù)據(jù)挖掘技術(shù)之DM經(jīng)典模型(下)
接著上篇大數(shù)據(jù)挖掘技術(shù)之DM經(jīng)典模型(上)文章，接下來我們將探討樸素貝葉斯模型、線性回歸、多元回歸、邏輯回歸分析等模型。
4、樸素貝葉斯模型
表查詢模型簡單有效 ...
- 大數(shù)據(jù)、新方法和日常問
- 2016-01-10
-
大數(shù)據(jù)、新方法和日常問
如果讓我們決定是否去看一部電影，有兩種辦法來做決策：我們可以上豆瓣了解這部電影質(zhì)量如何，專家的評價怎么樣;也可以在朋友圈瀏覽一下，看看身邊有多少人去看了這部電影。實(shí)際生活沒 ...
- 多重共線性問題的幾種解決方法
- 2016-01-08
-
多重共線性問題的幾種解決方法
在多元線性回歸模型經(jīng)典假設(shè)中，其重要假定之一是回歸模型的解釋變量之間不存在線性關(guān)系，也就是說，解釋變量X1，X2，……，Xk中的任何一個都不能是其他解釋變量的線性組合。如 ...
- 面板數(shù)據(jù)分析方法總結(jié)
- 2015-12-25
-
面板數(shù)據(jù)分析方法總結(jié)
橫截面的異方差與序列的自相關(guān)性是運(yùn)用面板數(shù)據(jù)模型時可能遇到的最為常見的問題,此時運(yùn)用OLS可能會產(chǎn)生結(jié)果失真,因此為了消除影響,對我國東、中、西部地區(qū)的分析將采用不相關(guān)回歸方法( S ...
- 一文帶你快速了解機(jī)器學(xué)習(xí)中的多元線性回歸到底是什么？
- 2020-07-24
-
線性回歸我們都很熟悉了，是有監(jiān)督學(xué)習(xí)中最為簡單的一種回歸方式，小編今天就進(jìn)一步跟大家分享一下多元線性回歸。
一、什么是多元線性回歸
在回歸分析中，如果有兩個或兩個以上的自變量，就稱為多元回歸。線 ...
- 最大后驗(yàn)估計(jì)MAP是什么？它是怎么推導(dǎo)出來的？
- 2020-07-08
-
最大后驗(yàn)估計(jì)(maximum a posteriori probability estimate), 簡稱為MAP。在貝葉斯統(tǒng)計(jì)學(xué)中，最大后驗(yàn)估計(jì)是通過利用經(jīng)驗(yàn)數(shù)據(jù)獲得對未觀測量的點(diǎn)態(tài)估計(jì)。
與極大似然估計(jì)類似，不同的是，在似然函數(shù)后面多乘了一 ...
- 常見的機(jī)器學(xué)習(xí)中損失函數(shù)有哪些？
- 2020-07-03
-
今天我們來盤點(diǎn)一下那些常見的機(jī)器學(xué)習(xí)中的損失函數(shù)有哪些。
用于計(jì)算損失的函數(shù)稱為損失函數(shù)。模型每一次預(yù)測的好壞用損失函數(shù)來度量。機(jī)器通過損失函數(shù)進(jìn)行學(xué)習(xí)，如果預(yù)測值與實(shí)際結(jié)果偏離較遠(yuǎn)，損失函數(shù)會得 ...
- python散點(diǎn)圖：如何添加擬合線并顯示擬合方程與R方？
- 2020-06-08
-
python散點(diǎn)圖：如何添加擬合線并顯示擬合方程與R方？我們可以使用polyfit()函數(shù)，使用最小二乘法將一些點(diǎn)擬合成一條曲線.
numpy.polyfit(x, y, deg, rcond=None, full=False, w=None, cov=False)
# x:要擬合點(diǎn)的 ...
- 機(jī)器學(xué)習(xí)中的有監(jiān)督和無監(jiān)督都包括些什么？
- 2020-05-29
-
機(jī)器學(xué)習(xí)算法通常分為有監(jiān)督的（訓(xùn)練數(shù)據(jù)有標(biāo)記答案）和無監(jiān)督的（可能存在的任何標(biāo)簽均未顯示在訓(xùn)練算法中）。有監(jiān)督的機(jī)器學(xué)習(xí)問題又分為分類（預(yù)測非數(shù)字答案，例如錯過抵押貸款的可能性）和回歸（預(yù)測 ...
- 有監(jiān)督學(xué)習(xí)：從過去到現(xiàn)在的模型流行度（深度翻譯好文）！
- 2020-05-14
-
在過去的幾十年中，機(jī)器學(xué)習(xí)領(lǐng)域發(fā)生了巨大的變化。誠然，有些方法已經(jīng)存在很長時間了，但仍然是該領(lǐng)域的主要內(nèi)容。例如，Legendre和Gauss已經(jīng)在19世紀(jì)初提出了最小二乘的概念。在最近的幾十年中，諸如神經(jīng)網(wǎng)絡(luò)等 ...
- 機(jī)器學(xué)習(xí)算法：無監(jiān)督、半監(jiān)督、有監(jiān)督學(xué)習(xí)算法淺析
- 2020-05-06
-
隨著人工智能的飛速發(fā)展，機(jī)器學(xué)習(xí)成為當(dāng)下數(shù)據(jù)分析領(lǐng)域的熱門之一，很多人在平時的工作中，或多或少都會使用到機(jī)器學(xué)習(xí)的算法。這里機(jī)器學(xué)習(xí)的算法進(jìn)行了盤點(diǎn)，將有監(jiān)督、無監(jiān)督，半監(jiān)督學(xué)習(xí)等進(jìn)行了簡單的解 ...
- 參數(shù)估計(jì)之點(diǎn)估計(jì)和區(qū)間估計(jì)
- 2020-04-09
-
作者 | CDA數(shù)據(jù)分析師
參數(shù)估計(jì)（parameter estimation）是根據(jù)從總體中抽取的樣本估計(jì)總體分布中包含的未知參數(shù)的方法。人們常常需要根據(jù)手中的數(shù)據(jù)，分析或推斷數(shù)據(jù)反映的本質(zhì)規(guī)律。即根據(jù) ...
- 一文講解機(jī)器學(xué)習(xí)算法中的共線性問題
- 2020-01-08
-
作者 | 宋老師
來源 | JSong的數(shù)據(jù)科學(xué)小站
多重共線性是使用線性回歸算法時經(jīng)常要面對的一個問題。在其他算法中，例如決策樹和貝葉斯，前者的建模過程是逐步遞進(jìn)，每次拆分只有一個變量參 ...
全國校區(qū)
京公網(wǎng)安備 11010802034615號
經(jīng)營許可證編號：京B2-20210330