解決乙個機器學習問題的一般套路是先構建乙個目標函式，然後解決乙個優化問題。目標函式通常由損失函式和正則項組成。常見的損失函式log-loss,square-loss,cross-entropy-loss等，常見的正則化方法有l1正則、l2正則等，常見的優化方法有梯度下降、隨機梯度下降等。svm也可以按照這種模式來重新定義。
首先，損失函式
\( l(y_i,y_i') = max(0,1-y_iy_i') \),稱之為hinge-loss. 實際值y的取值為-1和1，容易看出，只要實際值和**值不同，損失函式就會大於0，當實際值和**值相同的時候，**值的絕對值越大越好
然後，構建目標函式
obj(w,b) = \(\sum_^max(0,1-y_i(w \dot x_i+b)) + c||w||^2\)
可以證明
上述目標函式和上篇文章中得到的優化目標
\(min_\frac||w||^2+c\sum_^\xi_i\)
s.t \(y_i(w\cdot x_i+b)>=1-\xi_i, i=1,2,...n\)
\(\xi_i>=0,i=1,2,3...n\)
等價參考：李航《統計學習方法》
tomcat另外一種部署方式
方式一，步驟如下 2 將解壓後的檔案放到想要放的其它目錄，然後在tomcat的conf server.xml檔案中節點中新增如下節點，metada docbase d tomcattest metada reloadable false privileged true debug 0 3 重啟tom...
反射的另外一種方法
t instance default t type type typeof t system.reflection.constructorinfo constructorinfoarray type.getconstructors system.reflection.bindingflags.ins...
解決Gradle Build很慢的另外一種思路
關於加快gradle的構建速度，網上已經有很多帖子了，那是通常的乙個思路，我試過了，對我來說並沒有明顯的作用。這裡我要說的是另外一種思路，就是根據不同的執行環境，使用gradle.startparameter.tasknames 我們可以選擇性的新增應用外掛程式了。其中這個的作用只是在正式環境下打正...