Journey of Learning and Sharing

[原]灰色预测原理及MATLAB实现 : 作者：金良（golden1314521@gmail.com） csdn博客：http://blog.csdn.net/u012176591 灰色模型预测的结果比较稳定，不仅适用于大数据量的预测，在数据量较少时（大于3个即可）预测结果依然较准确。 　　 灰色系统理论是中国著名学者邓聚龙教授在1982年创立的一门新兴横断学科，它以“部分信息已知，部分信息未知”的“小样本”、“贫信息”不确定性系统为研究对象，主要通过对部分已知信息的生成、开发，提取有价值的信息，实现对系统运行规律的正确认识和确切描述，并据以进行科学预测。 　　所谓灰色系统是介于白色系统和黑箱系统之间的过渡系统，其具体的含义是：如果某一系统的全部信息已知为白色系统，全部信息未知为黑箱系统，部分信息已知，部分信息未知，那么这一系统就是灰箱系统。一般地说，社会系统、经济系统、生态系统都是灰色系统。 　　灰色预测Grey Prediction是以灰色模型Grey Model 为基础的，在诸多的灰色模型中，以灰色系统中单序列一阶线性微分方程模型GM(1,1)模型最为常用。下面简要介绍GM（1,1）模型。 　　设有原始数据 ，n为数据个数。 例子中的原始数据为： A=[89677,99215,109655,120333,135823,159878,182321,209407,246619,300670]; 如果根据 数据列建立GM(1,1)来实现预测功能，则基本步骤如下： （1）原始数据累加以便弱化随机序列的波动性和随机性，得到新数据序列： 　 　　 例子中的相应数据为： B=[89677,188892,298547,418880,554703,714581,896902,1106309,1352928,1653598] （2）对 建立一阶线性微分方程： 　　 　　 其中，a,u为待定系数，分别称为发展系数和灰色作用量，a的有效区间是(-2，2),并记a,u构成的矩阵为 。只要求出a,u，就能求出 ，进而求出 的未来预测值。 第（3）步和第（4）步为求a,u的过程。 （3）对累加生成数据 做均值得到列项量并加上一列全1列向量，生成 矩阵，对原始序列进行截取获得列向量 ，即 例子中的相应数据依次是： E=-139284.5,-2

OpenWRT 路由配置技巧 : 　　随着最近 Google 在国内已经完全无法访问，使得通过 VPN 访问网络的需求更加强烈，本文介绍的方法可以使一个普通的路由具备稳定连接 VPN 的能力，并能够根据目标访问网站选择国内外线路，从而得到一个既没有限制，也不会影响速度的 Wifi 环境，连接到这个网络的设备不需要任何配置即可安全上网，完全感觉不到任何不便。 　　chnroutes 路由表 这个路由表集中了所有分配到中国大陆的 IP 段，根据 http://ftp.apnic.net/apnic/stats/apnic/delegated-apnic-latest 每天自动更新，可使得在访问国内地址时不经过 VPN。 　　想想如果能够让家里的路由直接连接 VPN，在家连接 WiFi 的所有设备直接达到Fan墙的效果，应该很 Cool，所以最近在某宝整了一个 Netgear WNDR3800 二手路由回来，先后分别在 DD-WRT 和 OpenWRT 成功配置 VPN + chnroutes，最后还是选择了 OpenWRT。 　　DD-WRT vs OpenWRT 关于 DD-WRT 和 OpenWRT，我选择 OpenWRT 主要因为 DD-WRT ROM 中集成的软件太多，绝大多数用不到，要配置 jffs2 来保存脚本文件，一般配置则保存在nvram中，而且无线较不稳定，5G频段常搜索不到（当然可能是我这个路由器型号的支持问题）。OpenWRT 的配置文件语法统一，配置都存储在文件系统中，且 ROM 本身仅集成了必备组件，非常小，可以只安装需要的东西，WEB管理界面也是可选安装，简洁强大，经过若干天的使用一直比较稳定。   　　配置 已配置好 OpenWRT 上网的童鞋们可以直接跳过  1.刷 ROM 和 2.初始配置 　　1.刷 ROM a.首先确定你的设备可以被 OpenWRT 所支持（到这里查看支持的设备列表：http://wiki.openwrt.org/toh/start），然后到这里下载编译好的 ROM：http://downloads.openwrt.org/ 。最新的 stable 版本是 attitude_adjustment(12.09)，我下载的是 trunk 版本。 　　b.在 OpenWRT 官网找相应设备的 Wiki 页面

让学习体系化，造福一大波上进青年 : 本篇推荐者 知乎用户：秦楚汉 怎么样才能让学习体系化，效果更好？ Lachel，关注思考，生活，方法论 看到这个问题已经有不少朋友关注了，却还没有回答。我来抛砖引玉一下吧。 前提： 我默认这里的「学习」，属于提升自己的范畴，不是指应试的那种。 以下的一切，建立在兴趣的基础上。没有兴趣，一切都是妄言。 体系化是学习的正道。学到的东西只有纳入自己的知识体系中，才算是为自己所用。不成体系的零碎知识是 没有任何价值 的。 具体来说，有下面几步： 1. 了解工具 无论你想学习什么领域，第一步，是先要了解这个领域的研究工具——比如术语，比如研究方法，比如这个领域的基本常识，等等。所以： 选择一本公认的、权威的教材，将里面出现的术语全部弄明白 。 这一步不用奢求能读懂多少，能理解那些术语就可以了。 比如，学哲学，就可以读梯利的《西方哲学史》（商务印书馆，别挑罗素的，那种书随便看看就好）或者所罗门的《大问题》。看到一个不懂的术语，查维基、查资料、问别人，把它弄懂，不用强求记住什么和理解什么，先把诸如形而上学、一元、二元、有神、无神、泛神、先验、超验、经验等等这些基本概念弄清楚。 学经济学，就读萨缪尔森的《经济学》。把里面的术语弄懂了，基本读经济学著作就没有太大问题了。我觉得比起曼昆那本，萨缪尔森的读起来更爽，更严谨，当然这可能是口味问题。 这一步，选择一本恰当的启蒙书籍尤为重要。 （反面例子见大学的四大洗脑课。天天跟别人解释形而上学不是孤立片面、哲学史也不是按唯物唯心来划分、马克思更不是旷世以来哲学第一人……这种问题很累的） 其实，无论你读了多少妙趣横生的普及读物，到头来，基础教材这一关始终是绕不过去的。畅销读物好看，轻松，但学习本来就是一个艰难的过程。因为，学习就是打破大脑里固有的藩篱和连结，建立新的节点和网络，这个过程跟改变习惯一样，必然是充满艰辛的。相比之下，畅销读物只是给你一点谈资，让你自以为学到了东西，而并不能帮你重建对这个领域的认知。另一方面，畅销读物为了保证可读性，对概念的诠释上必然会更加模糊和简单，如果没有通过基础教材打好底子，很容易产生理解上的偏差。 2. 建立脉络 了解了基础的工具之后，就是纵览，建立这个领域的脉络。这一步，要多读几本描述不同时期的书，同样不求深入理解，先把这个领域的发展弄清楚了，

向科学家学习，养成一些好习惯 : 本篇推荐者 知乎用户：梅腾天 数据科学家/统计学家应该养成哪些好习惯？ 关丹辉，For Data Science: www.datakit.cn 个人观点，仅供参考： 1、永远不要轻信自己的分析结果，多用业务和常识去检验。 很多时候，我们的分析都是含有一些潜在的假设，而在分析过程中被忽略。比如最经典的案例是在 1948 年，盖洛普错误地预测了杜威能击败杜鲁门而当选总统，原因是多方面的，但是抽样中的潜在不平均是不可否认的。再比如有个人分析结果得到刚毕业的专科的平均薪资比同专业的本科要高，就找一堆理由来说明这个结论。但是领导说这个不符合常识，打回去重新分析。之后发现是因为样本男女比例不均衡导致的。所以，我们不要轻信自己的分析结果，尤其是不能给自己的分析找正向的理由。因为只有你找理由，总会能给自己的结论找到一堆理由。有多从实际出发，如果不符合常识，那就更要多方面论证，才能发声。否则，就会是个笑话。 2、阅读人文：数据科学不仅是一门科学，也是一门艺术。 数据科学，你可以认为是一门探索人性的科学。我经常跟周围做数据或者 IT 人的说的一点是，因为我们是做数据或者写一些代码的，这里的数字是 1 就是 1，不会是 2，TRUE 了就不会是 FALSE，所以做久了，人容易偏执，不会享受生活，那就无法引进艺术。也举一个例子，美国有一家大型商场，业务经理想能否预测一个客户是否是孕妇，以此来针对性的营销呢？之后他们的数据科学家通过分析找到了一个模型来预测。那么他们是直接把孕妇相关产品推荐给客户吗？不是的，因为这个数据科学家不仅是数学好还是一个社会学家，他说如果全部推荐相关产品，那么客户会觉得自己的隐私被侵犯，甚至会觉得反感，所以他的策略是把真正想要推荐的东西放在一堆其他东西里。当然，这里只是简写，实际过程非常有趣。 3、了解行业信息和业务信息 这一点非常重要。分析和挖掘，最终都是要落到具体的业务上来的。所以做数据，不能脱离业务和行业规律。了解行业信息，能够让你在分析的时候更加的接地气、更好的把握分析框架。尤其是，联系刚才说的第一点，你积累的行业信息和业务信息都会帮助你检验你的分析，同时让你更还的认识到什么样的分析是有价值的分析。此外，对于业务中的乱七八糟的各种概念更是要深入理解，不能停留在表面。有时候，一个业务概念理解失误（比如