1. 机器学习4种不同数据集的优劣对比
机器学习4种不同数据集的优劣对比
数据源决定了机器学习算法，机器算法的选择好坏也决定了数据的分析质量等，因此，我们选择机器算法的时候，要首先弄懂各个机器学习数据集的优劣性，主要特点，方可着手处理，才能起到事半功倍的效果。下面随着大圣众包小编一起看看4种不同的机器学习数据集对比吧。
Iris
Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Setosa，Versicolour，Virginica）三个种类中的哪一类。
Alt
该数据从美国1994年人口普查数据库抽取而来，可以用来预测居民收入是否超过50K$/year。该数据集类变量为年收入是否超过50k$，属性变量包含年龄，工种，学历，职业，人种等重要信息，值得一提的是，14个属性变量中有7个类别型变量。
Wine
这份数据集包含来自3种不同起源的葡萄酒的共178条记录。13个属性是葡萄酒的13种化学成分。通过化学分析可以来推断葡萄酒的起源。值得一提的是所有属性变量都是连续变量。
CarEvaluation
这是一个关于汽车测评的数据集，类别变量为汽车的测评，（unacc，ACC，good，vgood）分别代表（不可接受，可接受，好，非常好），而6个属性变量分别为“买入价”，“维护费”，“车门数”，“可容纳人数”，“后备箱大小”，“安全性”。值得一提的是6个属性变量全部是有序类别变量，比如“可容纳人数”值可为“2，4，more”，“安全性”值可为“low,med,high”。
小结
通过比较以上4个数据集的差异，简单地总结：当需要试验较大量的数据时，我们可以想到“Alt”；当想研究变量之间的相关性时，我们可以选择变量值只为整数或实数的“Iris”和“Wine”；当想研究logistic回归时，我们可以选择类变量值只有两种的“Alt”；当想研究类别变量转换时，我们可以选择属性变量为有序类别的“CarEvaluation”。大圣众包小编建议更多的尝试还需要对这些数据集了解更多才行。
2. 基于数据库搜索的算法，关键有哪几点
B+、B- Tree(mysql,oracle,mongodb)
主要用在关系数据库的索引中，如oracle，mysql innodb；mongodb中的索引也是B-树实现的；还有HBase中HFile中的DataBlock的索引等等。
动态查找树主要有：二叉查找树（Binary Search Tree），平衡二叉查找树（Balanced Binary Search Tree），红黑树(Red-Black Tree )，B-tree/B+-tree/ B*-tree (B~Tree)。前三者是典型的二叉查找树结构，其查找的时间复杂度O(log2N)与树的深度相关，那么降低树的深度自然会提高查找效率。
但是咱们有面对这样一个实际问题：就是大规模数据存储中，实现索引查询这样一个实际背景下，树节点存储的元素数量是有限的（如果元素数量非常多的话，查找就退化成节点内部的线性查找了），这样导致二叉查找树结构由于树的深度过大而造成磁盘I/O读写过于频繁，进而导致查询效率低下，那么如何减少树的深度（当然是不能减少查询的数据量），一个基本的想法就是：采用多叉树结构（由于树节点元素数量是有限的，自然该节点的子树数量也就是有限的）。
也就是说，因为磁盘的操作费时费资源，如果过于频繁的多次查找势必效率低下。那么如何提高效率，即如何避免磁盘过于频繁的多次查找呢？根据磁盘查找存取的次数往往由树的高度所决定，所以，只要我们通过某种较好的树结构减少树的结构尽量减少树的高度，那么是不是便能有效减少磁盘查找存取的次数呢？那这种有效的树结构是一种怎样的树呢？
这样我们就提出了一个新的查找树结构——多路查找树。根据平衡二叉树的启发，自然就想到平衡多路查找树结构，也就是B~tree，即B树结构(后面，我们将看到，B树的各种操作能使B树保持较低的高度，从而达到有效避免磁盘过于频繁的查找存取操作，从而有效提高查找效率)。
Hash表+桶(redis)
mysql中的adaptive hash index，redis中的数据存储实现都是采用hash，可以高效的进行数据的查询。
哈希表（Hash table，也叫散列表），是根据关键码值(Key value)而直接进行访问的数据结构。也就是说，它通过把关键码值映射到表中一个位置来访问记录，以加快查找的速度。这个映射函数叫做散列函数，存放记录的数组叫做散列表。
哈希表的做法其实很简单，就是把Key通过一个固定的算法函数既所谓的哈希函数转换成一个整型数字，然后就将该数字对数组长度进行取余，取余结果就当作数组的下标，将value存储在以该数字为下标的数组空间里。
而当使用哈希表进行查询的时候，就是再次使用哈希函数将key转换为对应的数组下标，并定位到该空间获取value，如此一来，就可以充分利用到数组的定位性能进行数据定位
数组的特点是：寻址容易，插入和删除困难；而链表的特点是：寻址困难，插入和删除容易。综合两者特性，设计一种寻址容易，插入删除也容易的数据结构，如拉链法实现的哈希表。
Booleam Filter（HBase）
HBase中的rowkey设置建立Booleam Filter映射，用于快速判断rowkey是否在一个HFile中。在分布式数据库中用的比较多。
基于BitMap的存储结构，采用的是哈希函数的方法，将一个元素映射到一个 m 长度的阵列上的一个点，当这个点是 1 时，那么这个元素在集合内，反之则不在集合内。这个方法的缺点就是当检测的元素量很多时候可能有冲突，解决方法就是使用 k 个哈希 函数对应 k 个点，如果所有点都是 1 的话，那么元素在集合内，如果有 0 的话，元素则不再集合内。
3. 几大主流数据库对比
oracle，安全性比较高，性能稳定，但是价格相对来说较其他要贵，一般用来做安全性比较高的企业数据库，如银行，电信系统等
ms-sql，中文操作界面，安全性不如oracle，是一个免费的数据库，所以服务肯定是不如oracle的，ms-sql适合做厂矿企业的数据库，初学者比较容易上手
db2是IBM的数据库，没太用过，也就知道这些了
4. MySQL数据库常用的搜索引擎有哪些，区别是什么
MyISAM、InnoDB、Heap(Memory)、NDB
貌似一般都是使用 InnoDB的，
mysql的存储引擎包括：MyISAM、InnoDB、BDB、MEMORY、MERGE、EXAMPLE、NDBCluster、ARCHIVE、CSV、BLACKHOLE、FEDERATED等，其中InnoDB和BDB提供事务安全表，其他存储引擎都是非事务安全表。
最常使用的2种存储引擎:
1.Myisam是Mysql的默认存储引擎，当create创建新表时，未指定新表的存储引擎时，默认使用Myisam。每个MyISAM在磁盘上存储成三个文件。文件名都和表名相同，扩展名分别是.frm（存储表定义）、.MYD(MYData，存储数据)、.MYI(MYIndex，存储索引)。数据文件和索引文件可以放置在不同的目录，平均分布io，获得更快的速度。
2.InnoDB存储引擎提供了具有提交、回滚和崩溃恢复能力的事务安全。但是对比Myisam的存储引擎，InnoDB写的处理效率差一些并且会占用更多的磁盘空间以保留数据和索引。
5. 比较搜索引擎和专业数据库在检索方式和检索结果方面的异同。
从搜索方式上看，搜索引擎使用起来要方便简单易用，只需要输入关键词就可搜索，而且搜索引擎大多是免费的查找网络上已有的网页，是一种人人可用的检索方式；然而，专业数据库的使用就比较的麻烦复杂，需要具有一定的相关知识才可以运用，而且专业数据库是收费的，需要专门购买。
从搜索结果来看，搜索引擎能够搜索到网络上已经存在的大量文章，这其中既有专门的论文也有相关的新闻或者一些网友的看法，相关性和权威性较差，但是信息覆盖广泛;专业数据库则只是收录了各类学术期刊中的论文以及一些学生的毕业论文，信息覆盖面要小一些，因此专业数据库的文章的相关性权威性要较搜索引擎高.
6. 常见的数据检索算法有哪些数据库都采用什么样的检索方式如何提高检索的效率
您好，你的问题，我之前好像也遇到过，以下是我原来的解决思路和方法，希望能帮助到你，若有错误，还望见谅！信息检索方法包括：普通法、追溯法和分段法。1、普通法是利用书目、文摘、索引等检索工具进行文献资料查找的方法。运用这种方法的关键在于熟悉各种检索工具的性质、特点和查找过程，从不同角度查找。普通法又可分为顺检法和倒检法。2、追溯法是利用已有文献所附的参考文献不断追踪查找的方法，在没有检索工具或检索工具不全时，此法可获得针对性很强的资料，查准率较高，查全率较差。3、分段法是追溯法和普通法的综合，它将两种方法分期、分段交替使用，直至查到所需资料为止。(6)各个数据库搜索算法对比扩展阅读检索原因信息检索是获取知识的捷径美国普林斯顿大学物理系一个年轻大学生名叫约瀚·菲利普，在图书馆里借阅有关公开资料，仅用四个月时间，就画出一张制造原子弹的设计图。他设计的原子弹，体积小(棒球大小)、重量轻(7.5公斤)、威力大(相当广岛原子弹3/4的威力)，造价低(当时仅需两千美元)，致使一些国家（法国、巴基斯坦等）纷纷致函美国大使馆，争相购买他的设计拷贝。二十世纪七十年代，美国核专家泰勒收到一份题为《制造核弹的方法》的报告，他被报告精湛的技术设计所吸引，惊叹地说：“至今我看到的报告中，它是最详细、最全面的一份。”但使他更为惊异的是，这份报告竟出于哈佛大学经济专业的青年学生之手，而这个四百多页的技术报告的全部信息来源又都是从图书馆那些极为平常的、完全公开的图书资料中所获得的。参考资料来源：网络——信息检索，非常感谢您的耐心观看，如有帮助请采纳，祝生活愉快！谢谢！
7. 数据快速比较算法
先转换成字符串，分别存入list，然后遍历list，index相同的情况下直接对比list1(index)与list2(index)是否相等就好了。
8. 比较数据库和搜索引擎检索的方法和结果有什么不同
达梦数据库搜索引擎2009版
企业信息化建设浪潮，催生了大量的内部信息资源。据统计，企业数据每年以200%的速度增长，其中80%的数据以文件、邮件、图片等非结构化数据形式存放在企业内计算机系统中的各个角落，而这些数据总量远远超过了互联网信息的总量。整合企业信息资源，构建企业搜索引擎，为组织内外部用户提供检索和个性化信息服务，已经成为企业信息化的一大热点。
达梦数据库搜索引擎可以解决以下几个问题：
1、信息量大时速度慢的问题
比较常用的数据库有：Oracle、MySQL、MS SQL等，这些都是支持标准sql92语法的数据库，数据库的重点功能在存储，对于数据量达到千万级的时候，再执行sql语法的速度将会变得很慢，特殊是执行含有like的select语句时，比如一个采用mysql存储的客户信息表数据记录达到500万行以上时，就算增加再多的索引，采用标准select语句执行查询时，所需时间至少也在2分钟以上，Oracle数据库虽然可以采用分区，或采用Oracle的内置函数如instr来辅助查询，时间也在1分钟以上。
达梦数据库搜索引擎采用全文检索技术，来解决搜索速度的问题，这就是为什么网络和谷歌能从上亿的网页数据库中搜索，只需零点零几秒以内返回结果。
达梦数据库搜索引擎为什么在检索时能达到零点零几秒返回结果呢？从数据库读取记录，对要搜索的字段分好词，存成文件索引，搜索时再分词，直接去索引查找每个词有哪些索引后文档。
2、信息形式多
如果要建一个行业的信息库，如新闻库，可能就会分很多类别，如：互联网、应用软件、通信等，每类可能由一个部门来组织，并且有可能会涉及到各个部门，不但包括文字、图片、图表和视频等多种形式的信息资源，而且涵盖了其他语言的信息资源。达梦数据库搜索引擎能够提供一个统一的跨媒体检索。
3、信息结构不一样
如果以前有很多信息系统，并且数据库不同，也是用不同语言开发的，查询A信息要去A系统，查询B类信息又要去B系统查询，一是不方便查询，二是重复的数据多，没法充分的利用这些已有的数据资源。
达梦数据库搜索引擎能够针对不同的数据源，采用灵活的定制，将这些数据统一成一个检索库，方便查询，达到数据的充分利用。
9. 1. 试着比较使用一般搜索引擎和专用数据库网站检索信息的优劣。
首先，中文数据库检索是站内搜索，只是搜索站内发布的资源，互联网上的其他站点的信息是不会被搜索到，其主要作用是储存数据；搜索引擎是网络搜索，引擎检索所检索到的信息内容更宽泛，可以搜索到网上发布的相关信息资源，它是利用网络获得各种数据的过程；两种检索方式所提供的检索方法和支持的检索方法也是不同的。
中文数据库与搜索引擎检索的信息对比：第一，信息量不同，中文数据库检索的信息量小于用引擎搜索检索出来的信息量；第二，信息形式不同，中文数据库的检索信息是以文字文献形式表现的，而利用搜索引擎检索的信息表现形式则更加多样化，包括了文字、图片、图标、视频等等多种形式的信息资源；第三，检索结果的不同，引擎检索检索到的信息内容更宽泛，可以搜索到网上发布的相关信息资源，而数据库检索的话，检索结果会更精确，检索的信息更专业、更有效，检索到的期刊论文是搜索引擎上检索不到的，
10. 与数据库相比，搜索引擎有哪些优点和缺点
1.处理的数据方式不同，搜索引擎用于索引数据，而数据库需要存储数据和索引数据
2.跨度不同，搜索引擎要跨好几个库进行搜素，而数据库则专注于自己本地的数据，但现在的分布式数据库除外
3.算法不同，搜索引擎要进行语义搜索等等，而数据库是精确对比的搜索。