| 时间排序
自学回归分析，百度
自学回归分析，百度
&p&18.0&/p&
&p&我也是初学数据挖掘，有了和你相同的疑问。&/p&&p&这里有一段解释。&/p&&a href=&///?target=http%3A///end/p/3330466.html& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&对称的二元变量和不对称的二元变量之间的区别是什么？ - 风生水起 - 博客园&i class=&icon-external&&&/i&&/a&&p&数据挖掘中的数据的特征，一般有三种类型：名词性的，二值属性，数值属性。对于二值属性有几种近似的测量方法。&/p&&p&&b&Proximity Measure for Binary Attributes&/b& &/p&&p& 1.A contingency table for binary data&/p&&br&&img src=&/v2-1cfd7353abfde887fbe9a64a5dc4a047_b.png& data-rawwidth=&416& data-rawheight=&130& class=&content_image& width=&416&&&p&2.Distance measure for symmetric binary variables: （对称）&/p&&img src=&/v2-26bacad1a6c8ece3b032c2_b.png& data-rawwidth=&360& data-rawheight=&78& class=&content_image& width=&360&&&br&&p&3.Distance measure for asymmetric binary variables: （非对称）&/p&&img src=&/v2-bd1beda8da858b86d8b7bfa85b2b3eb3_b.png& data-rawwidth=&312& data-rawheight=&63& class=&content_image& width=&312&&&br&&p&4.
Jaccard coefficient (&i&similarity&/i& measure for &i&asymmetric &/i&binary variables): &/p&&img src=&/v2-50f78ec3b7b212bf01c4f_b.png& data-rawwidth=&456& data-rawheight=&71& class=&origin_image zh-lightbox-thumb& width=&456& data-original=&/v2-50f78ec3b7b212bf01c4f_r.png&&&br&&p&Note: Jaccard coefficient is the same as “coherence”:&/p&&img src=&/v2-c59ac3c1eee6c313a1fbb02bc0f90cee_b.png& data-rawwidth=&872& data-rawheight=&77& class=&origin_image zh-lightbox-thumb& width=&872& data-original=&/v2-c59ac3c1eee6c313a1fbb02bc0f90cee_r.png&&&p&
如果它的两个状态有相同的权重, 那么该二元变量是对称的，也就是两个取值 0或 1 没有优先权。例如，属性“性别”就是这样的一个例子，它有两个值：“女性”和“男性”。基于对称二元变量的相似度称为恒定的相似度，即当一些或者全部二元变量编码改变时，计算结果不会发生变化。对恒定的相似度来说，评价两个对象 i和 j 之间相异度的最著名的系数是简单匹配系数，其定义：
见上方2式。
如果两个状态的输出不是同样重要，那么该二元变量是不对称的。例如一个疾病检查的肯定和否定的结果。根据惯例，我们将比较重要的输出结果，通常也是出现几率较小的结果编码为 1（例如，HIV阳性），而将另一种结果编码为 0（例如 HIV阴性）。给定两个不对称的二元变量，两个都取值 1 的情况（正匹配）被认为比两个都取值 0 的情况（负匹配）更有意义。因此，这样的二元变量经常被认为好像只有一个状态。基于这样变量的相似度被称为非恒定的相似度。对非恒定的相似度，最著名的评价系数是 Jaccard 系数，在它的计算中，负匹配的数目被认为是不重要的，因此被忽略。 见4式。
当对称的和非对称的二元变量出现在同一个数据集中，混合变量方法可以被应用。 &/p&
我也是初学数据挖掘，有了和你相同的疑问。这里有一段解释。数据挖掘中的数据的特征，一般有三种类型：名词性的，二值属性，数值属性。对于二值属性有几种近似的测量方法。Proximit…
&a href=&///?target=http%3A///charlotte77/tag/%25E6%259C%25BA%25E5%%25E5%25AD%25A6%25E4%25B9%25A0/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&机器学习 - 标签 - Charlotte77 - 博客园&i class=&icon-external&&&/i&&/a&&p&这个博主写了一系列的特征工程相关的博文，目前更了数据清洗 数据转换 降维，讲得很详细。&/p&
这个博主写了一系列的特征工程相关的博文，目前更了数据清洗 数据转换 降维，讲得很详细。
&p&你重新截个图吧，把每一列的标题放在上面~&/p&&br&&p&--------------------------------------------------- 更新----------------------------------------------&/p&&p&第一列应该就是每个哑变量（分类变量）的回归系数。&/p&&p&如果某个分类变量一个有5个取值，一般会生成4个哑变量，另一个为“基（Base）”。这里，第2-4行中的trust(1)、trust(2)、trust(3)、trust(4)即为哑变量，第一行中的trust为基。&/p&&p&在Logistic模型中，哑变量的系数都是通过跟基比较来解读的。&/p&&p&记因变量Y=1的概率为P，本例中，相应的Logistic模型为：&/p&&img src=&///equation?tex=log%28%5Cfrac%7BP%7D+%7B1-P%7D%29+%3D+-1.21%2Atrust%281%29+-0.984%2Atrust%282%29+-+0.468%2Atrust%283%29+-+18.567%2Atrust%284%29& alt=&log(\frac{P} {1-P}) = -1.21*trust(1) -0.984*trust(2) - 0.468*trust(3) - 18.567*trust(4)& eeimg=&1&&&p&以第二行 trust(1) 的系数 -1.21 为例：该值表示当分类变量trust=1时，P/(1-P)的对数下降了1.21。换句话说，P/(1-P)的值下降了 &img src=&///equation?tex=exp%281.21%29%3D3.3535& alt=&exp(1.21)=3.3535& eeimg=&1&& 。&/p&&p&你也可以进一步算出P值变化了多少。&/p&
你重新截个图吧，把每一列的标题放在上面~ --------------------------------------------------- 更新----------------------------------------------第一列应该就是每个哑变量（分类变量）的回归系数。如果某个分类变量一个有5个取值，一般会…
&p&在自然语言研究中，情感、情绪往往是容易被忽略的因素。其实人类在谈话、写作、社交平台发布信息时，传递的不仅是语义，更是情感和意图。如果忽略对“情感、情绪”的识别，舆情分析是很难准确的。&/p&&p&所以为了弥补传统NLP、NLU的不足，竹间智能提出了“认知智能+情感智能”，也就是在自然语言语义理解的基础上，融入意图判断和多模态情感识别（对人类文字、表情、语音、语调的情感识别）。这也算竹间智能的一个创新吧。&/p&&p&在此我们请教了&b&竹间智能高级算法工程师邓霖&/b&，来分享一些我们在情感、情绪识别上的经验。&/p&&p&---------------------------------&i&正式回答分割线&/i&----------------------------------&/p&&p&你的问题，说容易也容易，说难也难。&/p&&p&说容易，是因为已经有现成的框架可供调用，包括分词、实体识别、情感分析等众多功能，比如pip install一个库，就都搞定了。&/p&&p&如果要处理英文，就是著名的NLTK。如果要处理中文，推荐SnowNLP：&/p&&p&&a href=&///?target=https%3A///isnowfy/snownlp& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&/isnowfy/snow&/span&&span class=&invisible&&nlp&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&，
不过需要注意的是，SnowNLP的情感词典是基于商品评价生成的，可能不适用于你的领域。&b&领域迁移，是情感分析中的一个大问题，接下来会详细叙述。&/b& &/p&&p&如果你对SnowNLP的情感词典不满意，可以试试台湾大学简体中文情感极性词典：&a href=&///?target=https%3A//0x9.me/EYrq7& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&0x9.me/EYrq7&/span&&span class=&invisible&&&/span&&i class=&icon-external&&&/i&&/a&&/p&&p&下面，我就把“情感分析”这个话题展开一下，希望能对你有所帮助。&/p&&h2&&b&首先，基于情感词典的方法，效果并不好&/b&&/h2&&p&使用这种基于“情感词典”的方式，没有什么学习过程，可以快速实现，毕竟最困难的部分“总结情感词典”别人已经替你实现完了。但是&b&缺点在于：准确率不高&/b&。主要存在如下两类问题：&/p&&ul&&li&&b&如何处理否定词。&/b&一般来说，应该制订规则，即，如果一个情感词出现在否定词后面，那么该情感词的“情感极性”就应该取反。但是，自然语言千变万化，没有那么简单。比如英语中的cannot recommend any more，中文中的“不要太便宜了吧”，上述规则就不起作用。&/li&&li&&b&网上下载到的“情感词典”往往是根据某个领域总结出来的&/b&，比如社交媒体或是电商的评论。如果使用一个根据社交媒体得到的“情感词典”来判断电商评论的情感，可能电商评论中大量表达情感的词在“情感词典”中根本就找不到。&/li&&/ul&&h2&&b&然后，机器学习方法&/b&&/h2&&p&为此，目前进行情感分析，更加精确的方法，是利用机器学习的方法，将“情感分析”转化为一个文本分类问题（比如：正、负、中性），常见的分类算法都可以被使用，如果再ensemble一下，效果应该更好。&b&而最重要的问题，就是如何从文本中提取特征&/b&，常见的文本特征提取方式包括：&/p&&ul&&li&&b&Bag of words, TF-IDF&/b&&/li&&li&&b&为了处理否定词，以及处理常见短语，可以提取N-gram作为特征，N是一个超参数&/b&&/li&&/ul&&p&而“常规”机器学习的困难之处就在于，需要人工从文本提取特征，且工作量大，比如N-gram时的N如何选取。另外，BOW/TF-IDF，每个词都是以OHE向量表示，高纬度高稀疏的，缺乏语义，特征表达能力很弱。&/p&&h2&&b&深度学习算法&/b&&/h2&&p&这也是Deep Learning能够在“文本分类”（包括情感分析）领域得以流行，并相比较于常规机器学习算法获得更好成绩的原因。&/p&&ul&&li&&b&Deep Learning算法，无论CNN还是RNN，都能够从文本中自动提取特征&/b&RNN自不待言，本身就是为了“序列学习”而设计的，能够学习到一句话词语前后之间的“关系”。这种“关系”可以理解为上下文、或者一个否定词和其控制的情感词的联系……&/li&&li&CNN打乱了词之间的顺序，理论上不太适合于学习语言，因为语言中的词与词之间的顺序非常重要。但是事实上，CNN在文本分类上取得了非常好的效果。一种解释可以理解为，CNN自动学习了一个最优的N-gram。（多说一句，深度学习中这种事例并不鲜见，比如著名的fastText，简单得不像话，就是将一句话中的词向量做一个平均，再接一个softmax，“据说”也取得了state-of-art的效果）。&/li&&li&&b&使用word vector来表示词，不仅解决了用OHE表示词带来的稀疏性问题，而且赋予每个word vector更多语义特征。&/b&比如著名的“king - man + woman = queen”。而且，词向量本身也可以作为变量，在分类问题的学习过程中fine tune，效果更好。&/li&&/ul&&p&除了RNN，CNN这些基本架构以外，学术界还开发出许多更为复杂的模型，比如引入记忆网络Aspect Level Sentiment Classification with Deep Memory Network：&/p&&p&&a href=&///?target=https%3A//arxiv.org/abs/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/abs/&/span&&span class=&invisible&&0&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a& 、Attention机制Aspect Level Sentiment Classification with Deep Memory Network：&a href=&///?target=https%3A//arxiv.org/abs/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/abs/&/span&&span class=&invisible&&0&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a& 、将RNN与CNN学到的特征联起来……“&b&把能接上的，都给它接上&/b&”。而事实上，根据我的经验，使用这些更复杂的模型，对准确率的提升并不太大，比如提升个1%，却可能引入更多的超参需要调。毕竟，使用fastText那种简单得不像话的模型，都能取得state-of-art的性能，所以模型之间的差别并不大。一般来说：&/p&&ul&&li&&b&使用CNN（因为CNN比RNN快太多）&/b&&/li&&li&&b&使用pre-train的word embedding，并将embedding层也作为变量，在学习过程中加以update&/b&，往往就可以取得不错的效果，可以作为baseline model，成为未来进一步提升的基础。&/li&&/ul&&p&另外，无论你使用算法，常规的也好，深度学习也好，&b&最重要的还是要认真研究你的数据，提炼出有意义的特征&/b&。比如有论文就将文本的长度、感叹号的数量都作为判断情感的特征，可以借鉴。&/p&&h2&&b&解决数据不足的问题：迁移学习&/b&&/h2&&p&以上，通常就是来做文本分类，包括情感分析的一般方法，但是其实，它还&b&缺少了一个最重要的方面，就是数据&/b&。俗话说得好，“&b&钱不是问题，问题是没钱&/b&”。这句话也同样适用于机器学习，特别是深度模型的学习能力强，就需要更多的数据，否则极容易overfit。对于文本分类问题，如果有了标注数据，从网上下载一份word vectors，直接使用tensorflow、keras自带的sample codes就能够训练出一个还不错的分类模型。&/p&&p&&b&但是问题来了，我们从哪里去找那么多的标注数据？&/b&英文的还好，Netflix, Amazon都开源了一些标注好的数据集，而中文的开源数据集少之又少。&/p&&p&为了解决这个问题，我们需要&b&借助迁移学习的思想&/b&。比如：&/p&&ul&&li&我们缺少的其实只是标注好的数据，因为人工标注费时费力。但网上海量的未标注数据极容易获得；&/li&&li&深度学习中，其实大量的样本与时间，都花在“特征学习”上，即给定一个输入样本，如何给出它的一个“抽象”、“有意义”的表征（encoding, representation）&/li&&/ul&&p&为此，我们可以：&/p&&ul&&li&&b&利用容易获取的大量未标注数据，用unsupervised learning的方法，学习出一个还不错的encoding model来表示文本。&/b&而具体到文本领域，&b&可以参考Semi-supervised Sequence Learning：&a href=&///?target=https%3A//arxiv.org/abs/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/abs/&/span&&span class=&invisible&&2&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a&&/b& &b&，学习一个传统的语言模型，或者学习一个seq2seq autoencoder&/b&，从而得到一个encoding model来表征输入的文本。&/li&&li&&b&再利用少量的标注数据（或购买，或少量人工标注）&/b&，在第一步获得的encoding model的基础上进行supervised learning，在这个过程中对encoding model进行fine tune，获得最终的分类模型。&/li&&/ul&&p&另外，比如你需要做一个关于电商产品评论的情感分析，却没有或者有很少该领域的评论标注数据。同时，你却有大量另一个领域的评论标注数据，比如爬到的对电影的评论数据。你可以做一个domain adversarial training：&a href=&///?target=https%3A//arxiv.org/abs/& class=& external& target=&_blank& rel=&nofollow noreferrer&&&span class=&invisible&&https://&/span&&span class=&visible&&arxiv.org/abs/&/span&&span class=&invisible&&8&/span&&span class=&ellipsis&&&/span&&i class=&icon-external&&&/i&&/a& 。&b&其核心思想就是，让学习到的特征比较通用，而不去过分迎合某个领域&/b&。为此，整个模型中包括了一个domain classifier，并且feature representation module要对抗domain classifier，以模糊领域的区别。&/p&&p&以上，就是文本分类，包括情感分析的发展脉络、基本算法和所面临问题的一个简单综述，希望对你有帮助。&/p&&br&&p&&i&本回答来自竹间智能高级算法工程师邓霖&/i&&/p&
在自然语言研究中，情感、情绪往往是容易被忽略的因素。其实人类在谈话、写作、社交平台发布信息时，传递的不仅是语义，更是情感和意图。如果忽略对“情感、情绪”的识别，舆情分析是很难准确的。所以为了弥补传统NLP、NLU的不足，竹间智能提出了“认知智能…
已有帐号？
无法登录？
社交帐号登录&&&&SPSS&Modeler数据挖掘方法及应用（第2版）
自营订单满39元（含）免运费
不足金额订单收取运费5元起
邀请好友参加吧
版 次：1页 数：字 数：印刷时间：日开 本：16开纸 张：印 次：1包 装：平装是否套装：否国际标准书号ISBN：0丛书名：统计分析教材所属分类：&&&&&
下载免费当当读书APP
品味海量优质电子书，尊享优雅的阅读体验，只差手机下载一个当当读书APP
本商品暂无详情。
当当价：为商品的销售价，具体的成交价可能因会员使用优惠券、积分等发生变化，最终以订单结算页价格为准。
划线价：划线价格可能是图书封底定价、商品吊牌价、品牌专柜价或由品牌供应商提供的正品零售价（如厂商指导价、建议零售价等）或该商品曾经展示过的销售价等，由于地区、时间的差异化和市场行情波动，商品吊牌价、品牌专柜价等可能会与您购物时展示的不一致，该价格仅供您参考。
折扣：折扣指在划线价（图书定价、商品吊牌价、品牌专柜价、厂商指导价等）某一价格基础上计算出的优惠比例或优惠金额。如有疑问，您可在购买前联系客服咨询。
异常问题：如您发现活动商品销售价或促销信息有异常，请立即联系我们补正，以便您能顺利购物。
当当购物客户端手机端1元秒
当当读书客户端万本电子书免费读江西省南昌市学年度第一学期期末；（江西师大附中使用）高三理科数学分析；试卷紧扣教材和考试说明，从考生熟悉的基础知识入手；试卷遵循了考查基础知识为主体的原则，尤其是考试说；选择题第12题和填空题第16题以及解答题的第21；在选择题，填空题，解答题和三选一问题中，试卷均对；二、亮点试题分析；1．【试卷原题】11.已知A,B,C是单位圆上互；??
江西省南昌市学年度第一学期期末试卷
（江西师大附中使用）高三理科数学分析
试卷紧扣教材和考试说明，从考生熟悉的基础知识入手，多角度、多层次地考查了学生的数学理性思维能力及对数学本质的理解能力，立足基础，先易后难，难易适中，强调应用，不偏不怪，达到了“考基础、考能力、考素质”的目标。试卷所涉及的知识内容都在考试大纲的范围内，几乎覆盖了高中所学知识的全部重要内容，体现了“重点知识重点考查”的原则。 1．回归教材，注重基础
试卷遵循了考查基础知识为主体的原则，尤其是考试说明中的大部分知识点均有涉及，其中应用题与抗战胜利70周年为背景，把爱国主义教育渗透到试题当中，使学生感受到了数学的育才价值，所有这些题目的设计都回归教材和中学教学实际，操作性强。 2．适当设置题目难度与区分度
选择题第12题和填空题第16题以及解答题的第21题，都是综合性问题，难度较大，学生不仅要有较强的分析问题和解决问题的能力，以及扎实深厚的数学基本功，而且还要掌握必须的数学思想与方法，否则在有限的时间内，很难完成。 3．布局合理，考查全面，着重数学方法和数学思想的考察
在选择题，填空题，解答题和三选一问题中，试卷均对高中数学中的重点内容进行了反复考查。包括函数，三角函数，数列、立体几何、概率统计、解析几何、导数等几大版块问题。这些问题都是以知识为载体，立意于能力，让数学思想方法和数学思维方式贯穿于整个试题的解答过程之中。
二、亮点试题分析
1．【试卷原题】11.已知A,B,C是单位圆上互不相同的三点，且满足AB?AC，则ABAC?的最小值为（
【考查方向】本题主要考查了平面向量的线性运算及向量的数量积等知识，是向量与三角的典型综合题。解法较多，属于较难题，得分率较低。
【易错点】1．不能正确用OA，OB，OC表示其它向量。
2．找不出OB与OA的夹角和OB与OC的夹角的倍数关系。
【解题思路】1．把向量用OA，OB，OC表示出来。
2．把求最值问题转化为三角函数的最值求解。
【解析】设单位圆的圆心为O，由AB?AC得，(OB?OA)?(OC?OA)，因为
，所以有，OB?OA?OC?OA则OA?OB?OC?1??????
AB?AC?(OB?OA)?(OC?OA)
?OB?OC?OB?OA?OA?OC?OA
?????OB?OC?2OB?OA?1
设OB与OA的夹角为?，则OB与OC的夹角为2?
所以，AB?AC?cos2??2cos??1?2(cos??)2?
即，AB?AC的最小值为?，故选B。
【举一反三】
【相似较难试题】【2015高考天津，理14】在等腰梯形ABCD中,已知
AB//DC,AB?2,BC?1,?ABC?60? ,动点E和F分别在线段BC和DC上,且,????????????1????????????BE??BC,DF?DC,则AE?AF的最小值为.
【试题分析】本题主要考查向量的几何运算、向量的数量积与基本不等式.运用向量的几何
????????????????运算求AE,AF，体现了数形结合的基本思想，再运用向量数量积的定义计算AE?AF，体
现了数学定义的运用，再利用基本不等式求最小值，体现了数学知识的综合应用能力.是思维能力与计算能力的综合体现. 【答案】
????1????????1????
【解析】因为DF?DC,DC?AB，
????????????1????????1?9?????1?9?????CF?DF?DC?DC?DC?DC?AB，
????????????????????AE?AB?BE?AB??BC，????????????????????????1?9?????1?9?????????AF?AB?BC?CF?AB?BC?AB?AB?BC，
?????????????????1?9??????????1?9?????2????2??????1?9?????AE?AF?AB??BC??AB?BC??AB??BC??1????AB?BC
18?18?18?????
?????? ?4????2?1?
?????212???29
当且仅当. ??即??时AE?AF的最小值为
2．【试卷原题】20. （本小题满分12分）已知抛物线C的焦点F?1,0?，其准线与x轴的
交点为K，过点K的直线l与C交于A,B两点，点A关于x轴的对称点为D． （Ⅰ）证明：点F在直线BD上； （Ⅱ）设FA?FB?
，求?BDK内切圆M的方程. 9
【考查方向】本题主要考查抛物线的标准方程和性质，直线与抛物线的位置关系，圆的标准方程，韦达定理，点到直线距离公式等知识，考查了解析几何设而不求和化归与转化的数学思想方法，是直线与圆锥曲线的综合问题，属于较难题。
【易错点】1．设直线l的方程为y?m(x?1)，致使解法不严密。
2．不能正确运用韦达定理，设而不求，使得运算繁琐，最后得不到正确答案。 【解题思路】1．设出点的坐标，列出方程。 2．利用韦达定理，设而不求，简化运算过程。 3．根据圆的性质，巧用点到直线的距离公式求解。
【解析】（Ⅰ）由题可知K??1,0?，抛物线的方程为y2?4x
则可设直线l的方程为x?my?1，A?x1,y1?,B?x2,y2?,D?x1,?y1?， 故?
?x?my?1?y1?y2?4m2
整理得，故 y?4my?4?0?2
?y?4x?y1y2?4
?y2?y1y24?
则直线BD的方程为y?y2?x??x?x2?即y?y2???
x2?x1y2?y1?4?
令y?0，得x?12?1，所以F?1,0?在直线BD上.
?y1?y2?4m2
（Ⅱ）由（Ⅰ）可知?，所以x1?x2??my1?1???my2?1??4m?2，
x1x2??my1?1??my1?1??1
又FA??x1?1,y1?，FB??x2?1,y2?
故FA?FB??x1?1??x2?1??y1y2?x1x2??x1?x2??5?8?4m，
,?m??，故直线l的方程为3x?4y?3?0或3x?4y?3?0 93
BD的方程3x?
3?0或3x?3?0，又KF为?BKD的平分线，
,故可设圆心M?t,0???1?t?1?，M?t,0?到直线l及BD的距离分别为54y2?y1?
?-------------10分 由
3t?143t?121
? 得t?或t?9（舍去）.故圆M的半径为r?
所以圆M的方程为?x???y2?
【举一反三】
【相似较难试题】【2014高考全国，22】 已知抛物线C：y2＝2px(p&0)的焦点为F，直线5
y＝4与y轴的交点为P，与C的交点为Q，且|QF|＝4（1）求C的方程；
（2）过F的直线l与C相交于A，B两点，若AB的垂直平分线l′与C相交于M，N两点，且A，M，B，N四点在同一圆上，求l的方程．
【试题分析】本题主要考查求抛物线的标准方程,直线和圆锥曲线的位置关系的应用,韦达定理,弦长公式的应用,解法及所涉及的知识和上题基本相同. 【答案】（1）y2＝4x.
（2）x－y－1＝0或x＋y－1＝0. 【解析】（1）设Q(x0，4)，代入
y2＝2px，得
所以|PQ|，|QF|＝x0＝＋.
由题设得＋＝p＝－2(舍去)或p＝2，
2p4p所以C的方程为y2＝4x.
（2）依题意知l与坐标轴不垂直，故可设l的方程为x＝my＋1(m≠0)． 代入y2＝4x，得y2－4my－4＝0. 设A(x1，y1)，B(x2，y2)， 则y1＋y2＝4m，y1y2＝－4.
故线段的AB的中点为D(2m2＋1，2m)， |AB|m2＋1|y1－y2|＝4(m2＋1)．
又直线l ′的斜率为－m，
所以l ′的方程为x＋2m2＋3.
m将上式代入y2＝4x，
并整理得y2＋－4(2m2＋3)＝0.
m设M(x3，y3)，N(x4，y4)，
则y3＋y4y3y4＝－4(2m2＋3)．
2故线段MN的中点为E?22m＋3，－，
4（m2＋12m2＋1
1＋2|y3－y4|＝.
由于线段MN垂直平分线段AB，
故A，M，B，N四点在同一圆上等价于|AE|＝|BE|＝，
22从而＋|DE|＝2，即 444(m2＋1)2＋
?2m＋?＋?22?＝
4（m2＋1）2（2m2＋1）
化简得m2－1＝0，解得m＝1或m＝－1， 故所求直线l的方程为x－y－1＝0或x＋y－1＝0.
三、考卷比较
本试卷新课标全国卷Ⅰ相比较，基本相似，具体表现在以下方面： 1. 对学生的考查要求上完全一致。
即在考查基础知识的同时，注重考查能力的原则，确立以能力立意命题的指导思想，将知识、能力和素质融为一体，全面检测考生的数学素养，既考查了考生对中学数学的基础知识、基本技能的掌握程度，又考查了对数学思想方法和数学本质的理解水平，符合考试大纲所提倡的“高考应有较高的信度、效度、必要的区分度和适当的难度”的原则． 2.
试题结构形式大体相同，即选择题12个，每题5分，填空题4 个，每题5分，解答题8个（必做题5个），其中第22，23，24题是三选一题。题型分值完全一样。选择题、填空题考查了复数、三角函数、简易逻辑、概率、解析几何、向量、框图、二项式定理、线性规划等知识点，大部分属于常规题型，是学生在平时训练中常见的类型．解答题中仍涵盖了数列，三角函数，立体何，解析几何，导数等重点内容。
3. 在考查范围上略有不同，如本试卷第3题，是一个积分题，尽管简单，但全国卷已经不考查了。
三亿文库包含各类专业文献、幼儿教育、小学教育、文学作品欣赏、应用写作文书、专业论文、各类资格考试、行业资料、中学教育、跟小蚊子学数据分析--SPSS Modeler数据挖掘实战(入门篇)61等内容。　
　SPSS Modeler 软件简介 SPSS Modeler 原名 Clementine,是一个业界领先的数据挖掘平台。SPSS Modeler 强大的数据挖掘功能将复杂的统计方法和机器学习技术应用到数据当 ... 　数据挖掘解决了一个常见的问 题:您拥有的数据越多,就越难有效地分析并得出数据的意 IBM SPSS Modeler 说明 数据挖掘和建模数据挖掘是一个深入您的业务数据,以... 　《SPSS Modeler数据挖掘方法及其应用培训课程》完整的视频课程由科学软件学习网录制,张贝贝老师主讲。分类预测:支持向量机是课程中的第五章,完整课程可以在科学软件学习... 　spss数据挖掘 学习_计算机软件及应用_IT/计算机_专业资料。Oracle Data Miner、IBM...将 IBM? SPSS? Modeler 中的 RFM 汇总节点和 RFM 分析节点设置为使用独立分级... 　用IBM SPSS Modeler 建立线性回归 预测模型 Modeler 线性回归模型示例 线性回归模型是一种常用的统计学模型。IBM SPSS Modeler 是一个强大 的数据挖掘分析工具,本文... 　(简介线性回归和 logistic 回归) 2) 无监督学习数据建模概述: 聚类模型概述; ...演示 目的及效果 培训人员能够使用 SPSS Modeler 进行较为基础的数据挖掘建模操作... 　CDA LEVEL II_SPSS MODELER开课邀请函_计算机硬件及...经管之家CDA 数据分析研究院 经管之家 CDA 数据...学系教授,铭传大学大数据研究中心主任,中华数据挖掘... 　市场研究)、 SPSS Modeler(偏数据挖掘),不用编程,...推荐的书籍: 1、《数据挖掘与数据化运营实战,思路...2、《谁说菜鸟不会数据分析(入门篇)》和《谁说... 　数据分析和挖《数据分析与挖掘实战》课程简介随着信息...学生学习完毕,既能掌握常用的数据分析软件的使用,又...spss modeler 操作 SQL SERVER 2008 操作基础 SQL ...