Classify Wine Data with Libsvm in Matlab

This a simple example of the classification with Libsvm in Matlab.

You can download the wine data from here.

Data Preprocessing

Load the wine data , and save it to winedata

uiimport('wine.data');

wine_label = wine(:, 1);
wine_data = wine(:, 2:end);
categories = {'Alcohol'; 'Malic acid'; 'Ash'; 'Alcalinity of ash'; 'Magnesium'; 'Total phenols'; 'Flavanoids'; 'Nonflavanoid phenols'; 'Proanthocyanins'; 'Color intensitys'; 'Hue'; 'OD280/OD315 of diluted wines'; 'Proline'};
classnumber = 3;
save winedata.mat;

load winedata;

Show the box figure of test data

figure;
boxplot(wine_data, 'orientation', 'horizontal', 'labels', categories);
title('Wine Data Box Figure', 'FontSize',12);
xlabel('Attribute Value', 'FontSize', 12);
grid on;

Read More

Basic Uses of Libsvm in Matlab

System: Ubuntu with gcc installed

Libsvm Installation

cd libsvm-3.2/matlab
mex -setup
make

Just for Test

Load data

cd ../
load heart_scale

Result:

Error using load
Number of columns on line 3 of ASCII file heart_scale must be the same as previous lines.

Load data again and train model

[heart_scale_label, heart_scale_inst] = libsvmread('heart_scale');
cd matlab;
model = svmtrain(heart_scale_label, heart_scale_inst)

Result:

*
optimization finished, #iter = 162
nu = 0.431029
obj = -100.877288, rho = 0.424462
nSV = 132, nBSV = 107
Total nSV = 132

model = 

struct with fields:

    Parameters: [5×1 double]
    nr_class: 2
    totalSV: 132
        rho: 0.4245
        Label: [2×1 double]
    sv_indices: [132×1 double]
        ProbA: []
        ProbB: []
        nSV: [2×1 double]
    sv_coef: [132×1 double]
        SVs: [132×13 double]

Predict the data and show accuracy

[predict_label, accuracy, decision_values] = svmpredict(heart_scale_label, heart_scale_inst, model);

Result:

Accuracy = 86.6667% (234/270) (classification)

Read More

利用 hashcat 回忆(破解)遗忘的 Keepass 密码

本文环境:所有命令在 Kali Linux 下执行。

昨天的确是一个 tough day 。由于记性不好,四天前设置的 Keepass 主密码终于“如愿以偿”地被我遗忘了,而其中,保存了对于我来说极其重要的东西。16 位的密码中,我依稀地记得前 7 位和后 5 位“应该”、“似乎”是什么样子的,第十一位也记得,不过有些不确定。第八位我“幻想”出了一个答案。也就是说,我至少要再想出 2 位密码,至多则是 4 位,其中可能包含了大小写字母、数字,和特殊符号。

本着由易到难的想法,我先假定我模糊的记忆和幻想都是真实的。步骤是:先猜测 2 位,无果后,猜测 3 位,无果后,猜测 4 位。

出于减小范围的考虑,我先根据记忆筛掉完全不可能的字符,如没有穷举成功,方则使用全集。

本次操作有几个不确定因素:

  1. 我无法保证,已经记得的密码是绝对正确的。可能无功而返。

  2. 在减小范围时,我可能根据记忆错误地减掉了一些字符。

Read More

随爱非爱

新春之前,杂文一篇。

陈升的《牡丹亭外》有这么一句歌词:

写歌的人断了魂,听歌的人最无情

几年前,这首歌我听了一遍又一遍。后来这句歌词在各处的评论区里都烂大街了,索然无味。

说实话,诗词歌赋,让听的人、读的人想起自己,而无关作者经历,才是好文好曲。相比之下,高中时诗歌鉴赏里写“分析诗人因为什么境遇什么心情写下的妙句而恰如其分”,真的才是无病呻吟。好的诗人大概很清楚,写的是自己,读的却是别人,如果有人喜欢,也只能说两人各有故事,各有感触,是茫茫世界里的异路之人,不必相见,不必相知,甚至不必知道对方还是否存在,万般话语、千种情绪都在一句诗、一首词里,人只不过是在词句之间找自己的哈姆雷特。经历不同的事,看到不同的自己,如此简单又如此复杂。

你经历了你的事情,我也经历了我的事情。

有时候我对自己的眼光太冷,忽然之间就会觉得一切都是没有意义的。毕竟那所谓的意义似乎目前没哪个人类真的找到了。小时候我通过宗教、哲学、心理学去寻找压在我胸口的,生命的意义,痴迷于此,在书籍里开拓见识,后来现实生活中见得多了,我慢慢放下了一些东西和幻想,我看到心理名医也有疯的,我看到理念的开创者也会自杀,我看到大师们在弥留之际都会有什么表现,我渐渐知道,每个人都在不停寻找,不停挣扎,只是形式不同而已,大家都是凡人,人生都是苦与乐组成的。这些话,说得有点太远了,一句两句也说不清楚。我现在只想写写一些俗事小事。

Read More

Dat,IPFS,和 ZeroNet 的比较

在使用 Dat 之前,我粗略地看了一下 Dat 文档中的常见问题,其中一栏谈到 Dat 与现有流行的 P2P 传输协议的比较。而在实际使用中,我也有了自己的一些体会。我简要地从实际应用上来谈论一下它们给我的感觉。

做个人博客

从博客或网站的生态上看,ZeroNet 现有的生态更加完善。ZeroNet 有一些搜索引擎,把站点们联系得更加紧密,发现对方很容易,探索也更加方便。由于 Dat 的特性,只有你发给对方链接他才能找到你,而目前也没有什么类似网站列表,搜索引擎出现。

从功能上来看,ZeroBlog 有自己的数据库,动态的评论功能,收发邮件,都不用操什么心。相比较之下,Dat 和 IPFS 以目前发展的程度,更适合托管一些完全静态的网页,或者作为博客图库。但目前流行的 ZeroBlog 样式,移动终端的体验很差,这是一个比较大的缺点。而且我也注意到了 Dat 的一些有意思的站点,例如这篇文章所介绍的,可以作为一个 P2P 的个人微博,互相做种就像互相关注,人们也可以维持一个稳定的圈子,这点相比较于 ZeroMe 要稍好一些, ZeroMe 会同步一些其他用户的数据,即使你对他们并不感兴趣。这只是 Dat 应用范围的一小部分,Dat 发展会很快,可能性很多,前景不错。

Read More