2007年美国金融危机爆发，2007年中国房价以深圳为代表开始大幅涨价，记得还有个深圳的娃在byhh 爆料自己家人劝他好好读书，深圳房价都涨到一万了。

2008年美国出台刺激消费措施，国内房价开始大幅下跌，出现有意思的情况是深圳许多之前买房的人，要还的贷款比当时房价还贵。

接着美国刺激消费措施失败，国内金融危机进一步加剧，中国房价持续走高。

再接着美国开动印钞机，发行大量美元，这些热钱大量流入中国，进一步促使房价上涨。

继续阅读 →

Bloom filter 是由 Howard Bloom 在 1970 年提出的二进制向量数据结构，它具有很好的空间和时间效率，被用来检测一个元素是不是集合中的一个成员，这种检测只会对在集合内的数据错判，而不会对不是集合内的数据进行错判，这样每个检测请求返回有“在集合内（可能错误）”和“不在集合内（绝对不在集合内）”两种情况，可见 Bloom filter 是牺牲了正确率换取时间和空间。

如需要判断一个元素是不是在一个集合中，我们通常做法是把所有元素保存下来，然后通过比较知道它是不是在集合内，链表、树都是基于这种思路，当集合内元素个数的变大，我们需要的空间和时间都线性变大，检索速度也越来越慢。 Bloom filter 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。

Bloom filter 优点就是它的插入和查询时间都是常数，另外它查询元素却不保存元素本身，具有良好的安全性。它的缺点也是显而易见的，当插入的元素越多，错判“在集合内”的概率就越大了，另外 Bloom filter 也不能删除一个元素，因为多个元素哈希的结果可能在 Bloom filter 结构中占用的是同一个位，如果删除了一个比特位，可能会影响多个元素的检测。

继续阅读 →

因子分析是模式识别中降维的一个重要方法，它把具有相关性的多个特征参数去相关性，提取出因子进行分析，有效的减少了计算量，但通过 SPSS 实验发现，如果进行因子分析后，得到的因子对分类的贡献值不相同，通过碎石图可以看到少量因子对聚类贡献大，更多的因子对聚类贡献小，如果把它们同等对待进行下一步的聚类（如 k-means 聚类）会严重影响聚类结果，导致还不如用一个因子进行聚类。下面是计算因子的方法： 继续阅读 →