1. 欧式距离用来度量连续数值属性数据的相似性，门前罗马柱到墙的最佳距离？

罗马柱的尺寸并不是固定的，主要是看使用在哪里，一般来说用于欧式建筑的比较多，小的罗马柱，可以小到15厘米直径，一般做窗边柱用，15厘米直径～20厘米直径的常用于欧式窗边柱装饰，25厘米左右的常用于门边柱，30～50厘米直径的常用于大门前，60～120厘米的应于大型的装饰，但20～25厘米直径的也有广泛用于门面重叠安装，起到一个装饰作用。

2. means聚类k值的大小对结果的影响？

因为K-means算法是基于欧式距离的聚类算法，其认为两个目标的距离越近，相似度越大。因此，K 值的选取对 K-means 影响很大，这也是 K-means 最大的缺点。K 值需要人为设定，不同 K 值得到的结果不一样。

常见的选取 K 值的方法有：手肘法、Gap statistic 方法。

3. python怎么代入数据求回归模型？

基本形式 线性模型(linear model)就是试图通过属性的线性组合来进行预测的函数，基本形式如下： f(x)=wTx+b 许多非线性模型可在线性模型的基础上通过引入层结构或者高维映射（比如核方法）来解决。线性模型有很好的解释性。 线性回归 线性回归要求均方误差最小: (w∗,b∗)=argmin∑i=1m(f(xi)−yi)2 均方误差有很好的几何意义，它对应了常用的欧式距离(Euclidean distance)。

基于均方误差最小化来进行模型求解称为最小二乘法(least square method)，线性回归中，最小二乘发就是试图找到一条直线，使得所有样本到直线的欧式距离之和最小。

我们把上式写成矩阵的形式： w∗=argmin(y−Xw)T(y−Xw) 这里我们把b融合到w中，X中最后再加一列1。为了求最小值，我们对w求导并令其为0： 2XT(Xw−y)=0 当XTX为满秩矩阵(full-rank matrix)时是可逆的。

此时： w=(XTX)−1XTy 令xi=(xi,1)，可以得到线性回归模型： f(xi)=xTi(XTX)−1XTy

4. 二阶聚类优缺点？

K均值聚类、分层聚类、二阶聚类这三种SPSS的聚类方法各具优点与缺点。

K均值聚类简单快速，但无法分析分类变量、容易受异常值影响；系统聚类，可对个案与变量聚类，可对连续与分类变量聚类，但依靠谱系图分析，当数据量大时，分析速度慢

5. 跪着或蹲着对身体有什么好处？

我们都有过这样的体会，别说跪久了，哪怕跪一会儿，膝盖和整个腿部就会严重不适。这也说明这种坐姿是非常不合理的，既然不合理，日本人为什么要这么坐呢？

事实上，这种坐姿肯定是来源于古代中国的，这就不得不提中国古代的服装了。

古人之所以选这样一个难受的要死的姿势，并不是因为古人想不开，故意折磨自己，而是因为服装所知。今天的裤子在古代并不叫裤子，而是叫胫衣，胫是腿的意思，胫衣就是腿上穿的衣服，说的再细点，胫衣大概就相当于今天的长筒袜，这个胫衣有个最大的特点，就是一条腿上套一条，两条腿上套两条，关键是，它是没有裆部的！

是的，一个人要穿两条胫衣，这也可以理解裤子明明有两个裤管，为什么计量单位却是条了。由于胫衣，也就是古代的裤子没有裆部，日常穿衣服，除了要穿裤子，还要在裤子外面穿类似于裙子的“裳”，这个裳起到的作用，主要就是遮挡裆部，不至于把人最隐秘的部位暴露在外。

这点想通了，再看古人的坐姿，跪着坐，用裳来遮挡裆部，就是最持重端庄的坐姿了。在古代，如果不是跪坐这样的姿势，而是你把腿伸直张开的姿势，那会被人认为极不礼貌，相当没有教养，刘邦就经常用这种坐姿接见读书人，来表达对读书人的蔑视。

这样再返回头看日本人的坐姿，就容易明白了，这种坐姿固然有它的弊端，但从文化传承的角度来看，恰恰说明了日本人对固有传统文化的继承，虽然这个传统其实是从中国传过去的。

日本是个具有神秘色彩的国度。虽然很多文化从中国流入，但是经过几千年的演变， 逐渐形成本国独有的文化背景和特色，很多中国传统文化在中国消失或者被遗忘的文化遗产和非文化遗产，日本却延续保留并发扬光大。

至于日本人的生活方式， 尤其是在特定假期或者活动的时候， 都会穿上盛装欢度庆贺。女人就会穿上传统服装和服， 迈着碎碎小步。让人优生爱怜啊。因为和服的下摆很小，可能比一步裙还小， 只能迈开半部来走，所以就有了轻移莲步的感觉。但是视觉上和我国古代的轻移莲步相差甚远。因为日本人是必恭必膝的， 也就是说不是抬头挺腰，而是低头哈腰的。这一点和我国的传统文化相当有出入， 也不能否认， 日本在人文文化和素质的涵养上非常让人佩服和敬佩。

这个问题就好了， 既然和服穿起来那么步子迈那么小，所以在家中或者接待客人几乎都是跪着来招待。有人会认为很疼或者难以接受或者对身体不好等， 其实你u=buyao担心， 他们从小就开始训练这中正坐的姿势，除了是代表放下傲慢和升起宽容谦卑的品行之外，这个姿势是瑜伽中的金刚坐延伸过来的。加上他们从小就耳濡目染，也是每个人的必修课。就有了女人在家跪着坐， 男人在家盘腿坐。

金刚坐的功效：

1、缓解脚踝的僵硬，增强脚掌关节的活动度2、有助于形成正确的足弓，预防和改善扁平足、高足弓等症状3、促进肠胃蠕动，缓解胃部的饱涨感，改善消化系统4、有助于下半身的血液循环，消除腿部疲劳

5、稳定情绪，减轻压力。

6、还能防止动脉硬化。

当你心烦意乱时，用金刚坐配合冥想来个十几二十分钟，自然就平静下来了；劳累疲惫了一天，睡前做做金刚坐，可快速缓解身体疲劳，更好地进入梦乡。

其实和我们平时说的禅修也差不多，只是很多人不理解而已，，认为不能接受和排斥但是日本就把这个瑜伽最好的体位法结合起来， 让自己在平时随时随地的就能打坐，就能禅定也能控制自己的情绪和修身养性！

了解了这些日本人这样跪坐的原因就不必惊讶日本的文化艺术了吧，当然你也可以这样每天跪坐一下， 很多人不能双盘， 就可以这样修心养性， 减压改善心情都是很一种很好的放松体位法。

6. 欧式钓组的优缺点？

优点

搭配合理，主钓体型大的鱼；欧鲤钓法的钓组配件和组装方法有很多，根据钓点的不同的环境，所搭配的出的钓法也就不一样。欧鲤钓法是专钓大鱼的钓法，由于是钩饵分离，能够钩同时吃进钩饵的鱼在体型上都是较大的。所以，欧鲤钓法的钓组搭配科学合理，能够主钓体型大的鱼。

不易挂底，跑鱼的几率较低；我们知道，欧鲤钓法最核心的原理就是远投和钩饵分离。那么，在自然水域水底环境复杂，使用国内的传统作钓方法来钓，挂底的现象时有发生，而欧鲤钓法是通过丸饵和鱼钩悬空来作钓的，那么挂底的现象就非常的少。由于此钓法所使用的鱼钩通常都是较大型号的，钩型又比较特殊，中鱼钩很难脱钩。所以，使用此钓法时不易挂底，跑鱼率有很低。

隐蔽性好，降低大鱼警惕性；我们知道，自然水域大鱼的警惕性非常的高，尤其是鲤鱼草鱼等，而欧鲤钓法中有很多针对不同水域环境和鱼情，而衍生出的钓法，其中就有较为有效的枯叶钓组，这种钓组由于铅坠使用的是仿生坠，其鱼钩和钓饵分离，能够在很大程度上降低大鱼的警惕性。所以，欧鲤钓法的隐蔽性很好，降低了鱼的警惕性，能够增加中鱼的几率。

缺点

钓组比较顿，灵敏度并不高；我们欧知道，欧鲤钓法主要是配合远投抛竿来使用的，距离钓点较远水较深。由于是重铅到底，体型较小的鱼种咬钩或是索饵便无法感知，在鱼口较弱的情况下效果可能并不理想。那么，作钓时在有风浪的情况下，灵敏度也就不高了。所以，欧鲤钓法的钓组很顿，灵敏度并不高。

7. LSTM里Embedding？

嵌入层(embedding layer)的作用是为传入词建立词向量。它位于输入层与LSTM层之间，即嵌入层的输出将输入给LSTM层。

LSTM作为基于矩阵乘法、加法和浮点运算的网络和模型，如果你考虑向LSTM提供一个单词作为输入，你需要另找基于整数或者浮点数的表达来讲你的单词输入网络之中。一般来说，最合理的表达方法，是将每一个单词用整数表达，并且因为你所拥有的词汇库是有限的，你用来表达单词的整数集也将是有限的。为了达到矩阵代数的效果，通常这些整数会被以1-0数组的方式表达为数组索引，这其中每个单词被其指定整数的索引位置上由1表达，其余所有位置为0。

举个例子，比如你有一个只包含了两句话的数据集：

I love coffee.

I like dogs.

数据集中的词汇为 {I, love, coffee, I, like, dogs}

接下来给每个单词指定一个整数：

I: 0, love: 1, coffee: 2, like: 3, dogs: 4

用向量表达后为：

I: [1,0,0,0,0]

love: [0,1,0,0,0]

coffee: [0,0,1,0,0]

like: [0,0,0,1,0]

dogs: [0,0,0,0,1]

这种词语表达的方式被称为one-hot vector representation.

但是我们会发现，如果使用这一方法，相似的单词之间并不会共享任何信息（相似度基于使用单词的文本内容），比如在上面的例子中计算“coffee”、“love”、“like”、“love”之间的欧式距离，最终得到的结果是一样的。在这种情况下，为了让相似的单词相比于不相似的单词之间有更小的欧式距离，另一种表达方法被使用，即 word embedding。在使用之后，上面例子中的词向量会改变样子，比如：

I: [0.02, 0.08, 0.14, 0.16, 0.60]。

通常情况下嵌入层的权重可以被随机值初始化，但更普遍广泛使用的是用第三方词嵌入比如word2vec，GloVe，fasttext等等，使用第三方嵌入来建立词向量的方法是迁移学习的一种。

在训练或者测试的前向过程中，嵌入层会完成单词的查找以得到特定的次嵌入；在反向过程中，损失函数的梯度也流经嵌入层以学习对当前任务最合适的词嵌入。