A. mink ego社的作品怎麼評價
M社的工口游戲，名字我忘了 M社有兩個馬甲，你可以自己去搜，一個是MINK社，一個是M NO VIOLET社
B. 江蘇屹緹緹電子科技有限公司怎麼樣
江蘇屹緹緹電子科技有限公司是2016-10-11在江蘇省宿遷市泗洪縣注冊成立的有限責任公司(外國法人獨資)，注冊地址位於泗洪經濟開發區瑤溝工業園標准化廠房7號、9號。
江蘇屹緹緹電子科技有限公司的統一社會信用代碼/注冊號是91321300MA1MWR8M8L，企業法人KIM MINKON(金珉坤)，目前企業處於開業狀態。
江蘇屹緹緹電子科技有限公司的經營范圍是：生產、銷售：家電零配件、電子專用設備、電子元器件、塑料橡膠製品、五金配件、模具、音響設備、耳機、小家電；自營和代理各類商品及技術的進出口業務（國家限定企業經營或禁止進出口的商品和技術除外）。（依法須經批準的項目，經相關部門批准後方可開展經營活動）。
通過愛企查查看江蘇屹緹緹電子科技有限公司更多信息和資訊。
C. 高分：聘請高手用成語寫一段話 急！！！！！
caomink乃是一勢利小人，有財有勢，仗勢欺人，更有趨炎附勢之徒投奔爾去，caomink憑借人多勢眾在社區是氣勢洶洶，勢傾天下，社區良民無不痛恨之極。QQ大長老與其勢如水火意欲除之，但苦於勢單力薄，一直隱忍。是日，大長老貼告天下：「caomink氣勢逼人,欺壓吾等已久，我和他勢不兩立，現在他已經是位高勢危,討伐cao賊勢在必行，我現在是勢如騎虎，氣勢如虹，一旦出兵，必將勢如破竹，勢不可擋！」貼子一發，無數潛水英雄紛紛響應，不日組成的長老軍便氣勢磅礴與caomink勢均力敵，大長老氣勢逼人，蓄勢待發。Caomink見不可力敵隨即對來勢洶洶的長老軍因勢利導，企圖離間。潛水英雄豈可輕侮，大吼一聲「頂」，遂將caomink摔出社區！~—~（本故事人物純屬虛構，如有雷同純屬巧合）
----caomink不是高手,看見分高信手塗鴉，見笑了！我可是全用上了）
D. python sklearn里有kmeans演算法嗎
K-Means是常用的聚類演算法，與其他聚類演算法相比，其時間復雜度低，聚類的效果也還不錯，這里簡單介紹一下k-means演算法，下圖是一個手寫體數據集聚類的結果。
基本思想
k-means演算法需要事先指定簇的個數k，演算法開始隨機選擇k個記錄點作為中心點，然後遍歷整個數據集的各條記錄，將每條記錄歸到離它最近的中心點所在的簇中，之後以各個簇的記錄的均值中心點取代之前的中心點，然後不斷迭代，直到收斂，演算法描述如下：
上面說的收斂，可以看出兩方面，一是每條記錄所歸屬的簇不再變化，二是優化目標變化不大。演算法的時間復雜度是O(K*N*T)，k是中心點個數，N數據集的大小，T是迭代次數。
優化目標
k-means的損失函數是平方誤差：
RSSk=∑x∈ωk|x?u(ωk)|2
RSS=∑k=1KRSSk
其中$\omega _k$表示第k個簇，$u(\omega _k)$表示第k個簇的中心點，$RSS_k$是第k個簇的損失函數，$RSS$表示整體的損失函數。優化目標就是選擇恰當的記錄歸屬方案，使得整體的損失函數最小。
中心點的選擇
k-meams演算法的能夠保證收斂，但不能保證收斂於全局最優點，當初始中心點選取不好時，只能達到局部最優點，整個聚類的效果也會比較差。可以採用以下方法：k-means中心點
1、選擇彼此距離盡可能遠的那些點作為中心點；
2、先採用層次進行初步聚類輸出k個簇，以簇的中心點的作為k-means的中心點的輸入。
3、多次隨機選擇中心點訓練k-means，選擇效果最好的聚類結果
k值的選取
k-means的誤差函數有一個很大缺陷，就是隨著簇的個數增加，誤差函數趨近於0，最極端的情況是每個記錄各為一個單獨的簇，此時數據記錄的誤差為0，但是這樣聚類結果並不是我們想要的，可以引入結構風險對模型的復雜度進行懲罰：
K=mink[RSSmin(k)+λk]
$\lambda$是平衡訓練誤差與簇的個數的參數，但是現在的問題又變成了如何選取$\lambda$了，有研究[參考文獻1]指出，在數據集滿足高斯分布時，$\lambda=2m$，其中m是向量的維度。
另一種方法是按遞增的順序嘗試不同的k值，同時畫出其對應的誤差值，通過尋求拐點來找到一個較好的k值，詳情見下面的文本聚類的例子。
k-means文本聚類
我爬取了36KR的部分文章，共1456篇，分詞後使用sklearn進行k-means聚類。分詞後數據記錄如下：
使用TF-IDF進行特徵詞的選取，下圖是中心點的個數從3到80對應的誤差值的曲線：
從上圖中在k=10處出現一個較明顯的拐點，因此選擇k=10作為中心點的個數，下面是10個簇的數據集的個數。
{0: 152, 1: 239, 2: 142, 3: 61, 4: 119, 5: 44, 6: 71, 7: 394, 8: 141, 9: 93}
簇標簽生成
聚類完成後，我們需要一些標簽來描述簇，聚類完後，相當於每個類都用一個類標，這時候可以用TFIDF、互信息、卡方等方法來選取特徵詞作為標簽。關於卡方和互信息特徵提取可以看我之前的文章文本特徵選擇，下面是10個類的tfidf標簽結果。
Cluster 0: 商家 商品 物流 品牌 支付 導購 網站 購物 平台 訂單
Cluster 1: 投資 融資 美元 公司 資本 市場 獲得 國內 中國 去年
Cluster 2: 手機 智能 硬體 設備 電視 運動 數據 功能 健康 使用
Cluster 3: 數據 平台 市場 學生 app 移動 信息 公司 醫生 教育
Cluster 4: 企業 招聘 人才 平台 公司 it 移動 網站 安全 信息
Cluster 5: 社交 好友 交友 寵物 功能 活動 朋友 基於 分享 游戲
Cluster 6: 記賬 理財 貸款 銀行 金融 p2p 投資 互聯網 基金 公司
Cluster 7: 任務 協作 企業 銷售 溝通 工作 項目 管理 工具 成員
Cluster 8: 旅行 旅遊 酒店 預訂 信息 城市 投資 開放 app 需求
Cluster 9: 視頻 內容 游戲 音樂 圖片 照片 廣告 閱讀 分享 功能
實現代碼
#!--encoding=utf-8
from __future__ import print_function
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.feature_extraction.text import HashingVectorizer
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans, MiniBatchKMeans
def loadDataset():
'''導入文本數據集'''
f = open('36krout.txt','r')
dataset = []
lastPage = None
for line in f.readlines():
if '< title >' in line and '< / title >' in line:
if lastPage:
dataset.append(lastPage)
lastPage = line
else:
lastPage += line
if lastPage:
dataset.append(lastPage)
f.close()
return dataset
def transform(dataset,n_features=1000):
vectorizer = TfidfVectorizer(max_df=0.5, max_features=n_features, min_df=2,use_idf=True)
X = vectorizer.fit_transform(dataset)
return X,vectorizer
def train(X,vectorizer,true_k=10,minibatch = False,showLable = False):
#使用采樣數據還是原始數據訓練k-means，
if minibatch:
km = MiniBatchKMeans(n_clusters=true_k, init='k-means++', n_init=1,
init_size=1000, batch_size=1000, verbose=False)
else:
km = KMeans(n_clusters=true_k, init='k-means++', max_iter=300, n_init=1,
verbose=False)
km.fit(X)
if showLable:
print("Top terms per cluster:")
order_centroids = km.cluster_centers_.argsort()[:, ::-1]
terms = vectorizer.get_feature_names()
print (vectorizer.get_stop_words())
for i in range(true_k):
print("Cluster %d:" % i, end='')
for ind in order_centroids[i, :10]:
print(' %s' % terms[ind], end='')
print()
result = list(km.predict(X))
print ('Cluster distribution:')
print (dict([(i, result.count(i)) for i in result]))
return -km.score(X)
def test():
'''測試選擇最優參數'''
dataset = loadDataset()
print("%d documents" % len(dataset))
X,vectorizer = transform(dataset,n_features=500)
true_ks = []
scores = []
for i in xrange(3,80,1):
score = train(X,vectorizer,true_k=i)/len(dataset)
print (i,score)
true_ks.append(i)
scores.append(score)
plt.figure(figsize=(8,4))
plt.plot(true_ks,scores,label="error",color="red",linewidth=1)
plt.xlabel("n_features")
plt.ylabel("error")
plt.legend()
plt.show()
def out():
'''在最優參數下輸出聚類結果'''
dataset = loadDataset()
X,vectorizer = transform(dataset,n_features=500)
score = train(X,vectorizer,true_k=10,showLable=True)/len(dataset)
print (score)
#test()
out()
E. JH JI HENG YUAN SAGA MINK FUR注冊過商標嗎還有哪些分類可以注冊
JH JI HENG YUAN SAGA MINK FUR商標總申請量1件
其中已成功注冊1件，有0件正在申請中，無效注冊0件，0件在售中。
經八戒知識產權統計，JH JI HENG YUAN SAGA MINK FUR還可以注冊以下商標分類：
第1類（化學制劑、肥料）
第2類（顏料油漆、染料、防腐製品）
第3類（日化用品、洗護、香料）
第4類（能源、燃料、油脂）
第5類（葯品、衛生用品、營養品）
第6類（金屬製品、金屬建材、金屬材料）
第7類（機械設備、馬達、傳動）
第8類（手動器具（小型）、餐具、冷兵器）
第9類（科學儀器、電子產品、安防設備）
第10類（醫療器械、醫療用品、成人用品）
第11類（照明潔具、冷熱設備、消毒凈化）
第12類（運輸工具、運載工具零部件）
第13類（軍火、煙火、個人防護噴霧）
第14類（珠寶、貴金屬、鍾表）
第15類（樂器、樂器輔助用品及配件）
第16類（紙品、辦公用品、文具教具）
第17類（橡膠製品、絕緣隔熱隔音材料）
第18類（箱包、皮革皮具、傘具）
第19類（非金屬建築材料）
第20類（傢具、傢具部件、軟墊）
第21類（廚房器具、家用器皿、洗護用具）
第22類（繩纜、遮蓬、袋子）
第23類（紗、線、絲）
第24類（紡織品、床上用品、毛巾）
第26類（飾品、假發、紐扣拉鏈）
第27類（地毯、席墊、牆紙）
第28類（玩具、體育健身器材、釣具）
第29類（熟食、肉蛋奶、食用油）
第30類（面點、調味品、飲品）
第31類（生鮮、動植物、飼料種子）
第32類（啤酒、不含酒精的飲料）
第33類（酒、含酒精飲料）
第34類（煙草、煙具）
第35類（廣告、商業管理、市場營銷）
第36類（金融事務、不動產管理、典當擔保）
第37類（建築、室內裝修、維修維護）
第38類（電信、通訊服務）
第39類（運輸倉儲、能源分配、旅行服務）
第40類（材料加工、印刷、污物處理）
第41類（教育培訓、文體活動、娛樂服務）
第42類（研發質控、IT服務、建築咨詢）
第43類（餐飲住宿、養老托兒、動物食宿）
第44類（醫療、美容、園藝）
第45類（安保法律、婚禮家政、社會服務）