A. mink ego社的作品怎么评价
M社的工口游戏，名字我忘了 M社有两个马甲，你可以自己去搜，一个是MINK社，一个是M NO VIOLET社
B. 江苏屹缇缇电子科技有限公司怎么样
江苏屹缇缇电子科技有限公司是2016-10-11在江苏省宿迁市泗洪县注册成立的有限责任公司(外国法人独资)，注册地址位于泗洪经济开发区瑶沟工业园标准化厂房7号、9号。
江苏屹缇缇电子科技有限公司的统一社会信用代码/注册号是91321300MA1MWR8M8L，企业法人KIM MINKON(金珉坤)，目前企业处于开业状态。
江苏屹缇缇电子科技有限公司的经营范围是：生产、销售：家电零配件、电子专用设备、电子元器件、塑料橡胶制品、五金配件、模具、音响设备、耳机、小家电；自营和代理各类商品及技术的进出口业务（国家限定企业经营或禁止进出口的商品和技术除外）。（依法须经批准的项目，经相关部门批准后方可开展经营活动）。
通过爱企查查看江苏屹缇缇电子科技有限公司更多信息和资讯。
C. 高分：聘请高手用成语写一段话 急！！！！！
caomink乃是一势利小人，有财有势，仗势欺人，更有趋炎附势之徒投奔尔去，caomink凭借人多势众在社区是气势汹汹，势倾天下，社区良民无不痛恨之极。QQ大长老与其势如水火意欲除之，但苦于势单力薄，一直隐忍。是日，大长老贴告天下：“caomink气势逼人,欺压吾等已久，我和他势不两立，现在他已经是位高势危,讨伐cao贼势在必行，我现在是势如骑虎，气势如虹，一旦出兵，必将势如破竹，势不可挡！”贴子一发，无数潜水英雄纷纷响应，不日组成的长老军便气势磅礴与caomink势均力敌，大长老气势逼人，蓄势待发。Caomink见不可力敌随即对来势汹汹的长老军因势利导，企图离间。潜水英雄岂可轻侮，大吼一声“顶”，遂将caomink摔出社区！~—~（本故事人物纯属虚构，如有雷同纯属巧合）
----caomink不是高手,看见分高信手涂鸦，见笑了！我可是全用上了）
D. python sklearn里有kmeans算法吗
K-Means是常用的聚类算法，与其他聚类算法相比，其时间复杂度低，聚类的效果也还不错，这里简单介绍一下k-means算法，下图是一个手写体数据集聚类的结果。
基本思想
k-means算法需要事先指定簇的个数k，算法开始随机选择k个记录点作为中心点，然后遍历整个数据集的各条记录，将每条记录归到离它最近的中心点所在的簇中，之后以各个簇的记录的均值中心点取代之前的中心点，然后不断迭代，直到收敛，算法描述如下：
上面说的收敛，可以看出两方面，一是每条记录所归属的簇不再变化，二是优化目标变化不大。算法的时间复杂度是O(K*N*T)，k是中心点个数，N数据集的大小，T是迭代次数。
优化目标
k-means的损失函数是平方误差：
RSSk=∑x∈ωk|x?u(ωk)|2
RSS=∑k=1KRSSk
其中$\omega _k$表示第k个簇，$u(\omega _k)$表示第k个簇的中心点，$RSS_k$是第k个簇的损失函数，$RSS$表示整体的损失函数。优化目标就是选择恰当的记录归属方案，使得整体的损失函数最小。
中心点的选择
k-meams算法的能够保证收敛，但不能保证收敛于全局最优点，当初始中心点选取不好时，只能达到局部最优点，整个聚类的效果也会比较差。可以采用以下方法：k-means中心点
1、选择彼此距离尽可能远的那些点作为中心点；
2、先采用层次进行初步聚类输出k个簇，以簇的中心点的作为k-means的中心点的输入。
3、多次随机选择中心点训练k-means，选择效果最好的聚类结果
k值的选取
k-means的误差函数有一个很大缺陷，就是随着簇的个数增加，误差函数趋近于0，最极端的情况是每个记录各为一个单独的簇，此时数据记录的误差为0，但是这样聚类结果并不是我们想要的，可以引入结构风险对模型的复杂度进行惩罚：
K=mink[RSSmin(k)+λk]
$\lambda$是平衡训练误差与簇的个数的参数，但是现在的问题又变成了如何选取$\lambda$了，有研究[参考文献1]指出，在数据集满足高斯分布时，$\lambda=2m$，其中m是向量的维度。
另一种方法是按递增的顺序尝试不同的k值，同时画出其对应的误差值，通过寻求拐点来找到一个较好的k值，详情见下面的文本聚类的例子。
k-means文本聚类
我爬取了36KR的部分文章，共1456篇，分词后使用sklearn进行k-means聚类。分词后数据记录如下：
使用TF-IDF进行特征词的选取，下图是中心点的个数从3到80对应的误差值的曲线：
从上图中在k=10处出现一个较明显的拐点，因此选择k=10作为中心点的个数，下面是10个簇的数据集的个数。
{0: 152, 1: 239, 2: 142, 3: 61, 4: 119, 5: 44, 6: 71, 7: 394, 8: 141, 9: 93}
簇标签生成
聚类完成后，我们需要一些标签来描述簇，聚类完后，相当于每个类都用一个类标，这时候可以用TFIDF、互信息、卡方等方法来选取特征词作为标签。关于卡方和互信息特征提取可以看我之前的文章文本特征选择，下面是10个类的tfidf标签结果。
Cluster 0: 商家 商品 物流 品牌 支付 导购 网站 购物 平台 订单
Cluster 1: 投资 融资 美元 公司 资本 市场 获得 国内 中国 去年
Cluster 2: 手机 智能 硬件 设备 电视 运动 数据 功能 健康 使用
Cluster 3: 数据 平台 市场 学生 app 移动 信息 公司 医生 教育
Cluster 4: 企业 招聘 人才 平台 公司 it 移动 网站 安全 信息
Cluster 5: 社交 好友 交友 宠物 功能 活动 朋友 基于 分享 游戏
Cluster 6: 记账 理财 贷款 银行 金融 p2p 投资 互联网 基金 公司
Cluster 7: 任务 协作 企业 销售 沟通 工作 项目 管理 工具 成员
Cluster 8: 旅行 旅游 酒店 预订 信息 城市 投资 开放 app 需求
Cluster 9: 视频 内容 游戏 音乐 图片 照片 广告 阅读 分享 功能
实现代码
#!--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():
'''导入文本数据集'''
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):
#使用采样数据还是原始数据训练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():
'''测试选择最优参数'''
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():
'''在最优参数下输出聚类结果'''
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注册过商标吗还有哪些分类可以注册
JH JI HENG YUAN SAGA MINK FUR商标总申请量1件
其中已成功注册1件，有0件正在申请中，无效注册0件，0件在售中。
经八戒知识产权统计，JH JI HENG YUAN SAGA MINK FUR还可以注册以下商标分类：
第1类（化学制剂、肥料）
第2类（颜料油漆、染料、防腐制品）
第3类（日化用品、洗护、香料）
第4类（能源、燃料、油脂）
第5类（药品、卫生用品、营养品）
第6类（金属制品、金属建材、金属材料）
第7类（机械设备、马达、传动）
第8类（手动器具（小型）、餐具、冷兵器）
第9类（科学仪器、电子产品、安防设备）
第10类（医疗器械、医疗用品、成人用品）
第11类（照明洁具、冷热设备、消毒净化）
第12类（运输工具、运载工具零部件）
第13类（军火、烟火、个人防护喷雾）
第14类（珠宝、贵金属、钟表）
第15类（乐器、乐器辅助用品及配件）
第16类（纸品、办公用品、文具教具）
第17类（橡胶制品、绝缘隔热隔音材料）
第18类（箱包、皮革皮具、伞具）
第19类（非金属建筑材料）
第20类（家具、家具部件、软垫）
第21类（厨房器具、家用器皿、洗护用具）
第22类（绳缆、遮蓬、袋子）
第23类（纱、线、丝）
第24类（纺织品、床上用品、毛巾）
第26类（饰品、假发、纽扣拉链）
第27类（地毯、席垫、墙纸）
第28类（玩具、体育健身器材、钓具）
第29类（熟食、肉蛋奶、食用油）
第30类（面点、调味品、饮品）
第31类（生鲜、动植物、饲料种子）
第32类（啤酒、不含酒精的饮料）
第33类（酒、含酒精饮料）
第34类（烟草、烟具）
第35类（广告、商业管理、市场营销）
第36类（金融事务、不动产管理、典当担保）
第37类（建筑、室内装修、维修维护）
第38类（电信、通讯服务）
第39类（运输仓储、能源分配、旅行服务）
第40类（材料加工、印刷、污物处理）
第41类（教育培训、文体活动、娱乐服务）
第42类（研发质控、IT服务、建筑咨询）
第43类（餐饮住宿、养老托儿、动物食宿）
第44类（医疗、美容、园艺）
第45类（安保法律、婚礼家政、社会服务）