查看: 7431|回复: 20

【大话IT】从数据挖掘谈起,悟空胜,还是杨戬胜?

[复制链接]
论坛徽章:
8
2015年新春福章
日期:2015-04-22 09:15:50美羊羊
日期:2015-04-28 08:58:41暖羊羊
日期:2015-05-05 11:13:16慢羊羊
日期:2015-07-03 14:57:08目光如炬
日期:2016-06-05 22:00:002017金鸡报晓
日期:2017-01-10 15:25:58秀才
日期:2017-04-06 18:09:28秀才
日期:2017-05-09 11:37:55
发表于 2016-9-2 17:59 | 显示全部楼层 |阅读模式
最近,在朋友圈看过一篇关于数据挖掘的文章,在此,引出经典案例,列位看官,不妨分析一二:

第一回合:分析报告

在《大闹天宫》里孙悟空跟二郎神在花果山下大战三百回合,咱来写一篇文章分析。

孙悟空有金刚不坏火眼金睛筋斗云七十二般变化加上定海神针身法灵活。

二郎神杨戬有三只眼缚妖索哮天犬银袍金甲加上三尖两刃四窍八环刀力量无穷。

所以在大战开始三百回合时候不相上下,结果后来二郎神派出天兵天将放火烧花果山让大圣慌了心神被偷袭得手

最后二郎神赢了。分析报告完成。

第二回合:统计分析

大圣二战杨戬。这次在二位大战之前做个数理统计来预测结果。

首先根据历史样本史书记载发现两人在之前的五百年里打过100次,其中孙悟空赢60次。

然后有记录显示,之前孙悟空和牛魔王战斗的胜率是80%,而杨戬斗牛魔王胜率是70%。

所以可以得出综合预测总体胜率是孙悟空赢面大。

结论依靠历史记录,使用样本预测总体,根据经验做出假设。统计分析完成。

第三回合:数据挖掘

孙悟空和杨戬终极决战。这次咱们根据两位的详细资料(如家庭出身、教育背景、工作经验、婚育情况等)让计算机做协同过滤关联分析。计算机通过数据清洗建模后发现:

贫苦出身的孩子一般比皇亲国戚更能吃苦所以功夫底子更好平时训练更加扎实。

战斗经验丰富的斗战胜佛因为平时经常打架擅长利用天时地利环境因素而胜算更大。

在都得到大师指点的情况下,贫苦出身的孩子可以利用后天的努力来弥补先天悟性的欠缺。

样貌奇特注定孤独终老的神仙总是会比同等条件下美若天仙喜欢拈花惹草处处留情的神仙功夫好。

综上所述,我们可知道:

论出身两位大神不分伯仲。一个从石头出来,一个是凡人与神仙结合所生。

悟空的师父菩提老祖(准提道人)和二郎神的师父玉鼎真人的师父元始天尊同为鸿钧老祖的高足所以前者更胜一筹。

斗战胜佛战斗经验相对整日快活逍遥无忧无虑的二郎神来说更加丰富。

另孙行者由于样貌原因始终单身(好伤感)。

所以可以得出结论,这次大战孙悟空赢面大。数据挖掘完成。

最后总结:


分析报告一般是整个事件发生结束以后的总结(马后炮)。

统计分析能利用大量的历史样本来预测整个事件总体未来的走向(概率)。

数据挖掘则透过事件的表象发现隐藏在背后的蛛丝马迹,从而找到潜伏的规律以及看似无关事物之间背后的联系。

讨论问题:

1.说说你对数据挖掘的理解
2.数据挖掘有哪些算法
3.如果由你来做数据挖掘,是倾向哪种语言(C、C++、java、python...)?



话题时间:2016年9月2日—9月30日


话题奖励:

活动结束后,我们将选取5位亮点回复送技术图书《Python数据挖掘入门与实践》一本。



作者: (澳) 罗伯特·莱顿(Robert Layton)   
译者: 杜春晓
丛书名: 图灵程序设计丛书
出版社:人民邮电出版社
ISBN:9787115427106
上架时间:2016-6-23
出版日期:2016 年7月
开本:16开
版次:1-1
所属分类:计算机 > 软件与程序设计 > Python

内容简介:本书作为数据挖掘入门读物,介绍了数据挖掘的基础知识、基本工具和实践方法,通过循序渐进地讲解算法,带你轻松踏上数据挖掘之旅。本书采用理论与实践相结合的方式,呈现了如何使用决策树和随机森林算法预测美国职业篮球联赛比赛结果,如何使用亲和性分析方法推荐电影,如何使用朴素贝叶斯算法进行社会媒体挖掘,等等。本书也涉及神经网络、深度学习、大数据处理等内容。
本书面向愿意学习和尝试数据挖掘的程序员。

样章试读: 第1章 开始数据挖掘之旅.pdf (1.84 MB, 下载次数: 35)
打赏鼓励一下!

1人打赏

认证徽章
论坛徽章:
222
2010新春纪念徽章
日期:2010-03-01 11:20:51ITPUB元老
日期:2019-04-25 13:46:07至尊黑钻
日期:2015-02-15 09:47:47至尊黑钻
日期:2015-08-13 13:38:122015年中国系统架构师大会纪念徽章
日期:2015-07-31 17:48:202015中国数据库技术大会纪念徽章
日期:2015-05-15 14:08:23管理团队2007贡献徽章
日期:2015-01-19 09:48:27海蓝宝石
日期:2017-04-21 09:23:17红宝石
日期:2015-02-03 10:26:04海蓝宝石
日期:2015-02-03 10:23:39
发表于 2016-9-3 09:08 | 显示全部楼层
占位,待更新!

PS:楠哥,你写了两个 “第一回合”; 哈哈哈!

使用道具 举报

回复
认证徽章
论坛徽章:
19
秀才
日期:2015-12-21 09:48:11秀才
日期:2016-02-18 10:08:02秀才
日期:2016-02-18 10:07:49秀才
日期:2016-02-18 10:06:21秀才
日期:2016-02-18 09:39:10秀才
日期:2016-02-18 09:24:30秀才
日期:2016-02-18 09:24:18秀才
日期:2016-02-18 09:23:46秀才
日期:2016-02-18 09:21:30秀才
日期:2016-02-18 09:19:48
发表于 2016-9-3 21:26 | 显示全部楼层

1.说说你对数据挖掘的理解

数据挖掘基于机器学习,人工智能,模式识别和现代统计学的迅速发展的一种交叉学科,其吸收了很多领域的思想,并在很多领域中都有应用。数据挖掘最广为接受的定义是,数据挖掘是数据模型的发现过程。而模型却可以有多种含义:

(1)统计模型

目前,统计学家认为数据挖掘是统计模型的构建过程,而这个统计模型指的就是可见数据所遵从的整体分布。

(2)机器学习

一些数据挖掘方法中适当的使用了机器学习算法。机器学习的实践者将数据当成训练集来训练某类算法。机器学习擅长的典型场景是人们对数据中的寻找目标几乎是一无所知。

(3)数据汇总

一种最有趣的数据汇总是PageRank,另一种重要的数据汇总是聚类。

(4)特征抽取

典型的基于特征的模型会从数据中寻找某个现象的最极端样例,并使用这些样例来表示数据。

2.数据挖掘有哪些算法

ICDM早前评选出的数据挖掘领域的十大经典算法。每一种算法在数据挖掘领域都产生了极为深远的影响。

untitled.png

file:///tmp/WizNote/1042525809.png(1)C4.5

C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法. C4.5算法继承了ID3算法的优点。C4.5算法有如下优点:产生的分类规则易于理解,准确率较高。其缺点是:在构造树的过程中,需要对数据集进行多次的顺序扫描和排序,因而导致算法的低效。

(2)K-Means算法

K-Means算法是一个聚类算法,把n的对象根据他们的属性分为k个分割,k < n。它与处理混合正态分布的最大期望算法很相似,因为他们都试图找到数据中自然聚类的中心。它假设对象属性来自于空间向量,并且目标是使各个群组内部的均方误差总和最小。

(3)支持向量机

英文为Support Vector Machine,简称SV机(论文中一般简称SVM)。它是一种监督学习的方法,它广泛的应用于统计分类以及回归分析中。

(4)The Apriori algorithm

Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里,所有支持度大于最小支持度的项集称为频繁项集,简称频集。

(5)kNN: k-nearest neighbor classification

K最近邻(k-Nearest Neighbor,KNN)分类算法,是一个理论上比较成熟的方法,也是最简单的机器学习算法之一。该方法的思路是:如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。

3.如果由你来做数据挖掘,是倾向哪种语言(C、C++、java、python...)?

数据挖掘技术日趋成熟和复杂,随着互联网发展以及大批海量数据的到来,之前传统的依靠spss、SAS等可视化工具实现数据挖掘建模已经越来越不能满足日常需求,依据美国对数据科学家的要求,想成为一名真正的数据科学家,编程实现算法以及编程实现建模已经是必要条件。Python适合快速开发,国外做数据挖掘使用的比较多,资料也比较多。开始用Python去实现你的基本的想法,不过等成熟以后最核心的算法还是用Java和c写的,一方面把你的算法隐藏起来,另外一方面也是因为效率的原因。




3人打赏

使用道具 举报

回复
论坛徽章:
8
2015年新春福章
日期:2015-04-22 09:15:50美羊羊
日期:2015-04-28 08:58:41暖羊羊
日期:2015-05-05 11:13:16慢羊羊
日期:2015-07-03 14:57:08目光如炬
日期:2016-06-05 22:00:002017金鸡报晓
日期:2017-01-10 15:25:58秀才
日期:2017-04-06 18:09:28秀才
日期:2017-05-09 11:37:55
 楼主| 发表于 2016-9-4 20:27 | 显示全部楼层
wmxcn2000 发表于 2016-9-3 09:08
占位,待更新!

PS:楠哥,你写了两个 “第一回合”; 哈哈哈!

笔误,见谅

使用道具 举报

回复
认证徽章
论坛徽章:
38
秀才
日期:2015-09-10 09:29:01秀才
日期:2016-02-18 09:23:46秀才
日期:2016-02-18 09:24:30秀才
日期:2016-02-18 10:06:21秀才
日期:2016-02-18 10:06:46秀才
日期:2016-02-18 10:07:49秀才
日期:2016-02-18 10:08:02秀才
日期:2016-02-18 10:08:14秀才
日期:2016-03-24 09:20:52秀才
日期:2016-04-21 14:08:53
发表于 2016-9-5 10:15 | 显示全部楼层
1.说说你对数据挖掘的理解
    数据挖掘(Data Mining)就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。也就是指从大量的数据中通过算法搜索隐藏于其中信息的过程。这个定义包括好几层含义:数据源必须是真实的、大量的、含噪声的;发现的是用户感兴趣的知识;发现的知识要可接受、可理解、可运用;并不要求发现放之四海皆准的知识,仅支持特定的发现问题。通过统计、在线分析处理、情报检索、机器学习、专家系统(依靠过去的经验法则)和模式识别等诸多方法来实现上述目标。有时候放“马后炮”也是有意义、有价值的。

2.数据挖掘有哪些算法
   读书的时候做过这方面的研究,主攻了下粒计算,这个说起来大家可能比较陌生,这样说吧,粒计算是一种看待客观世界的世界观和方法论。信息粒广泛存在于现实世界中,是对现实的抽象。信息粒化旨在建立基于外部世界的有效的并以用户为中心的概念,同时简化我们对物理世界和虚拟世界的认识。通俗一点讲,就是对于数据进行分类之后再决策,较为成熟的理论模型比如说有粗糙集,感兴趣的话可以去查找下这方面的知识。
另外常用的数据挖掘经典算法还有:人工神经网络、决策树、遗传算法、近邻算法、规则推导。

3.如果由你来做数据挖掘,是倾向哪种语言(C、C++、java、python...)?
   实验室里目前自有的平台是用C++语言做的,主要还是粒计算数据挖掘平台,我个人比较倾向于C++和Python。对于C++,个人比较熟悉些,终究实验室有这么个平台可以让我们研究,而Python跟C++是可以结合的很好的,毕竟有着“胶水语言”的称号。

3人打赏

使用道具 举报

回复
论坛徽章:
8
2015年新春福章
日期:2015-04-22 09:15:50美羊羊
日期:2015-04-28 08:58:41暖羊羊
日期:2015-05-05 11:13:16慢羊羊
日期:2015-07-03 14:57:08目光如炬
日期:2016-06-05 22:00:002017金鸡报晓
日期:2017-01-10 15:25:58秀才
日期:2017-04-06 18:09:28秀才
日期:2017-05-09 11:37:55
 楼主| 发表于 2016-9-5 10:59 | 显示全部楼层
sjf0115 发表于 2016-9-3 21:26
1.说说你对数据挖掘的理解数据挖掘基于机器学习,人工智能,模式识别和现代统计学的迅速发展的一种交叉学科 ...

楼主威武,回复很全面啦

使用道具 举报

回复
认证徽章
论坛徽章:
1054
紫蜘蛛
日期:2015-09-22 15:53:22紫蜘蛛
日期:2015-10-15 13:48:52紫蜘蛛
日期:2015-10-15 14:45:48紫蜘蛛
日期:2015-10-15 14:47:47紫蜘蛛
日期:2015-10-15 14:48:45九尾狐狸
日期:2015-09-22 15:53:22九尾狐狸
日期:2015-10-15 13:50:37九尾狐狸
日期:2015-10-15 14:45:48九尾狐狸
日期:2015-10-15 14:47:47九尾狐狸
日期:2015-10-15 14:48:45
发表于 2016-9-5 15:16 | 显示全部楼层
有意思

使用道具 举报

回复
论坛徽章:
57
ITPUB15周年纪念
日期:2016-10-13 13:15:342017金鸡报晓
日期:2017-01-10 15:39:052017金鸡报晓
日期:2017-02-08 14:09:13秀才
日期:2017-02-22 15:14:12秀才
日期:2017-02-22 15:16:26秀才
日期:2017-02-22 15:18:00秀才
日期:2017-05-09 11:37:55秀才
日期:2017-07-11 14:19:35ITPUB18周年纪念章
日期:2018-11-13 15:31:24
发表于 2016-9-6 15:10 | 显示全部楼层
本帖最后由 bfmo 于 2016-9-6 15:13 编辑

1.说说你对数据挖掘的理解
数据挖掘(Data Mining)是有组织有目的地收集数据,通过分析数据使之成为信息,从而在大
量数据中寻找潜在规律以形成规则或知识的技术。因为与数据库密切相关,又称为数据库知识发现(Knowledge Discovery in Databases,KDD) ,就是将高级智能计算技术应用于大量数据中,让计算机在有人或无人指导的情况下从海量数据中发现潜在的,有用的模式(也叫知识)。
数据挖掘的主要功能
  1.分类:按照分析对象的属性、特征,建立不同的组类来描述事物。例如:银行部门根据以前的数据将客户分成了不同的类别,现在就可以根据这些来区分新申请贷款的客户,以采取相应的贷款方案。
  2.聚类:识别出分析对内在的规则,按照这些规则把对象分成若干类。例如:将申请人分为高度风险申请者,中度风险申请者,低度风险申请者。
  3.关联规则和序列模式的发现:关联是某种事物发生时其他事物会发生的这样一种联系。例如:每天购买啤酒的人也有可能购买香烟,比重有多大,可以通过关联的支持度和可信度来描述。与关联不同,序列是一种纵向的联系。例如:今天银行调整利率,明天股市的变化。
  4.预测:把握分析对象发展的规律,对未来的趋势做出预见。例如:对未来经济发展的判断。
  5.偏差的检测:对分析对象的少数的、极端的特例的描述,揭示内在的原因。例如:在银行的100万笔交易中有500例的欺诈行为,银行为了稳健经营,就要发现这500例的内在因素,减小以后经营的风险。
  需要注意的是:数据挖掘的各项功能不是独立存在的,在数据挖掘中互相联系,发挥作用。
2.数据挖掘有哪些算法
数据挖掘各种算法比较:
1决策树(Decision Trees)的优缺点
决策树的优点:
一、决策树易于理解和解释.人们在通过解释后都有能力去理解决策树所表达的意义。
二、对于决策树,数据的准备往往是简单或者是不必要的.其他的技术往往要求先把数据一般化,比如去掉多余的或者空白的属性。
三、  能够同时处理数据型和常规型属性。其他的技术往往要求数据属性的单一。
四、决策树是一个白盒模型。如果给定一个观察的模型,那么根据所产生的决策树很容易推出相应的逻辑表达式。
五、 易于通过静态测试来对模型进行评测。表示有可能测量该模型的可信度。
六、在相对短的时间内能够对大型数据源做出可行且效果良好的结果。
七、 可以对有许多属性的数据集构造决策树。
八、 决策树可很好地扩展到大型数据库中,同时它的大小独立于数据库的大小。
决策树的缺点:
一、对于那些各类别样本数量不一致的数据,在决策树当中,信息增益的结果偏向于那些具有更多数值的特征。
二、决策树处理缺失数据时的困难。
三、过度拟合问题的出现。
四、忽略数据集中属性之间的相关性。
2 人工神经网络的优缺点
人工神经网络的优点:
        分类的准确度高,并行分布处理能力强,分布存储及学习能力强,对噪声神经有较强的鲁棒性和容错能力,能充分逼近复杂的非线性关系,具备联想记忆的功能等。
人工神经网络的缺点:
        神经网络需要大量的参数,如网络拓扑结构、权值和阈值的初始值;不能观察之间的学习过程,输出结果难以解释,会影响到结果的可信度和可接受程度;学习时间过长,甚至可能达不到学习的目的。
3 遗传算法的优缺点
遗传算法的优点:
一、与问题领域无关切快速随机的搜索能力。
二、搜索从群体出发,具有潜在的并行性,可以进行多个个体的同时比较,鲁棒性好。
三、搜索使用评价函数启发,过程简单。
四、使用概率机制进行迭代,具有随机性。
五、具有可扩展性,容易与其他算法结合。
遗传算法的缺点:
一、遗传算法的编程实现比较复杂,首先需要对问题进行编码,找到最优解之后还需要对问题进行解码,
二、另外三个算子的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依靠经验.没有能够及时利用网络的反馈信息,故算法的搜索速度比较慢,要得要较精确的解需要较多的训练时间。
三、算法对初始种群的选择有一定的依赖性,能够结合一些启发算法进行改进。
4 KNN算法(K-Nearest Neighbour) 的优缺点
KNN算法的优点:
一、简单、有效。
二、 重新训练的代价较低(类别体系的变化和训练集的变化,在Web环境和电子商务应用中是很常见的)。
三、计算时间和空间线性于训练集的规模(在一些场合不算太大)。
四、由于KNN方法主要靠周围有限的邻近的样本,而不是靠判别类域的方法来确定所属类别的,因此对于类域的交叉或重叠较多的待分样本集来说,KNN方法较其他方法更为适合。
五、 该算法比较适用于样本容量比较大的类域的自动分类,而那些样本容量较小的类域采用这种算法比较容易产生误分。
KNN算法缺点:
一、 KNN算法是懒散学习方法(lazy learning,基本上不学习),一些积极学习的算法要快很多。
二、 类别评分不是规格化的(不像概率评分)。
三、输出的可解释性不强,例如决策树的可解释性较强。
四、该算法在分类时有个主要的不足是,当样本不平衡时,如一个类的样本容量很大,而其他类样本容量很小时,有可能导致当输入一个新样本时,该样本的K个邻居中大容量类的样本占多数。该算法只计算“最近的”邻居样本,某一类的样本数量很大,那么或者这类样本并不接近目标样本,或者这类样本很靠近目标样本。无论怎样,数量并不能影响运行结果。可以采用权值的方法(和该样本距离小的邻居权值大)来改进。
五、计算量较大。目前常用的解决方法是事先对已知样本点进行剪辑,事先去除对分类作用不大的样本。
5 支持向量机(SVM)的优缺点
SVM的优点:
一、可以解决小样本情况下的机器学习问题。
二、可以提高泛化性能。
三、可以解决高维问题。
四、 可以解决非线性问题。
五、  可以避免神经网络结构选择和局部极小点问题。
SVM的缺点:
一、 对缺失数据敏感。
二、 对非线性问题没有通用解决方案,必须谨慎选择Kernelfunction来处理。
6 朴素贝叶斯的优缺点
优点:
一、朴素贝叶斯模型发源于古典数学理论,有着坚实的数学基础,以及稳定的分类效率。
二、 NBC模型所需估计的参数很少,对缺失数据不太敏感,算法也比较简单。
缺点:
一、 理论上,NBC模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此,这是因为NBC模型假设属性之间相互独立,这个假设在实际应用中往往是不成立的(可以考虑用聚类算法先将相关性较大的属性聚类),这给NBC模型的正确分类带来了一定影响。在属性个数比较多或者属性之间相关性较大时,NBC模型的分类效率比不上决策树模型。而在属性相关性较小时,NBC模型的性能最为良好。
二、需要知道先验概率。
三、分类决策存在错误率
7 Adaboosting方法的优点
一、 adaboost是一种有很高精度的分类器。
二、 可以使用各种方法构建子分类器,Adaboost算法提供的是框架。
三、 当使用简单分类器时,计算出的结果是可以理解的。而且弱分类器构造极其简单。
四、 简单,不用做特征筛选。
五、 不用担心overfitting。
8 Rocchio的优点
Rocchio算法的突出优点是容易实现,计算(训练和分类)特别简单,它通常用来实现衡量分类系统性能的基准系统,而实用的分类系统很少采用这种算法解决具体的分类问题。
结论:
Calibrated boosted trees的性能最好,随机森林第二,uncalibrated bagged trees第三,calibratedSVMs第四, uncalibrated neural nets第五。
性能较差的是朴素贝叶斯,决策树。
有些算法在特定的数据集下表现较好。
3.如果由你来做数据挖掘,是倾向哪种语言(C、C++、java、python...)?
目前工作主要涉及两种:一种是SPSS
-SPSS一共由十个模块组成,其中SPSSBase为基本模块,其余九个模块为AdvacedModels、RegressioModels、Tables、Treds、Categories、Cojoit、ExactTests、MissigValueAalysis和Maps,分别用于完成某一方面的统计分析功能,均需要挂接在Base上运行。
另一种是 python
要求熟悉python的基本语法,熟练pandas(基于numpy),能利用python熟练的获取数据,整理数据,并会使用matplotlib展现数据。如果用py来进行挖掘,需要掌握 以下内容:numpy/scipy/mattplotlib/ipython/scikit-learn等。

4人打赏

使用道具 举报

回复
认证徽章
论坛徽章:
836
状元
日期:2015-11-12 10:18:05榜眼
日期:2015-11-12 10:18:05探花
日期:2015-11-12 10:18:05进士
日期:2015-11-12 10:18:05举人
日期:2015-09-11 13:42:08秀才
日期:2015-09-17 09:11:05至尊黑钻
日期:2015-11-20 18:17:09紫钻
日期:2015-11-20 18:18:06粉钻
日期:2015-11-20 18:17:23绿钻
日期:2015-11-20 18:17:48
发表于 2016-9-6 16:45 | 显示全部楼层
现在都是大数据了
你这些语言搞数据挖掘已经过时了吧

使用道具 举报

回复
求职 : ERP实施
论坛徽章:
22
2013年新春福章
日期:2013-02-25 14:51:24秀才
日期:2017-02-22 15:18:00秀才
日期:2017-03-20 13:42:20秀才
日期:2017-03-28 15:59:38秀才
日期:2017-05-09 11:37:55秀才
日期:2017-08-18 11:02:47秀才
日期:2018-04-08 14:48:31秀才
日期:2018-06-21 10:08:00ITPUB18周年纪念章
日期:2018-09-17 10:09:49ITPUB18周年纪念章
日期:2018-09-17 10:12:57
发表于 2016-9-9 16:46 | 显示全部楼层

完全小白来回答

本帖最后由 轩辕小珂 于 2016-9-9 16:54 编辑

数据挖掘就是根据已知推断未知。
方法就是高中学的不完全归纳法。
数据挖掘重点不在语言在算法,如何寻找、选择适合自己的算法才是重点。语言哪个熟用哪个。

根据现有的数据,布对石头的胜率是100%,剪刀对石头的胜率是0%。由此分析,布对剪刀的胜率是100%。

1人打赏

使用道具 举报

回复

您需要登录后才可以回帖 登录 | 注册

本版积分规则 发表回复

TOP技术积分榜 社区积分榜 徽章 团队 统计 知识索引树 积分竞拍 文本模式 帮助
  ITPUB首页 | ITPUB论坛 | 数据库技术 | 企业信息化 | 开发技术 | 微软技术 | 软件工程与项目管理 | IBM技术园地 | 行业纵向讨论 | IT招聘 | IT文档
  ChinaUnix | ChinaUnix博客 | ChinaUnix论坛
CopyRight 1999-2011 itpub.net All Right Reserved. 北京盛拓优讯信息技术有限公司版权所有 联系我们 
京ICP备09055130号-4  北京市公安局海淀分局网监中心备案编号:11010802021510 广播电视节目制作经营许可证:编号(京)字第1149号
  
快速回复 返回顶部 返回列表