『壹』 樹莓派運行wine時出現錯誤代碼c0000018
樹莓派3B是卡片電腦，內存為1GB，一般運行linux。Linux兩種主流的內存分配方法2G/2G和3G/1G，樹莓派系統後期優化性能，使用2G/2G。(注:樹莓派內核3.x仍舊採用3G/1G)
Wine提供Windows API，Winehq官網提供的Wine都是兼容3G/1G的Linux內核。這導致Wine在樹莓派3B上運行時會出現內存地址映射，用戶數據空間地址映射失敗。這些錯誤都是wine-preload發出的。
我提供兩種解決方案。
方法一,編譯新的Linux內核:(本地編譯，在樹莓派上操作)
1.更新軟體包:sudo apt-get update
2.安裝git(已經有的可以跳過):sudo apt-get install git
2.同步內核源碼:git clone --depth=1 https://github.com/raspberrypi/linux (注:此代碼只同步.git項目倉庫中的master分支)
然後，你可以睡一覺。真的，掛油管也沒用，下載很慢的。
3.生成配置文件:先進入clone下來的文件夾，然後執行 make bcm2709_defconfig 會在該目錄下生成.config配置文件。
4.執行命令： KERNEL=kernel7
5.修改.config文件:sudo nano .config查找# CONFIG_VMSPLIT_3G is not set 將其改為CONFIG_VMSPLIT_3G=y 再查找 CONFIG_VMSPLIT_2G=y 將其改為 # CONFIG_VMSPLIT_2G is not set 保存
6.執行命令：make -j4 zImage moles dtbs 此時你又可以再睡一覺，大約需要5個小時，注意散熱。
7.安裝:sudo make moles_install
sudo scripts/mkknlimg arch/arm/boot/zImage /boot/kernel3g.img
sudo cp arch/arm/boot/dts/*.dtb /boot/
sudo cp arch/arm/boot/dts/overlays/*.dtb* /boot/overlays/
8.執行reboot重啟
方法二，舊版本的wine是沒有預載入器，可能使用舊版本就不會報錯了。
『貳』 機器學習4種不同數據集的優劣對比
機器學習4種不同數據集的優劣對比
數據源決定了機器學習演算法，機器演算法的選擇好壞也決定了數據的分析質量等，因此，我們選擇機器演算法的時候，要首先弄懂各個機器學習數據集的優劣性，主要特點，方可著手處理，才能起到事半功倍的效果。下面隨著大聖眾包小編一起看看4種不同的機器學習數據集對比吧。
Iris
Iris也稱鳶尾花卉數據集，是一類多重變數分析的數據集。通過花萼長度，花萼寬度，花瓣長度，花瓣寬度4個屬性預測鳶尾花卉屬於（Setosa，Versicolour，Virginica）三個種類中的哪一類。
Alt
該數據從美國1994年人口普查資料庫抽取而來，可以用來預測居民收入是否超過50K$/year。該數據集類變數為年收入是否超過50k$，屬性變數包含年齡，工種，學歷，職業，人種等重要信息，值得一提的是，14個屬性變數中有7個類別型變數。
Wine
這份數據集包含來自3種不同起源的葡萄酒的共178條記錄。13個屬性是葡萄酒的13種化學成分。通過化學分析可以來推斷葡萄酒的起源。值得一提的是所有屬性變數都是連續變數。
CarEvaluation
這是一個關於汽車測評的數據集，類別變數為汽車的測評，（unacc，ACC，good，vgood）分別代表（不可接受，可接受，好，非常好），而6個屬性變數分別為「買入價」，「維護費」，「車門數」，「可容納人數」，「後備箱大小」，「安全性」。值得一提的是6個屬性變數全部是有序類別變數，比如「可容納人數」值可為「2，4，more」，「安全性」值可為「low,med,high」。
小結
通過比較以上4個數據集的差異，簡單地總結：當需要試驗較大量的數據時，我們可以想到「Alt」；當想研究變數之間的相關性時，我們可以選擇變數值只為整數或實數的「Iris」和「Wine」；當想研究logistic回歸時，我們可以選擇類變數值只有兩種的「Alt」；當想研究類別變數轉換時，我們可以選擇屬性變數為有序類別的「CarEvaluation」。大聖眾包小編建議更多的嘗試還需要對這些數據集了解更多才行。