【赠水30ml】haa神经酰胺高保湿面霜
原价138.00元，券后价【98.00元】
【赠维稳水30ml+会员赠虾青素面膜】来自赢创【三重神经酰胺】搭配维生素B5+锁水磁石+积雪草提取物，补水！修护！维稳！多维度修护一罐搞定，保湿度够够的，需要修护补水的姐妹赶紧囤【运费险】
#年终心愿季# https://t.cn/A6JvxfJn
原价138.00元，券后价【98.00元】
【赠维稳水30ml+会员赠虾青素面膜】来自赢创【三重神经酰胺】搭配维生素B5+锁水磁石+积雪草提取物，补水！修护！维稳！多维度修护一罐搞定，保湿度够够的，需要修护补水的姐妹赶紧囤【运费险】
#年终心愿季# https://t.cn/A6JvxfJn
#高度近视者日常需要注意哪些问题#
视网膜为什么会“掉下来”？
视网膜相当于照相机的底片，它能将光信号转化成电信号传入大脑，形成图像。
但由于视网膜结构特殊，其中的色素层和神经层在发育过程中一直有缝隙存在，导致先天就不太牢固。
有时一点点的震荡，比如稍微碰到下脑袋，都可能导致视网膜脱离。
以视网膜脱离中最常见的孔源性视网膜脱离（以下简称RRD）为例。
顾名思义，就是视网膜出现了破孔。
我们的眼球中有一种透明填充物，叫做玻璃体，外层有纤维膜包裹，像一个灌满水的气球，充满弹性，从而使眼睛受力时得到保护。
久而久之，纤维膜逐渐退化而失去了弹性，玻璃体没了外层牢固的“兜着”，便会像果冻一样摇摇晃晃，导致后方视网膜也受到玻璃体的牵连被“拽破了”，出现了破孔。
再加上视网膜本身结构就不太稳定，经过来回的牵拉，视网膜的神经层再也无力维持，从色素层上被拉了下来，最终形成孔源性视网膜脱离。
特别是近视人群，高度近视导致眼球拉长，使视网膜受到更大的牵引力，视网膜会更加容易被牵拉得越来越薄。
研究表明，近视人群患RDD的风险要比普通人高10倍。
另外，难以避免的衰老也会导致此眼病的概率进一步升高，据调查，60岁以下人群，年龄越大，患孔源性视网膜脱离的几率就越高，其中40、59岁人群最多。
但部分不近视的小伙伴也不要认为可以高枕无忧，暗自庆幸了。
无论近视与否，当用眼过度或长时间盯着屏幕一动不动时，就容易导致眼压升高，最近的一些研究表明眼内压升高也会引起孔源性视网膜脱离。
更需要提醒的是，视网膜脱离通常都没有任何痛觉。如果有一天你眼前突然出现了漂浮物、闪光感或黑影遮挡，应尽快到医院进行眼底检查。
视网膜脱离只是高度近视者发生的其中一种眼底病变，高度近视可能还会有：
后巩膜葡萄肿
眼球壁向后突出变薄，其带来的后续并发症可能严重影响患者的生活质量，甚至致盲。
严重的玻璃体浑浊
玻璃体呈尘状、丝状、絮状混浊，视野 出现飞蚊状、烟柱状或云状黑影。
眼底损害 ：异常脉络膜新生血管生成及黄斑水肿
由于眼轴变长造成视网膜，脉络膜组织延展变薄及组织缺血，而引起视网膜劈裂、破孔，形成脉络膜异常新生血管并出血。
新生血管渗漏造成黄斑水肿， 引起严重视力下降，视物变形等。
这里就有个“病理性近视”的概念：
一般来说，屈光度（验光度数）超过600，眼球前后径不断变长，青春期前后就开始出现视力下降，近视度数增长很快，随着近视度数不断加深，眼球的许多组织结构会发生一系列的病理改变。
这个时候“病理性近视”的严重性就表现出来了，且病情一旦发生就不可逆转，甚至可能导致失明。
对高度近视者的建议：
如果没有不适感受，高度近视的朋友也需要3-6个月进行光学相干断层扫描（OCT）检查眼底，确诊是否是病理性近视，及时发现并发症脉络膜新生血管，及时治疗。
如果有以下情况，那就更需要立马去医院检查，千万不要拖着！
有近视家族遗传史。
经常过度近距离用眼、长期视觉疲劳等后天环境因素导致的近视度数快速增长。
比一般人更容易疲劳，不能持久视物，可伴有眼痛、头痛、恶心。
眼前黑影飘动，黑影的形状繁多，如尘状、线状、 环形等，偶尔伴有眼前闪光等感觉。明显视力下降、暗影或变形。
裸眼视力常严重下降，可能戴眼镜效果也不理想。如果出现严重的眼底并发症，视力可能急剧丧失。
高度近视日常注意事项
避免近距离用眼，特别是要减少电子设备的过度使用，注意眼部的休息，合理用眼，会使眼疲劳的情况得以减轻改善。
平时可多食用富含维生素A、B、C、E的新鲜蔬菜水果，少食辛辣，忌烟酒，适当补充叶黄素，增强黄斑功能。
适当进行体育锻炼，平时应该注意避免头部受到冲击的运动，如足球、篮球、跳水等，可以选择缓和的运动方式，避免提过重的物品。
高度近视特别是有遗传背景的朋友应加强防治意识，定期去医院进行眼底检查。
视网膜为什么会“掉下来”？
视网膜相当于照相机的底片，它能将光信号转化成电信号传入大脑，形成图像。
但由于视网膜结构特殊，其中的色素层和神经层在发育过程中一直有缝隙存在，导致先天就不太牢固。
有时一点点的震荡，比如稍微碰到下脑袋，都可能导致视网膜脱离。
以视网膜脱离中最常见的孔源性视网膜脱离（以下简称RRD）为例。
顾名思义，就是视网膜出现了破孔。
我们的眼球中有一种透明填充物，叫做玻璃体，外层有纤维膜包裹，像一个灌满水的气球，充满弹性，从而使眼睛受力时得到保护。
久而久之，纤维膜逐渐退化而失去了弹性，玻璃体没了外层牢固的“兜着”，便会像果冻一样摇摇晃晃，导致后方视网膜也受到玻璃体的牵连被“拽破了”，出现了破孔。
再加上视网膜本身结构就不太稳定，经过来回的牵拉，视网膜的神经层再也无力维持，从色素层上被拉了下来，最终形成孔源性视网膜脱离。
特别是近视人群，高度近视导致眼球拉长，使视网膜受到更大的牵引力，视网膜会更加容易被牵拉得越来越薄。
研究表明，近视人群患RDD的风险要比普通人高10倍。
另外，难以避免的衰老也会导致此眼病的概率进一步升高，据调查，60岁以下人群，年龄越大，患孔源性视网膜脱离的几率就越高，其中40、59岁人群最多。
但部分不近视的小伙伴也不要认为可以高枕无忧，暗自庆幸了。
无论近视与否，当用眼过度或长时间盯着屏幕一动不动时，就容易导致眼压升高，最近的一些研究表明眼内压升高也会引起孔源性视网膜脱离。
更需要提醒的是，视网膜脱离通常都没有任何痛觉。如果有一天你眼前突然出现了漂浮物、闪光感或黑影遮挡，应尽快到医院进行眼底检查。
视网膜脱离只是高度近视者发生的其中一种眼底病变，高度近视可能还会有：
后巩膜葡萄肿
眼球壁向后突出变薄，其带来的后续并发症可能严重影响患者的生活质量，甚至致盲。
严重的玻璃体浑浊
玻璃体呈尘状、丝状、絮状混浊，视野 出现飞蚊状、烟柱状或云状黑影。
眼底损害 ：异常脉络膜新生血管生成及黄斑水肿
由于眼轴变长造成视网膜，脉络膜组织延展变薄及组织缺血，而引起视网膜劈裂、破孔，形成脉络膜异常新生血管并出血。
新生血管渗漏造成黄斑水肿， 引起严重视力下降，视物变形等。
这里就有个“病理性近视”的概念：
一般来说，屈光度（验光度数）超过600，眼球前后径不断变长，青春期前后就开始出现视力下降，近视度数增长很快，随着近视度数不断加深，眼球的许多组织结构会发生一系列的病理改变。
这个时候“病理性近视”的严重性就表现出来了，且病情一旦发生就不可逆转，甚至可能导致失明。
对高度近视者的建议：
如果没有不适感受，高度近视的朋友也需要3-6个月进行光学相干断层扫描（OCT）检查眼底，确诊是否是病理性近视，及时发现并发症脉络膜新生血管，及时治疗。
如果有以下情况，那就更需要立马去医院检查，千万不要拖着！
有近视家族遗传史。
经常过度近距离用眼、长期视觉疲劳等后天环境因素导致的近视度数快速增长。
比一般人更容易疲劳，不能持久视物，可伴有眼痛、头痛、恶心。
眼前黑影飘动，黑影的形状繁多，如尘状、线状、 环形等，偶尔伴有眼前闪光等感觉。明显视力下降、暗影或变形。
裸眼视力常严重下降，可能戴眼镜效果也不理想。如果出现严重的眼底并发症，视力可能急剧丧失。
高度近视日常注意事项
避免近距离用眼，特别是要减少电子设备的过度使用，注意眼部的休息，合理用眼，会使眼疲劳的情况得以减轻改善。
平时可多食用富含维生素A、B、C、E的新鲜蔬菜水果，少食辛辣，忌烟酒，适当补充叶黄素，增强黄斑功能。
适当进行体育锻炼，平时应该注意避免头部受到冲击的运动，如足球、篮球、跳水等，可以选择缓和的运动方式，避免提过重的物品。
高度近视特别是有遗传背景的朋友应加强防治意识，定期去医院进行眼底检查。
今天给大家介绍一下数据挖掘算法~
1、概念描述/描述统计：
一种数据泛化形式，用汇总的、简洁的和精确的方法描述各个类和概念，通过（1）数据特征化：目标类数据的一般特性或特征的汇总；（2）数据区分：将目标类数据的一般特性与一个或多个可比较类进行比较；（3）数据特征化和比较来得到。
2、关联分析：
发现关联规则，这些规则展示属性——值频繁地在给定数据集中一起出现的条件，通常要满足最小支持度阈值和最小置信度阈值。关联分析不属于预测问题（没有预测的目标变量），关联分析基于数据驱动，揭示产品与产品之间客观存在的规律，输出结果是一系列规则及相关的评价指标，如关联销售。
3、分类：
找出能够描述和区分数据类或概念的模型，以便能够使用模型预测类标号未知的对象类，导出的模型是基于训练集的分析。导出模型的算法：决策树、神经网络、贝叶斯、（遗传、粗糙集、模糊集）。分类属于预测的一种特殊形式，事先有一个目标分类：0/1或者更多的类型A/B/C…，对目标分类未知的样本预测他们所属的分类（概率）。
4、预测：
建立连续值函数模型，预测空缺的或不知道的数值数据集。预测与分类都属于预测问题（有目标变量），区别分类的核心在于目标变量是连续值而不是分类值，进行预测需要有已知目标值的历史样本来训练模型，对目标变量未知的样本预测它们的目标值，如销量预测、收入预测等。
5、聚类：
分析数据对象，而不考虑已知的类标记。训练数据中不提供类标记，对象根据最大化类内的相似性和最小化类间的原则进行聚类或分组，从而产生类标号。聚类不属于预测问题（没有预测的目标变量），聚类基于数据驱动，按照算法规则对用户进行分组/分群，输出结果就是每个样本的分组编号（ID），如行为偏好。
#数据挖掘##大数据##数据分析#
1、概念描述/描述统计：
一种数据泛化形式，用汇总的、简洁的和精确的方法描述各个类和概念，通过（1）数据特征化：目标类数据的一般特性或特征的汇总；（2）数据区分：将目标类数据的一般特性与一个或多个可比较类进行比较；（3）数据特征化和比较来得到。
2、关联分析：
发现关联规则，这些规则展示属性——值频繁地在给定数据集中一起出现的条件，通常要满足最小支持度阈值和最小置信度阈值。关联分析不属于预测问题（没有预测的目标变量），关联分析基于数据驱动，揭示产品与产品之间客观存在的规律，输出结果是一系列规则及相关的评价指标，如关联销售。
3、分类：
找出能够描述和区分数据类或概念的模型，以便能够使用模型预测类标号未知的对象类，导出的模型是基于训练集的分析。导出模型的算法：决策树、神经网络、贝叶斯、（遗传、粗糙集、模糊集）。分类属于预测的一种特殊形式，事先有一个目标分类：0/1或者更多的类型A/B/C…，对目标分类未知的样本预测他们所属的分类（概率）。
4、预测：
建立连续值函数模型，预测空缺的或不知道的数值数据集。预测与分类都属于预测问题（有目标变量），区别分类的核心在于目标变量是连续值而不是分类值，进行预测需要有已知目标值的历史样本来训练模型，对目标变量未知的样本预测它们的目标值，如销量预测、收入预测等。
5、聚类：
分析数据对象，而不考虑已知的类标记。训练数据中不提供类标记，对象根据最大化类内的相似性和最小化类间的原则进行聚类或分组，从而产生类标号。聚类不属于预测问题（没有预测的目标变量），聚类基于数据驱动，按照算法规则对用户进行分组/分群，输出结果就是每个样本的分组编号（ID），如行为偏好。
#数据挖掘##大数据##数据分析#
✋热门推荐