所以我使用的是一个将用户名返回给我的api。其中有一些假的，如：
8spZKYf1t2
xOzJzaYJe2
0x5jD4xmTM
PJFBoDFJsW
UZV908nNF7
CRuMGgh1bM
lyhDRamtFf
wELYyunHZU
NC8ZbYCjig
plK2KtwQwE
EKRlRLRitP
0CULcA8lIR
Yyi2NV3P8n
有人知道一个很好的算法来忽略这些吗？
答案 0 :(得分：6)
您需要一个用户名数据库，以便了解真实用户名和虚假用户名之间的区别。将此称为＆＃34;培训集＆＃34;：
从训练集中，计算每个3个字母组合的出现次数。例如，来自＆＃34; mtimmerm＆＃34;，你可以为＆＃34; mti＆＃34;，＆＃34; tim＆＃34;，＆＃34; imm＆＃34;等添加计数。让{{ 1}}是训练集中N(x)的计数，让x为计数总数。设TOTAL这将是我们对用户名中出现3个字母组合的频率的估计。
给定候选用户名F(x) = (N(x)+1)/(TOTAL+1)，对于U中的每个3个字母组合x，计算H（x）= -log（F（X））。将所有这些加在一起并除以U（组合数）以获得length(U)-2。这是衡量“不切实际”的方式。 H(U)是。
为一堆用户名计算U，你应该会发现伪造的用户名要高得多。
如果你想学习其工作原理背后的理论，谷歌的话是＆＃34;熵＆＃34;：https://en.wikipedia.org/wiki/Entropy_(information_theory)
我们正在做的是为用户名制作一个统计模型，然后计算出不寻常的＆＃39;每个用户名都是根据该模型。这实际上是衡量存储用户名需要多少位的度量，如果我们使用我们的模型来压缩它（有点 - 我简化了计算，但它们应该相对于彼此足够准确）。随机生成的用户名（我们假设是假的）将比实际用户名更多地存储信息。
注意：如果训练集不包含任何虚假的用户名，那就太好了，但只要大多数都是真实的，它就不会产生太大的差别。另请注意，从训练集中测试名称并不完全正确。如果您要从训练集中测试名称，请从每个H(U)中减去1/(TOTAL+1)，以便在测试时不包含用户名自己的计数。