1）司法公正是指司法權運作過程中各種因素達到的理想狀態(tài)，是現(xiàn)代社會政治民主、進步的重要標志，也是現(xiàn)代國家經(jīng)濟發(fā)展和社會穩(wěn)定的重要保證。它是法律的自身要求，也是依法治國的要求，其基本內(nèi)涵是要在司法活動的過程和結果中體現(xiàn)公平、平等、正當、正義的精神。其主體是以法官為主的司法人員。司法公正的對象包括各類案件的當事人及其他訴訟參與人。司法公正包括實體公正和程序公正，前者是司法公正的根本目標，后者是司法公正的重要保障。整體公正與個體公正的關系反映了司法公正的價值定位和取向。
2）司法公正既要求法院的審判過程堅持正當平等的原則，也要求法院的審判結果體現(xiàn)公平正義的精神。前者可以稱為程序公正，后者可以稱為實體公正。它們共同構成了司法公正的基本內(nèi)容。
司法公正，是指司法權運作過程中各種因素達到的理想狀態(tài)，是現(xiàn)代社會政治民主、進步的重要標志，也是現(xiàn)代國家經(jīng)濟發(fā)展和社會穩(wěn)定的重要保證。
司法公正基本內(nèi)涵是要在司法活動的過程和結果中體現(xiàn)公平、平等、正當、正義的精神。對象包括各類案件的當事人及其他訴訟參與人。司法公正包括實體公正和程序公正，前者是司法公正的根本目標，后者是司法公正的重要保障。
司法公正，或曰公正司法，其基本內(nèi)涵就是要在司法活動的過程和結果中堅持和體現(xiàn)公平與正義的原則。從狹義上講，司法主要指法院的審判活動；公正的含義則包括公平、平等、正當、正義等。司法公正既要求法院的審判過程遵循平等和正當?shù)脑瓌t，也要求法院的審判結果體現(xiàn)公平和正義的精神。
政策主要包括以下幾個方面：
1. 加強司法獨立：中央政府要求各級法院和檢察機關充分發(fā)揮獨立審判權和檢察權，保障司法工作的公正、公平和獨立性。
2. 推進司法透明：中央政府鼓勵各級法院和檢察機關加強信息公開，提高公眾對司法工作的了解度。同時，加強對司法過程的監(jiān)督，確保司法程序的公開、公正和透明。
3. 構建司法保障體系：中央政府鼓勵各級法院和檢察機關積極推進司法改革，建設現(xiàn)代化司法制度和司法保障體系，加快建設法治國家。
4. 建立懲治腐敗的長效機制：中央政府重視打擊司法腐敗行為，強化反貪腐斗爭力度，并加強對司法工作人員的管理和監(jiān)督。
5. 保障司法權益：中央政府重視維護律師、當事人等司法參與者的合法權益，保障他們在司法過程中的權利和利益。
需要注意的是，司法公正是一個復雜的系統(tǒng)性問題，需要社會各方面的共同努力才能夠實現(xiàn)。中央政府推動司法公正的政策必須與基層機構的落實和改進相結合，以保障司法工作的公正、公平和透明。
司法公正作為一個社會正義的指標，是任何一個健康民主社會的基石之一。它確保了每個人都能夠在法律面前受到公平對待，不受任何歧視。司法公正關乎法治國家的根本原則，也是法治社會的核心價值。
在現(xiàn)代社會中，司法公正不僅僅是一個法律概念，更是民眾對公平正義的期許和追求。當人們對司法系統(tǒng)失去信心，就會打擊社會的穩(wěn)定和公眾對法治的認同感。因此，確保司法公正的實施對于社會的可持續(xù)發(fā)展至關重要。
司法公正是法治社會的重要組成部分。在一個法治社會中，法律不僅僅是權威的象征，更是保護公民權益和保障社會穩(wěn)定的法定準則。司法公正確保法律的透明和平等執(zhí)行，進一步鞏固了法治社會的基礎。
司法公正對于法治社會的影響是多方面的。首先，它確保了公權力的行使受到限制和監(jiān)督。司法公正使政府和其他權力機構在行使權力時受到法律約束，不得濫用職權或脅迫個人。這種制約力量有助于維護社會的平等性和公正性。
其次，司法公正提供了一個公平的司法程序，確保了每個人在面對法律時都能夠享有適當?shù)姆沙绦蚝蜋嗬Ｕ稀＿@有助于保護個人的權益，并避免了司法系統(tǒng)的偏見和不公正。
另外，司法公正也為社會帶來了積極的效果。一個有司法公正的社會能夠吸引更多的投資和商業(yè)機會，因為企業(yè)和個人都希望他們的利益能夠在法律框架下得到保護。司法公正也激發(fā)了公民的參與感和社會責任感，促進了社會的和諧與穩(wěn)定。
然而，盡管司法公正的重要性被廣泛認可，但實現(xiàn)司法公正仍面臨許多挑戰(zhàn)。其中之一是司法系統(tǒng)的繁瑣程序和復雜性。這可能導致案件處理時間過長和審判結果的不確定性，從而削弱了司法公正的實施。
此外，司法腐敗也是司法公正面臨的一大難題。當司法系統(tǒng)中存在貪污和濫用職權行為時，司法公正很難被真正實施。為了解決這個問題，打擊腐敗和提高司法機構的透明度至關重要。
此外，法律的不平等和部分人群的受害也是司法公正的一個挑戰(zhàn)。一些邊緣化和弱勢群體可能面臨著法律援助的不足，導致他們難以獲得公正的司法處理。通過加強對弱勢群體的保護和提供充足的法律支持，可以提高司法公正的可及性和效果。
為了提高司法公正的水平，我們可以采取以下措施：
通過以上措施的實施，我們可以更好地保障司法公正的實現(xiàn)，推動社會正義的發(fā)展。司法公正是一個復雜而關鍵的問題，需要社會各界的共同努力和持續(xù)關注。
在網(wǎng)絡時代，網(wǎng)絡輿論已經(jīng)成為了一個不可忽視的力量。然而，這并不意味著我們可以忽視司法公正的重要性。司法公正與網(wǎng)絡輿論之間存在著密切的關系，如何平衡兩者之間的關系，成為了當今社會一個重要的議題。
網(wǎng)絡輿論的力量在于其傳播速度快、覆蓋面廣的特點。一旦某個事件在網(wǎng)絡上引發(fā)了廣泛的討論和關注，就會形成一股強大的輿論壓力。這種壓力有時會對司法機關的決策產(chǎn)生影響，迫使其采取相應的行動。因此，網(wǎng)絡輿論在某種程度上可以推動司法公正的實現(xiàn)。
然而，我們不能忽視的是，網(wǎng)絡輿論并非萬能。它不能代替司法機關做出公正的判斷。司法機關必須依據(jù)法律和事實進行裁決，不受外界輿論的影響。司法公正才是社會公正的基石，是維護社會穩(wěn)定和公平正義的重要保障。
要平衡司法公正與網(wǎng)絡輿論之間的關系，需要社會各界的共同努力。首先，加強網(wǎng)絡監(jiān)管，規(guī)范網(wǎng)絡言論，防止惡意攻擊和誹謗。其次，提高公眾的法律意識，引導公眾以理性、客觀的態(tài)度看待網(wǎng)絡輿論。最后，司法機關應公開透明地處理案件，及時回應社會關切，增強公眾對司法公正的信心。
綜上所述，司法公正與網(wǎng)絡輿論之間存在著既對立又統(tǒng)一的關系。我們不能忽視任何一個方面。為了構建一個更加公正、和諧的社會，我們需要平衡兩者之間的關系，充分發(fā)揮網(wǎng)絡輿論在推動司法公正方面的積極作用，同時確保司法機關獨立、公正地行使職權。
通過了解澳門法律體系的運作，我們可以深入了解該地區(qū)司法公正的維護和發(fā)展情況。澳門法律作為該地區(qū)的法律框架，對于維護司法公正起著至關重要的作用。但是，在實踐中，有時候會出現(xiàn)一些妨礙司法公正的因素，這就需要加強監(jiān)督和改善法律體系來解決。
澳門的法律體系主要以《澳門基本法》為基礎，同時還涵蓋了一系列澳門特別行政區(qū)的相關法律法規(guī)。《澳門基本法》是澳門的基本法律文件，確立了澳門的法律地位和憲政框架，保障了澳門的司法獨立和法治精神。
司法公正是法治社會的核心價值觀之一，它體現(xiàn)了法律的公平性和威信性，確保了公民的合法權益得到尊重和保護。在司法公正的框架下，每個人都應當受到公平審判，不受特殊待遇或歧視，這是一個民主社會的重要標志。
在澳門的司法實踐中，有時候也會出現(xiàn)一些妨礙司法公正的因素。例如，可能會存在司法腐敗、濫權現(xiàn)象，以及法律執(zhí)行環(huán)節(jié)的不透明、不公正等問題，這些因素都會影響司法公正的實現(xiàn)和維護。
為了解決妨礙司法公正的問題，澳門需要加強對司法機關和法律系統(tǒng)的監(jiān)督，建立健全的司法獨立和監(jiān)督機制，確保法律的執(zhí)行符合法治精神。此外，還需要改善法律體系，完善相關法律法規(guī)，提升司法公正的效果和水平。
總的來說，澳門的法律體系為司法公正的維護提供了重要的法律基礎，但在實際實踐中仍然面臨一些挑戰(zhàn)。通過加強監(jiān)督和改善法律體系，可以更好地解決妨礙司法公正的問題，推動司法公正不斷提升和完善。
之前看了Mahout官方示例 20news 的調(diào)用實現(xiàn)；于是想根據(jù)示例的流程實現(xiàn)其他例子。網(wǎng)上看到了一個關于天氣適不適合打羽毛球的例子。
訓練數(shù)據(jù)：
Day Outlook Temperature Humidity Wind PlayTennis
D1 Sunny Hot High Weak No
D2 Sunny Hot High Strong No
D3 Overcast Hot High Weak Yes
D4 Rain Mild High Weak Yes
D5 Rain Cool Normal Weak Yes
D6 Rain Cool Normal Strong No
D7 Overcast Cool Normal Strong Yes
D8 Sunny Mild High Weak No
D9 Sunny Cool Normal Weak Yes
D10 Rain Mild Normal Weak Yes
D11 Sunny Mild Normal Strong Yes
D12 Overcast Mild High Strong Yes
D13 Overcast Hot Normal Weak Yes
D14 Rain Mild High Strong No
檢測數(shù)據(jù)：
sunny，hot，high，weak
結果：
Yes=》 0.007039
No=》 0.027418
于是使用Java代碼調(diào)用Mahout的工具類實現(xiàn)分類。
基本思想：
1. 構造分類數(shù)據(jù)。
2. 使用Mahout工具類進行訓練，得到訓練模型。
3。將要檢測數(shù)據(jù)轉換成vector數(shù)據(jù)。
4. 分類器對vector數(shù)據(jù)進行分類。
接下來貼下我的代碼實現(xiàn)=》
1. 構造分類數(shù)據(jù)：
在hdfs主要創(chuàng)建一個文件夾路徑 /zhoujainfeng/playtennis/input 并將分類文件夾 no 和 yes 的數(shù)據(jù)傳到hdfs上面。
數(shù)據(jù)文件格式，如D1文件內(nèi)容： Sunny Hot High Weak
2. 使用Mahout工具類進行訓練，得到訓練模型。
3。將要檢測數(shù)據(jù)轉換成vector數(shù)據(jù)。
4. 分類器對vector數(shù)據(jù)進行分類。
這三步，代碼我就一次全貼出來；主要是兩個類 PlayTennis1 和 BayesCheckData = =》
package myTesting.bayes;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.util.ToolRunner;
import org.apache.mahout.classifier.naivebayes.training.TrainNaiveBayesJob;
import org.apache.mahout.text.SequenceFilesFromDirectory;
import org.apache.mahout.vectorizer.SparseVectorsFromSequenceFiles;
public class PlayTennis1 {
private static final String WORK_DIR = "hdfs://192.168.9.72:9000/zhoujianfeng/playtennis";
/*
* 測試代碼
*/
public static void main(String[] args) {
//將訓練數(shù)據(jù)轉換成 vector數(shù)據(jù)
makeTrainVector();
//產(chǎn)生訓練模型
makeModel(false);
//測試檢測數(shù)據(jù)
BayesCheckData.printResult();
}
public static void makeCheckVector(){
//將測試數(shù)據(jù)轉換成序列化文件
try {
Configuration conf = new Configuration();
conf.addResource(new Path("/usr/local/hadoop/conf/core-site.xml"));
String input = WORK_DIR+Path.SEPARATOR+"testinput";
String output = WORK_DIR+Path.SEPARATOR+"tennis-test-seq";
Path in = new Path(input);
Path out = new Path(output);
FileSystem fs = FileSystem.get(conf);
if(fs.exists(in)){
if(fs.exists(out)){
//boolean參數(shù)是，是否遞歸刪除的意思
fs.delete(out, true);
}
SequenceFilesFromDirectory sffd = new SequenceFilesFromDirectory();
String[] params = new String[]{"-i",input,"-o",output,"-ow"};
ToolRunner.run(sffd, params);
}
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
System.out.println("文件序列化失敗！");
System.exit(1);
}
//將序列化文件轉換成向量文件
try {
Configuration conf = new Configuration();
conf.addResource(new Path("/usr/local/hadoop/conf/core-site.xml"));
String input = WORK_DIR+Path.SEPARATOR+"tennis-test-seq";
String output = WORK_DIR+Path.SEPARATOR+"tennis-test-vectors";
Path in = new Path(input);
Path out = new Path(output);
FileSystem fs = FileSystem.get(conf);
if(fs.exists(in)){
if(fs.exists(out)){
//boolean參數(shù)是，是否遞歸刪除的意思
fs.delete(out, true);
}
SparseVectorsFromSequenceFiles svfsf = new SparseVectorsFromSequenceFiles();
String[] params = new String[]{"-i",input,"-o",output,"-lnorm","-nv","-wt","tfidf"};
ToolRunner.run(svfsf, params);
}
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
System.out.println("序列化文件轉換成向量失敗！");
System.out.println(2);
}
}
public static void makeTrainVector(){
//將測試數(shù)據(jù)轉換成序列化文件
try {
Configuration conf = new Configuration();
conf.addResource(new Path("/usr/local/hadoop/conf/core-site.xml"));
String input = WORK_DIR+Path.SEPARATOR+"input";
String output = WORK_DIR+Path.SEPARATOR+"tennis-seq";
Path in = new Path(input);
Path out = new Path(output);
FileSystem fs = FileSystem.get(conf);
if(fs.exists(in)){
if(fs.exists(out)){
//boolean參數(shù)是，是否遞歸刪除的意思
fs.delete(out, true);
}
SequenceFilesFromDirectory sffd = new SequenceFilesFromDirectory();
String[] params = new String[]{"-i",input,"-o",output,"-ow"};
ToolRunner.run(sffd, params);
}
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
System.out.println("文件序列化失敗！");
System.exit(1);
}
//將序列化文件轉換成向量文件
try {
Configuration conf = new Configuration();
conf.addResource(new Path("/usr/local/hadoop/conf/core-site.xml"));
String input = WORK_DIR+Path.SEPARATOR+"tennis-seq";
String output = WORK_DIR+Path.SEPARATOR+"tennis-vectors";
Path in = new Path(input);
Path out = new Path(output);
FileSystem fs = FileSystem.get(conf);
if(fs.exists(in)){
if(fs.exists(out)){
//boolean參數(shù)是，是否遞歸刪除的意思
fs.delete(out, true);
}
SparseVectorsFromSequenceFiles svfsf = new SparseVectorsFromSequenceFiles();
String[] params = new String[]{"-i",input,"-o",output,"-lnorm","-nv","-wt","tfidf"};
ToolRunner.run(svfsf, params);
}
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
System.out.println("序列化文件轉換成向量失敗！");
System.out.println(2);
}
}
public static void makeModel(boolean completelyNB){
try {
Configuration conf = new Configuration();
conf.addResource(new Path("/usr/local/hadoop/conf/core-site.xml"));
String input = WORK_DIR+Path.SEPARATOR+"tennis-vectors"+Path.SEPARATOR+"tfidf-vectors";
String model = WORK_DIR+Path.SEPARATOR+"model";
String labelindex = WORK_DIR+Path.SEPARATOR+"labelindex";
Path in = new Path(input);
Path out = new Path(model);
Path label = new Path(labelindex);
FileSystem fs = FileSystem.get(conf);
if(fs.exists(in)){
if(fs.exists(out)){
//boolean參數(shù)是，是否遞歸刪除的意思
fs.delete(out, true);
}
if(fs.exists(label)){
//boolean參數(shù)是，是否遞歸刪除的意思
fs.delete(label, true);
}
TrainNaiveBayesJob tnbj = new TrainNaiveBayesJob();
String[] params =null;
if(completelyNB){
params = new String[]{"-i",input,"-el","-o",model,"-li",labelindex,"-ow","-c"};
}else{
params = new String[]{"-i",input,"-el","-o",model,"-li",labelindex,"-ow"};
}
ToolRunner.run(tnbj, params);
}
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
System.out.println("生成訓練模型失敗！");
System.exit(3);
}
}
}
package myTesting.bayes;
import java.io.IOException;
import java.util.HashMap;
import java.util.Map;
import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.fs.PathFilter;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.mahout.classifier.naivebayes.BayesUtils;
import org.apache.mahout.classifier.naivebayes.NaiveBayesModel;
import org.apache.mahout.classifier.naivebayes.StandardNaiveBayesClassifier;
import org.apache.mahout.common.Pair;
import org.apache.mahout.common.iterator.sequencefile.PathType;
import org.apache.mahout.common.iterator.sequencefile.SequenceFileDirIterable;
import org.apache.mahout.math.RandomAccessSparseVector;
import org.apache.mahout.math.Vector;
import org.apache.mahout.math.Vector.Element;
import org.apache.mahout.vectorizer.TFIDF;
import com.google.common.collect.ConcurrentHashMultiset;
import com.google.common.collect.Multiset;
public class BayesCheckData {
private static StandardNaiveBayesClassifier classifier;
private static Map<String, Integer> dictionary;
private static Map<Integer, Long> documentFrequency;
private static Map<Integer, String> labelIndex;
public void init(Configuration conf){
try {
String modelPath = "/zhoujianfeng/playtennis/model";
String dictionaryPath = "/zhoujianfeng/playtennis/tennis-vectors/dictionary.file-0";
String documentFrequencyPath = "/zhoujianfeng/playtennis/tennis-vectors/df-count";
String labelIndexPath = "/zhoujianfeng/playtennis/labelindex";
dictionary = readDictionnary(conf, new Path(dictionaryPath));
documentFrequency = readDocumentFrequency(conf, new Path(documentFrequencyPath));
labelIndex = BayesUtils.readLabelIndex(conf, new Path(labelIndexPath));
NaiveBayesModel model = NaiveBayesModel.materialize(new Path(modelPath), conf);
classifier = new StandardNaiveBayesClassifier(model);
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
System.out.println("檢測數(shù)據(jù)構造成vectors初始化時報錯。。。。");
System.exit(4);
}
}
/**
* 加載字典文件，Key: TermValue； Value：TermID
* @param conf
* @param dictionnaryDir
* @return
*/
private static Map<String, Integer> readDictionnary(Configuration conf, Path dictionnaryDir) {
Map<String, Integer> dictionnary = new HashMap<String, Integer>();
PathFilter filter = new PathFilter() {
@Override
public boolean accept(Path path) {
String name = path.getName();
return name.startsWith("dictionary.file");
}
};
for (Pair<Text, IntWritable> pair : new SequenceFileDirIterable<Text, IntWritable>(dictionnaryDir, PathType.LIST, filter, conf)) {
dictionnary.put(pair.getFirst().toString(), pair.getSecond().get());
}
return dictionnary;
}
/**
* 加載df-count目錄下TermDoc頻率文件，Key: TermID； Value：DocFreq
* @param conf
* @param dictionnaryDir
* @return
*/
private static Map<Integer, Long> readDocumentFrequency(Configuration conf, Path documentFrequencyDir) {
Map<Integer, Long> documentFrequency = new HashMap<Integer, Long>();
PathFilter filter = new PathFilter() {
@Override
public boolean accept(Path path) {
return path.getName().startsWith("part-r");
}
};
for (Pair<IntWritable, LongWritable> pair : new SequenceFileDirIterable<IntWritable, LongWritable>(documentFrequencyDir, PathType.LIST, filter, conf)) {
documentFrequency.put(pair.getFirst().get(), pair.getSecond().get());
}
return documentFrequency;
}
public static String getCheckResult(){
Configuration conf = new Configuration();
conf.addResource(new Path("/usr/local/hadoop/conf/core-site.xml"));
String classify = "NaN";
BayesCheckData cdv = new BayesCheckData();
cdv.init(conf);
System.out.println("init done...............");
Vector vector = new RandomAccessSparseVector(10000);
TFIDF tfidf = new TFIDF();
//sunny，hot，high，weak
Multiset<String> words = ConcurrentHashMultiset.create();
words.add("sunny",1);
words.add("hot",1);
words.add("high",1);
words.add("weak",1);
int documentCount = documentFrequency.get(-1).intValue(); // key=-1時表示總文檔數(shù)
for (Multiset.Entry<String> entry : words.entrySet()) {
String word = entry.getElement();
int count = entry.getCount();
Integer wordId = dictionary.get(word); // 需要從dictionary.file-0文件（tf-vector）下得到wordID，
if (StringUtils.isEmpty(wordId.toString())){
continue;
}
if (documentFrequency.get(wordId) == null){
continue;
}
Long freq = documentFrequency.get(wordId);
double tfIdfValue = tfidf.calculate(count, freq.intValue(), 1, documentCount);
vector.setQuick(wordId, tfIdfValue);
}
// 利用貝葉斯算法開始分類,并提取得分最好的分類label
Vector resultVector = classifier.classifyFull(vector);
double bestScore = -Double.MAX_VALUE;
int bestCategoryId = -1;
for(Element element: resultVector.all()) {
int categoryId = element.index();
double score = element.get();
System.out.println("categoryId:"+categoryId+" score:"+score);
if (score > bestScore) {
bestScore = score;
bestCategoryId = categoryId;
}
}
classify = labelIndex.get(bestCategoryId)+"(categoryId="+bestCategoryId+")";
return classify;
}
public static void printResult(){
System.out.println("檢測所屬類別是："+getCheckResult());
}
}
