- 十大机器学习算法-梯度提升决策树(GBDT)
zjwreal
机器学习GBDT机器学习梯度提升提升树梯度提升决策树
简介梯度提升决策树(GBDT)由于准确率高、训练快速等优点,被广泛应用到分类、回归合排序问题中。该算法是一种additive树模型,每棵树学习之前additive树模型的残差。许多研究者相继提出XGBoost、LightGBM等,又进一步提升了GBDT的性能。基本思想提升树-BoostingTree以决策树为基函数的提升方法称为提升树,其决策树可以是分类树或者回归树。决策树模型可以表示为决策树的加
- 《机器学习》—— XGBoost(xgb.XGBClassifier) 分类器
张小生180
机器学习人工智能
文章目录一、XGBoost分类器的介绍二、XGBoost(xgb.XGBClassifier)分类器与随机森林分类器(RandomForestClassifier)的区别三、XGBoost(xgb.XGBClassifier)分类器代码使用示例一、XGBoost分类器的介绍XGBoost分类器是一种基于梯度提升决策树(GradientBoostingDecisionTree,GBDT)的集成学习算
- 每天一个数据分析题(二百二十)
跟着紫枫学姐学CDA
数据分析题库数据分析数据挖掘
在集成学习的GBDT算法中,每次训练新的决策树的目的是()?A.预测原始数据的标签B.预测上一个模型的残差C.降低模型的偏差D.降低模型的方差题目来源于CDA模拟题库点击此处获取答案
- (十六)梯度提升树--回归和分类的算法(gbdt))
羽天驿
一、GBDT算法中有两个值,一个预测值,一个真实值,梯度提升树,减小残差,使梯度减小。梯度提升回归树,裂分条件是:MSE均方误差是真实值,预测值梯度提升回归树,划分指标mse算法示例mse.pngfor循环,计算所有的裂分方式的mse,找变化最大的,作为裂分条件!!!为什么变化最大,最好的裂分条件???因为,变化大,我们将相似的数据划归到相同的组中。梯度提升树--gradientBoostingD
- Task 11 XGBoost 算法分析与案例调参实例
沫2021
1.XGBoost算法XGBoost是陈天奇等人开发的一个开源机器学习项目,高效地实现了GBDT算法并进行了算法和工程上的许多改进,被广泛应用在Kaggle竞赛及其他许多机器学习竞赛中并取得了不错的成绩。XGBoost是一个优化的分布式梯度增强库,旨在实现高效,灵活和便携。它在GradientBoosting框架下实现机器学习算法。XGBoost提供了并行树提升(也称为GBDT,GBM),可以快速
- GBDT算法的升级--XGBoost与LightGBM算法
CquptDJ
数据挖掘机器学习机器学习算法数据挖掘人工智能大数据
本文同样不涉及公式推导及代码,对于GBDT算法的学习可以参考前面的文章GBDT算法原理,这里不再讲述GBDT,只讲述XGBoost与LightGBM算法原理下面推荐两篇写得最权威最官方(没有之一)的文档参考文档:XGBoost官方文档(全英文)LightGBM官方文档(全英文)关于GBDT算法,优点非常多,可以算是将boosting的思想发挥到了极致,处理许多数据效果都是非常好,但是正所谓人无完人
- 梯度提升树系列9——GBDT在多任务学习中的应用
theskylife
数据挖掘学习数据挖掘机器学习python人工智能
目录写在开头1.多任务学习的基础知识1.1多任务学习的概念和优势1.1.1概念1.1.2优势1.2GBDT在多任务学习中的角色1.2.1GBDT的基本原理1.2.2GBDT在多任务学习中的应用2.实际应用案例和最佳实践2.1如何设计多任务学习模型2.2成功案例分享2.2.1推荐系统2.2.2金融风控2.2.3自然语言处理(NLP)3.挑战与解决方案3.1面临的技术挑战和解决策略3.1.1挑战1:任
- XGBoost算法
小森( ﹡ˆoˆ﹡ )
机器学习算法算法人工智能机器学习
XGBoost在机器学习中被广泛应用于多种场景,特别是在结构化数据的处理上表现出色,XGBoost适用于多种监督学习任务,包括分类、回归和排名问题。在数据挖掘和数据科学竞赛中,XGBoost因其出色的性能而被频繁使用。例如,在Kaggle平台上的许多获奖方案中,XGBoost都发挥了重要作用。此外,它在处理缺失值和大规模数据集上也有很好的表现。XGBoost是一种基于梯度提升决策树(GBDT)的算
- 机器学习系列(8)——提升树与GBDT算法
陌简宁
机器学习
本文介绍提升树模型与GBDT算法。0x01、提升树模型提升树是以分类树或回归树为基本分类器的提升方法。提升树被认为是统计学习中性能最好的方法之一。提升方法实际采用加法模型(即基函数的线性组合)与前向分步算法,以决策树为基函数的提升方法称为提升树(boostingtree)。对分类问题决策树是二叉分类树,对回归问题决策树是二叉回归树。提升树模型可以表示为决策树的加法模型:其中,表示决策树,为决策树的
- GBDT--梯度提升树
吓得我泰勒都展开了
机器学习决策树算法
目录一梯度提升树的基本思想1梯度提升树pkAdaBoost2GradientBoosting回归与分类的实现二梯度提升树的参数1迭代过程1.1初始预测结果0的设置1.2使用回归器完成分类任务1.3GBDT的8种损失函数2弱评估器结构2.1梯度提升树种的弱评估器复杂度2.2弗里德曼均方误差3梯度提升树的提前停止机制4梯度提升树的袋外数据5缺失参数class_weight与n_jobs三梯度提升树的参
- 集成学习——梯度提升树(GBDT)
wxw_csdn
机器学习集成学习GBDT梯度提升树sklearn
集成学习——梯度提升树(GBDT)1模型算法介绍2sklearn中的实现3参考资料1模型算法介绍GBDT也是集成学习Boosting家族的成员,通过采用加法模型,不断减小训练过程中产生的残差算法。即通过多轮迭代,每轮迭代生成一个弱分类器,并在上一轮分类器残差的基础上进行训练,但是弱学习器限定了只能使用CART回归树模型,且迭代思路与Adaboost(利用前一轮迭代弱学习器的误差率来更新训练集的权重
- 梯度提升树系列7——深入理解GBDT的参数调优
theskylife
数据分析数据挖掘人工智能数据挖掘机器学习python分类
目录写在开头1.GBDT的关键参数解析1.1学习率(learningrate)1.2树的数量(n_estimators)1.3树的最大深度(max_depth)1.4叶子节点的最小样本数(min_samples_leaf)1.5特征选择的比例(max_features)1.6最小分裂所需的样本数(min_samples_split)1.7子采样比例(subsample)1.8损失函数(loss)1
- 学习笔记 ——GBDT(梯度提升决策树)
dastu
数据挖掘机器学习数据挖掘
一.前言GBDT(GradientBoostingDecisionTree)梯度提升决策树,通过多轮迭代生成若干个弱分类器,每个分类器的生成是基于上一轮分类结果来进行训练的。GBDT使用的也是前向分布算法,这一点和Adaboost类似,但不同的是,GBDT的弱分类器一般为Cart回归树(Adaboost一般不做限制)。这里之所以用回归树的原因是GBDT是利用残差逼近,是累加选择,这就和回归输出的连
- datawhale 10月学习——树模型与集成学习:梯度提升树
SheltonXiao
学习集成学习机器学习决策树
前情回顾决策树CART树的实现集成模式两种并行集成的树模型AdaBoost结论速递本次学习了GBDT,首先了解了用于回归的GBDT,将损失使用梯度下降法进行减小;用于分类的GBDT要稍微复杂一些,需要对分类损失进行定义。学习了助教提供的代码。目录前情回顾结论速递1用于回归的GBDT1.1原理1.2代码实现2用于分类的GBDT2.1原理2.2代码实现1用于回归的GBDT1.1原理与AdaBoost类
- 梯度提升树系列8——GBDT与其他集成学习方法的比较
theskylife
数据挖掘集成学习机器学习人工智能数据挖掘
目录写在开头1.主要集成学习算法对比1.1GBDT1.2随机森林1.3AdaBoost1.4整体对比2.算法性能的比较分析2.1准确率与性能2.2训练时间和模型复杂度2.3应用实例和案例研究3.选择合适算法的标准3.1数据集的特性3.1.1数据规模与维度3.1.2数据质量3.2性能需求3.2.1准确性3.2.2泛化能力3.3训练效率与资源3.3.1训练时间3.3.2计算资源3.4易用性与调参3.4
- 梯度提升树系列6——GBDT在异常检测领域的应用
theskylife
数据挖掘机器学习数据挖掘GBDT分类python
目录写在开头1异常检测的基本概念1.1定义和目标1.2GBDT在异常检测中的适用性2信用卡欺诈检测案例分析2.1场景介绍2.2收集数据和特征工程2.3进行异常值识别2.4模型效果评估2.5模型优化3策略和技巧4面临的挑战和解决方案4.1数据不平衡4.2过拟合4.3模型解释性写在最后在如今数据驱动的时代,异常检测成为了保障系统安全的关键技术,尤其在金融安全、网络安全等领域中扮演着至关重要的角色。梯度
- 梯度提升树系列3——利用GBDT进行回归分析
theskylife
数据挖掘回归数据挖掘人工智能
目录写在开头1.回归问题的基本概念1.1回归分析的定义和目的1.2GBDT在回归中的特点2房价预测模型案例研究2.1数据准备和预处理2.2模型构建和评估方法2.3具体代码3模型调优和评估3.1参数调优的详细策略3.2模型性能评估的详细方法3.3模型优化3.4可视化写在最后写在开头回归分析在数据挖掘领域扮演着至关重要的角色。它允许我们预测数值型目标变量,并揭示自变量与目标之间的关系。在本文中,我们将
- 梯度提升树系列4——GBDT在排序问题中的应用
theskylife
数据挖掘机器学习数据挖掘数据分析python排序
目录写在开头1学习排序的基础1.1排序问题的定义1.2GBDT在排序中的应用场景1.3结合GBDT的排序模型2.搜索引擎应用实例2.1案例背景2.2数据构建2.3具体实现代码3.模型评估和优化策略3.1常见的评估指标3.1.1评估指标举例3.1.2评估指标示例3.2优化方法和技巧写在最后排序问题在信息检索、推荐系统等领域发挥着举足轻重的作用。它们帮助系统高效地从大量信息中挑选出用户最可能感兴趣的内
- 梯度提升树系列5——使用GBDT进行特征选择
theskylife
数据挖掘深度学习人工智能机器学习数据挖掘
特征选择是机器学习和数据科学中至关重要的一环,它不仅可以提高模型的性能,还能显著减少模型训练所需的时间和资源。本文将深入探讨如何使用梯度提升决策树(GradientBoostingDecisionTree,GBDT)进行特征选择,并强调这一方法在实践中的重要性和效果。写在开头特征选择在提高模型性能中扮演了不可或缺的角色。正确的特征选择不仅能够提升模型的准确率,还能减少模型训练的复杂度,使模型更快地
- 推荐收藏 | 决策树、随机森林、bagging、boosting、Adaboost、GBDT、XGBoost总结
Pysamlam
作者:ChrisCaohttps://zhuanlan.zhihu.com/p/75468124一.决策树决策树是一个有监督分类模型,本质是选择一个最大信息增益的特征值进行分割,直到达到结束条件或叶子节点纯度达到阈值。下图是决策树的一个示例图:根据分割指标和分割方法,可分为:ID3、C4.5、CART算法。1.ID3算法:以信息增益为准则来选择最优划分属性信息增益的计算是基于信息熵(度量样本集合纯
- 5000字干货 | 决策树、随机森林、bagging、boosting、Adaboost、GBDT、XGBoost总结
数据不吹牛
算法决策树信息熵大数据机器学习
作者:ChrisCaohttps://zhuanlan.zhihu.com/p/75468124大家好,我是小z今天分享一波机器学习的干货~一.决策树决策树是一个有监督分类模型,本质是选择一个最大信息增益的特征值进行输的分割,直到达到结束条件或叶子节点纯度达到阈值。下图是决策树的一个示例图:根据分割指标和分割方法,可分为:ID3、C4.5、CART算法。1.ID3算法:以信息增益为准则来选择最优划
- Bagging的随机森林;Boosting的AdaBoost和GBDT
S1406793
数据分析面试机器学习随机森林boosting算法
集成学习应用实践importnumpyasnpimportos%matplotlibinlineimportmatplotlibimportmatplotlib.pyplotaspltplt.rcParams['axes.labelsize']=14plt.rcParams['xtick.labelsize']=12plt.rcParams['ytick.labelsize']=12importw
- 图文解读:推荐算法架构——精排
云深处见晓
笔记算法数据结构推荐算法
文章目录导语一、整体架构二、样本三、特征(一)主要有哪些特征(二)怎么处理特征四、模型(一)精排模型发展历程——线性模型CF协同过滤类LR逻辑回归类多模型融合GBDT+LR(二)精排模型发展历程——深度模型DNN类WDL异构模型类attention和序列建模五、精排优化导语精排是整个推荐算法中比较重要的一个模块,目前基本都是基于模型来实现,主要涉及样本、特征、模型三部分。本文将对其进行详细阐述,希
- GBDT,XGBOOST
Liam_ml
1.简介gbdt全称梯度下降树,在传统机器学习算法里面是对真实分布拟合的最好的几种算法之一,在前几年深度学习还没有大行其道之前,gbdt在各种竞赛是大放异彩。原因大概有几个,一是效果确实挺不错。二是即可以用于分类也可以用于回归。三是可以筛选特征。这三点实在是太吸引人了,导致在面试的时候大家也非常喜欢问这个算法。gbdt的面试考核点,大致有下面几个:gbdt的算法的流程?gbdt如何选择特征?gbd
- 梯度提升树系列2——如何使用GBDT解决分类问题
theskylife
数据挖掘分类数据挖掘人工智能机器学习python
目录写在开头1.GBDT在二分类问题中的应用详细解析1.1算法流程1.2实现方法1.3优化策略和常见问题1.4具体场景实现2.GBDT在多分类问题中的应用2.1背景介绍2.2实现代码3.参数调整和模型优化3.1关键参数解析3.2调参技巧和工具推荐3.3Python实现示例写在最后在当今数据驱动的时代,分类问题无疑是机器学习领域中最常见也是最有挑战性的问题之一。从图像识别、文本分类到客户行为预测,分
- 梯度提升树系列1——梯度提升树(GBDT)入门:基本原理及优势
theskylife
数据挖掘python机器学习数据挖掘GBDT
目录写在开头1.GBDT的基本原理1.1GBDT的定义1.2GBDT的工作机制1.2.1初始化1.2.2迭代训练1.2.3集成预测2.GBDT的优势2.1高精度预测能力2.2对各种类型数据的适应性2.3在数据不平衡情况下的优势2.4鲁棒性与泛化能力2.5特征重要性评估2.6高效处理大规模数据3.与其他算法的比较3.1与随机森林的比较3.2与支持向量机的比较3.3与神经网络的比较写在最后梯度提升树(
- 开源|LightGBM基本原理,以及调用形式
噶噶~
机器学习
久前微软DMTK(分布式机器学习工具包)团队在GitHub上开源了性能超越其他boosting工具的LightGBM知乎上有近千人关注“如何看待微软开源的LightGBM?”问题,被评价为“速度惊人”,“非常有启发”,“支持分布式”,“代码清晰易懂”,“占用内存小”等。GBDT:GBDT(GradientBoostingDecisionTree)是机器学习中一个长盛不衰的模型,其主要思想是利用弱分
- GBDT为什么比决策树结果更优?从决策树到随机森林再到GBDT,模型是怎么优化的?
噶噶~
机器学习
决策树在计算过程中,已经通过信息增益或基尼系数理论使得决策树能够使得损失函数最小化了,为什么GBDT能够获得更好的结果?是决策树没有对数据信息利用充分吗?决策树,是通过计算信息增益的方式构建决策树。但是随机森林和GBDT的模型往往能能获得比决策树更优的模型结果,难道说信息增益理论并不能得到最大的信息量吗?首先我们来看为什么随机森林能够获得比单棵树更优的结果。随机森林是通过对模型进行重采样的方式,构
- XGboost常见特征处理及其他问题
噶噶~
机器学习--数据处理机器学习机器学习算法人工智能python
1.Bagging和Boosting区别RF,GBDT,XGBoost,lightGBM都属于集成学习(EnsembleLearning),集成学习的目的是通过结合多个基学习器的预测结果来改善基本学习器的泛化能力和鲁棒性。(1)形式上Bagging:基本学习器之间不存在强依赖关系、必须并行生成的序列化方法;例如:随机森林bagging主要关注降低方差Boosting:基本学习器间存在强依赖关系、可
- 【数据竞赛】5行代码提升GBDT,提升巨大!
风度78
广告人工智能机器学习大数据数据分析
看过我历史文章的都知道,以lightgbm,xgboost,catboost为代表的GBDT,在部分工业界场景的表格数据集上,一直一览众山小。如果你打过kaggle应该一定都知道,大家心照不宣的表格一把梭中的第一把。(一把梭的意思就是,基本上可以闭着眼用,肯定有用。)他就是category特征的频度统计了,你也可以称为valuecounts等,用pandas实现起来也很简单。我拿个简单的3列表格,
- [黑洞与暗粒子]没有光的世界
comsci
无论是相对论还是其它现代物理学,都显然有个缺陷,那就是必须有光才能够计算
但是,我相信,在我们的世界和宇宙平面中,肯定存在没有光的世界....
那么,在没有光的世界,光子和其它粒子的规律无法被应用和考察,那么以光速为核心的
&nbs
- jQuery Lazy Load 图片延迟加载
aijuans
jquery
基于 jQuery 的图片延迟加载插件,在用户滚动页面到图片之后才进行加载。
对于有较多的图片的网页,使用图片延迟加载,能有效的提高页面加载速度。
版本:
jQuery v1.4.4+
jQuery Lazy Load v1.7.2
注意事项:
需要真正实现图片延迟加载,必须将真实图片地址写在 data-original 属性中。若 src
- 使用Jodd的优点
Kai_Ge
jodd
1. 简化和统一 controller ,抛弃 extends SimpleFormController ,统一使用 implements Controller 的方式。
2. 简化 JSP 页面的 bind, 不需要一个字段一个字段的绑定。
3. 对 bean 没有任何要求,可以使用任意的 bean 做为 formBean。
使用方法简介
- jpa Query转hibernate Query
120153216
Hibernate
public List<Map> getMapList(String hql,
Map map) {
org.hibernate.Query jpaQuery = entityManager.createQuery(hql);
if (null != map) {
for (String parameter : map.keySet()) {
jp
- Django_Python3添加MySQL/MariaDB支持
2002wmj
mariaDB
现状
首先,
[email protected] 中默认的引擎为 django.db.backends.mysql 。但是在Python3中如果这样写的话,会发现 django.db.backends.mysql 依赖 MySQLdb[5] ,而 MySQLdb 又不兼容 Python3 于是要找一种新的方式来继续使用MySQL。 MySQL官方的方案
首先据MySQL文档[3]说,自从MySQL
- 在SQLSERVER中查找消耗IO最多的SQL
357029540
SQL Server
返回做IO数目最多的50条语句以及它们的执行计划。
select top 50
(total_logical_reads/execution_count) as avg_logical_reads,
(total_logical_writes/execution_count) as avg_logical_writes,
(tot
- spring UnChecked 异常 官方定义!
7454103
spring
如果你接触过spring的 事物管理!那么你必须明白 spring的 非捕获异常! 即 unchecked 异常! 因为 spring 默认这类异常事物自动回滚!!
public static boolean isCheckedException(Throwable ex)
{
return !(ex instanceof RuntimeExcep
- mongoDB 入门指南、示例
adminjun
javamongodb操作
一、准备工作
1、 下载mongoDB
下载地址:http://www.mongodb.org/downloads
选择合适你的版本
相关文档:http://www.mongodb.org/display/DOCS/Tutorial
2、 安装mongoDB
A、 不解压模式:
将下载下来的mongoDB-xxx.zip打开,找到bin目录,运行mongod.exe就可以启动服务,默
- CUDA 5 Release Candidate Now Available
aijuans
CUDA
The CUDA 5 Release Candidate is now available at http://developer.nvidia.com/<wbr></wbr>cuda/cuda-pre-production. Now applicable to a broader set of algorithms, CUDA 5 has advanced fe
- Essential Studio for WinRT网格控件测评
Axiba
JavaScripthtml5
Essential Studio for WinRT界面控件包含了商业平板应用程序开发中所需的所有控件,如市场上运行速度最快的grid 和chart、地图、RDL报表查看器、丰富的文本查看器及图表等等。同时,该控件还包含了一组独特的库,用于从WinRT应用程序中生成Excel、Word以及PDF格式的文件。此文将对其另外一个强大的控件——网格控件进行专门的测评详述。
网格控件功能
1、
- java 获取windows系统安装的证书或证书链
bewithme
windows
有时需要获取windows系统安装的证书或证书链,比如说你要通过证书来创建java的密钥库 。
有关证书链的解释可以查看此处 。
public static void main(String[] args) {
SunMSCAPI providerMSCAPI = new SunMSCAPI();
S
- NoSQL数据库之Redis数据库管理(set类型和zset类型)
bijian1013
redis数据库NoSQL
4.sets类型
Set是集合,它是string类型的无序集合。set是通过hash table实现的,添加、删除和查找的复杂度都是O(1)。对集合我们可以取并集、交集、差集。通过这些操作我们可以实现sns中的好友推荐和blog的tag功能。
sadd:向名称为key的set中添加元
- 异常捕获何时用Exception,何时用Throwable
bingyingao
用Exception的情况
try {
//可能发生空指针、数组溢出等异常
} catch (Exception e) {
 
- 【Kafka四】Kakfa伪分布式安装
bit1129
kafka
在http://bit1129.iteye.com/blog/2174791一文中,实现了单Kafka服务器的安装,在Kafka中,每个Kafka服务器称为一个broker。本文简单介绍下,在单机环境下Kafka的伪分布式安装和测试验证 1. 安装步骤
Kafka伪分布式安装的思路跟Zookeeper的伪分布式安装思路完全一样,不过比Zookeeper稍微简单些(不
- Project Euler
bookjovi
haskell
Project Euler是个数学问题求解网站,网站设计的很有意思,有很多problem,在未提交正确答案前不能查看problem的overview,也不能查看关于problem的discussion thread,只能看到现在problem已经被多少人解决了,人数越多往往代表问题越容易。
看看problem 1吧:
Add all the natural num
- Java-Collections Framework学习与总结-ArrayDeque
BrokenDreams
Collections
表、栈和队列是三种基本的数据结构,前面总结的ArrayList和LinkedList可以作为任意一种数据结构来使用,当然由于实现方式的不同,操作的效率也会不同。
这篇要看一下java.util.ArrayDeque。从命名上看
- 读《研磨设计模式》-代码笔记-装饰模式-Decorator
bylijinnan
java设计模式
声明: 本文只为方便我个人查阅和理解,详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/
import java.io.BufferedOutputStream;
import java.io.DataOutputStream;
import java.io.FileOutputStream;
import java.io.Fi
- Maven学习(一)
chenyu19891124
Maven私服
学习一门技术和工具总得花费一段时间,5月底6月初自己学习了一些工具,maven+Hudson+nexus的搭建,对于maven以前只是听说,顺便再自己的电脑上搭建了一个maven环境,但是完全不了解maven这一强大的构建工具,还有ant也是一个构建工具,但ant就没有maven那么的简单方便,其实简单点说maven是一个运用命令行就能完成构建,测试,打包,发布一系列功
- [原创]JWFD工作流引擎设计----节点匹配搜索算法(用于初步解决条件异步汇聚问题) 补充
comsci
算法工作PHP搜索引擎嵌入式
本文主要介绍在JWFD工作流引擎设计中遇到的一个实际问题的解决方案,请参考我的博文"带条件选择的并行汇聚路由问题"中图例A2描述的情况(http://comsci.iteye.com/blog/339756),我现在把我对图例A2的一个解决方案公布出来,请大家多指点
节点匹配搜索算法(用于解决标准对称流程图条件汇聚点运行控制参数的算法)
需要解决的问题:已知分支
- Linux中用shell获取昨天、明天或多天前的日期
daizj
linuxshell上几年昨天获取上几个月
在Linux中可以通过date命令获取昨天、明天、上个月、下个月、上一年和下一年
# 获取昨天
date -d 'yesterday' # 或 date -d 'last day'
# 获取明天
date -d 'tomorrow' # 或 date -d 'next day'
# 获取上个月
date -d 'last month'
#
- 我所理解的云计算
dongwei_6688
云计算
在刚开始接触到一个概念时,人们往往都会去探寻这个概念的含义,以达到对其有一个感性的认知,在Wikipedia上关于“云计算”是这么定义的,它说:
Cloud computing is a phrase used to describe a variety of computing co
- YII CMenu配置
dcj3sjt126com
yii
Adding id and class names to CMenu
We use the id and htmlOptions to accomplish this. Watch.
//in your view
$this->widget('zii.widgets.CMenu', array(
'id'=>'myMenu',
'items'=>$this-&g
- 设计模式之静态代理与动态代理
come_for_dream
设计模式
静态代理与动态代理
代理模式是java开发中用到的相对比较多的设计模式,其中的思想就是主业务和相关业务分离。所谓的代理设计就是指由一个代理主题来操作真实主题,真实主题执行具体的业务操作,而代理主题负责其他相关业务的处理。比如我们在进行删除操作的时候需要检验一下用户是否登陆,我们可以删除看成主业务,而把检验用户是否登陆看成其相关业务
- 【转】理解Javascript 系列
gcc2ge
JavaScript
理解Javascript_13_执行模型详解
摘要: 在《理解Javascript_12_执行模型浅析》一文中,我们初步的了解了执行上下文与作用域的概念,那么这一篇将深入分析执行上下文的构建过程,了解执行上下文、函数对象、作用域三者之间的关系。函数执行环境简单的代码:当调用say方法时,第一步是创建其执行环境,在创建执行环境的过程中,会按照定义的先后顺序完成一系列操作:1.首先会创建一个
- Subsets II
hcx2013
set
Given a collection of integers that might contain duplicates, nums, return all possible subsets.
Note:
Elements in a subset must be in non-descending order.
The solution set must not conta
- Spring4.1新特性——Spring缓存框架增强
jinnianshilongnian
spring4
目录
Spring4.1新特性——综述
Spring4.1新特性——Spring核心部分及其他
Spring4.1新特性——Spring缓存框架增强
Spring4.1新特性——异步调用和事件机制的异常处理
Spring4.1新特性——数据库集成测试脚本初始化
Spring4.1新特性——Spring MVC增强
Spring4.1新特性——页面自动化测试框架Spring MVC T
- shell嵌套expect执行命令
liyonghui160com
一直都想把expect的操作写到bash脚本里,这样就不用我再写两个脚本来执行了,搞了一下午终于有点小成就,给大家看看吧.
系统:centos 5.x
1.先安装expect
yum -y install expect
2.脚本内容:
cat auto_svn.sh
#!/bin/bash
- Linux实用命令整理
pda158
linux
0. 基本命令 linux 基本命令整理
1. 压缩 解压 tar -zcvf a.tar.gz a #把a压缩成a.tar.gz tar -zxvf a.tar.gz #把a.tar.gz解压成a
2. vim小结 2.1 vim替换 :m,ns/word_1/word_2/gc  
- 独立开发人员通向成功的29个小贴士
shoothao
独立开发
概述:本文收集了关于独立开发人员通向成功需要注意的一些东西,对于具体的每个贴士的注解有兴趣的朋友可以查看下面标注的原文地址。
明白你从事独立开发的原因和目的。
保持坚持制定计划的好习惯。
万事开头难,第一份订单是关键。
培养多元化业务技能。
提供卓越的服务和品质。
谨小慎微。
营销是必备技能。
学会组织,有条理的工作才是最有效率的。
“独立
- JAVA中堆栈和内存分配原理
uule
java
1、栈、堆
1.寄存器:最快的存储区, 由编译器根据需求进行分配,我们在程序中无法控制.2. 栈:存放基本类型的变量数据和对象的引用,但对象本身不存放在栈中,而是存放在堆(new 出来的对象)或者常量池中(字符串常量对象存放在常量池中。)3. 堆:存放所有new出来的对象。4. 静态域:存放静态成员(static定义的)5. 常量池:存放字符串常量和基本类型常量(public static f