- 数据挖掘技术介绍
柒柒钏
数据挖掘数据挖掘人工智能
数据挖掘技术介绍分类聚类关联规则挖掘预测异常检测特征选择与降维文本挖掘序列模式挖掘深度学习集成学习数据挖掘(DataMining)是一种从大量数据中提取有用信息和模式的技术,旨在从数据中发现隐藏的规律、趋势或关系,从而为决策提供支持。分类定义:是一种监督学习方法,用于将数据分为不同的类别。功能:根据已标记的训练数据,学习一个模型,用于预测新数据的类别。方法:决策树、支持向量机、神经网络、逻辑回归、
- 人工智能概念
zhangpeng455547940
计算机人工智能
机器学习、深度学习、大模型机器学习提供框架,使得系统可以从数据中学习算法:线性回归、逻辑回归、支持向量机、决策树、随机森林、K近邻算法深度学习是实现这一目标的工具,模仿人脑,使用多层神经网络进行学习算法:多层感知器、卷积神经网络、循环神经网络、长短期记忆网络大模型指参数量巨大的深度学习模型人工智能应用:自然语言处理、图像识别与生成、语音识别、政务与企业服务...
- XGBoost算法深度解析:从原理到实践
彩旗工作室
人工智能算法机器学习人工智能
一、算法起源与核心思想XGBoost(eXtremeGradientBoosting)由陈天奇于2014年提出,是梯度提升决策树(GBDT)的优化版本。其核心思想通过迭代集成弱学习器(CART树)逐步修正预测误差,并引入正则化机制控制模型复杂度,防止过拟合。与GBDT相比,XGBoost在目标函数中融合了损失函数(衡量预测误差)和正则化项(约束树结构与叶子权重),形成结构风险最小化框架,从而提升泛
- 松鼠豆豆的坚果侦探社:一棵会长大的「吃货决策树」
安意诚Matrix
机器学习故事汇决策树算法机器学习
松鼠豆豆的坚果侦探社:一棵会长大的「吃货决策树」秋日森林的烦恼秋分那天,小松鼠豆豆的树洞炸开了锅。"这是什么怪东西呀!“豆豆叼着一颗月牙形的坚果,爪子在满地的盲盒壳里扒拉——红肚皮的橡果、带刺的板栗、圆溜溜的山核桃,还有三颗长得一模一样的"迷你橄榄球”。昨天她刚因为咬到苦杏仁酸得跳脚,现在看着堆成小山的坚果,尾巴都愁成了毛球。"要想不踩雷,得学会给坚果分类!"妈妈松鼠啃着松果笑,"就像你小时候认蘑
- 数据挖掘导论Pangaea-Ning Tan 读书笔记——(第一,二,三章)
小黄人的黄
数据挖掘数据挖掘
《数据挖掘导论》Pang-NingTan,MichaelSteinbach,VipinKumar读书笔记,第一章绪论数据挖掘任务预测任务描述任务分类任务回归任务聚类分析关联分析异常检测章节导读数据挖掘数据处理第2章第3章分类第4章决策树过拟合性能评估等第5章
- weka 决策树
marui1982
机器学习
1.参数说明:Generaloptions:-hor-helpOutputhelpinformation.-synopsisor-infoOutputsynopsisforclassifier(useinconjunctionwith-h)-t(trainfile,训练文件,通常训练时只需要此文件即可,会进行10交叉验证)Setstrainingfile.-T(测试文件,如果设置,则不进行交叉验证
- 梯度提升决策树(GBDT)
binggorun
决策树算法机器学习
GBDT(GradientBoostingDecisionTree),全名叫梯度提升决策树,是一种迭代的决策树算法,又叫MART(MultipleAdditiveRegressionTree),它通过构造一组弱的学习器(树),并把多颗决策树的结果累加起来作为最终的预测输出。该算法将决策树与集成思想进行了有效的结合。原理GBDT的核心思想是将多个弱学习器(通常是决策树)组合成一个强大的预测模型。具体
- 决策树的核心思想
code 旭
AI人工智能学习决策树算法机器学习
一、决策树的核心思想本质:通过特征判断对数据集递归划分,形成树形结构。目标:生成一组“若-则”规则,使数据划分到叶子节点时尽可能纯净。关键流程:特征选择:选择最佳分裂特征(如信息增益最大)。节点分裂:根据特征取值划分子节点。停止条件:节点样本纯度过高或样本数过少时终止。二、数学公式与理论1.信息熵(InformationEntropy)衡量数据集的混乱程度:H(D)=−∑k=1Kpklog2pk
- 机器学习(Machine Learning)
七指琴魔御清绝
大数据学习
原文链接:http://blog.csdn.net/zhoubl668/article/details/42921187希望转载的朋友,你可以不用联系我.但是一定要保留原文链接,因为这个项目还在继续也在不定期更新.希望看到文章的朋友能够学到更多.《BriefHistoryofMachineLearning》介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机、神经网络、决策树、SVM、Ada
- XGBClassifiler函数介绍
浊酒南街
#算法机器学习XGB
目录前言函数介绍示例前言XGBClassifier是XGBoost库中用于分类任务的类。XGBoost是一种高效且灵活的梯度提升决策树(GBDT)实现,它在多种机器学习竞赛中表现出色,尤其擅长处理表格数据。函数介绍XGBClassifiler(max_depth=3,learning_rate=0.1,n_estimators=100,objective='binary:logistic',boo
- 决策树(Decision Tree):机器学习中的经典算法
Jason_Orton
机器学习算法决策树随机森林人工智能
1.什么是决策树?决策树(DecisionTree)是一种基于树形结构的机器学习算法,适用于分类和回归任务。其核心思想是通过一系列的规则判断,将数据集不断划分,最终形成一棵树状结构,从而实现预测目标。在决策树中,每个内部节点表示一个特征,每个分支代表一个特征的取值,每个叶子节点对应一个类别或预测值。决策树的目标是构建一棵能够有效区分不同类别的树,并在测试数据上保持较好的泛化能力。2.决策树的工作原
- 【人工智能】随机森林的智慧:集成学习的理论与实践
蒙娜丽宁
人工智能人工智能随机森林集成学习
随机森林(RandomForest)是一种强大的集成学习算法,通过构建多棵决策树并结合投票或平均预测提升模型性能。本文深入探讨了随机森林的理论基础,包括决策树的构建、Bagging方法和特征随机选择机制,并通过LaTeX公式推导其偏差-方差分解和误差分析。接着,我们详细描述了随机森林的算法流程,分析其在分类和回归任务中的适用性。文章还通过实验对比随机森林与单一决策树及其他算法(如SVM)的性能,探
- 机器学习篇——决策树基础
巷955
机器学习算法决策树
引言:决策树是一种常见的机器学习算法,广泛应用于分类和回归任务。它通过树状结构表示决策过程,每个内部节点代表一个特征测试,每个分支代表一个可能的测试结果,而每个叶节点则代表一个类别或回归值。本文将详细介绍决策树的原理、构建过程、优缺点以及实际应用。1.决策树的基本概念1.1什么是决策树?决策树是一种监督学习算法,主要用于分类和回归任务。它通过递归地将数据集划分为更小的子集,最终生成一棵树状结构。决
- R语言 决策树、svm支持向量机、随机森林
别叫我名字20
R语言决策树支持向量机r语言
本人正在学习R语言,想利用这个平台记录自己一些自己的学习情况,方便以后查找,也想分享出来提供一些资料给同样学习R语言的同学们。(如果内容有错误,欢迎大家批评指正)1.决策树我们使用的还是RStudio自带的数据集iris。#######################决策树模型install.packages("rpart")#安装库library("rpart")dt<-function(dat
- 转换器与预估器,KNN算法,朴素贝叶斯算法,决策树,随机森林的特点,优缺点
qq_43625764
笔记KNN算法随机森林朴素贝叶斯算法机器学习算法决策树
转换器与预估器,KNN算法,朴素贝叶斯算法,决策树,随机森林的特点,优缺点1转换器与预估器实例化转换器fit_transform转换实例化预估器fit将训练集的特征值和目标值传进来fit运行完后,已经把这个模型训练出来了2KNN算法根据你的邻居来推测你的类别,如何确定谁是你的邻居(用距离公式,最常用的是欧式距离)还有曼哈顿距离–求绝对值,明可夫斯基距离(欧式距离和曼哈顿距离的一个退p=1曼哈顿距离
- 决策树、朴素贝叶斯、随机森林、支持向量机、XGBoost 和 LightGBM算法的R语言实现
生信与基因组学
生信分析项目进阶技能合集算法机器学习r语言
基本逻辑(1)使用rnorm函数生成5个特征变量x1到x5,并根据这些特征变量的线性组合生成一个二分类的响应变量y;(2)将生成的数据存储在数据框中,处理缺失值,并将响应变量转换为因子类型;(3)使用决策树、朴素贝叶斯、随机森林、支持向量机、XGBoost和LightGBM六种机器学习模型算法对数据进行训练和评估;(4)将各个模型的准确率和AUC值存储在结果数据框中,并通过柱状图展示结果。1.R包
- 第0节 机器学习与深度学习介绍
汉堡go
李哥深度学习专栏人工智能机器学习神经网络
人工智能:能够感知、推理、行动和适应的程序机器学习:能够随着数据量的增加而不断改进性能的算法(数学上的可解释性但准确率不是百分百,灵活度不高)深度学习:机器学习的一个子集:利用多层神经网络从大量数据中进行学习(设计一个很深的网络架构让机器自己学)(深度学习就是找一个函数f)机器学习算法简介(狭义)一般是基于数学,或者统计学的方法,具有很强的可解释性经典传统机器学习算法:KNN、决策树、朴素贝叶斯一
- 【机器学习】决策树 ( Decision Tree )
AI天才研究院
ChatGPTDeepSeekR1&大数据AI人工智能大模型深度学习实战机器学习决策树算法支持向量机人工智能
【机器学习】决策树(DecisionTree)文章目录【机器学习】决策树(DecisionTree)1.ID3(1)信息增益(2)ID3的算法流程(3)实现ID32.C4.53.CART(1)决策桩DecisionStump(2)回归CART:最小二乘回归树leastsquaresregressiontree⚪回归CART的例子(3)分类CART(4)处理缺失值Handlemissingfeatu
- 机器学习-随机森林解析
Mr终游
机器学习机器学习随机森林人工智能
目录一、.随机森林的思想二、随机森林构建步骤1.自助采样2.特征随机选择3构建决策树4.集成预测三.随机森林的关键优势**(1)减少过拟合****(2)高效并行化****(3)特征重要性评估****(4)耐抗噪声**四.随机森林的优缺点优点缺点五.参数调优(以scikit-learn为例)波士顿房价预测一、.随机森林的思想1.通过组成多个弱学习器(决策树)形成一个学习器2.多样性增强:每颗决策树通
- 机器学习|决策树|Gini指数和熵的区别|简单示例
漂亮_大男孩
机器学习决策树人工智能
如是我闻:在决策树模型中,Gini指数和熵(Entropy)是用来计算节点纯度的两种方法。它们都是评估分裂点的好坏,以选择最佳的属性来分裂。让我们先来了解一下这两种方法的定义,然后通过一个简单的例子来讨论它们之间的区别。Gini指数Gini指数是一个衡量数据分布不均匀程度的指标。在决策树中,它用于评估数据集的不纯度。Gini指数越低,数据的纯度越高。其计算公式为:Gini=1−∑i=1npi2Gi
- 决策树 vs 神经网络:何时使用?
HP-Succinum
机器学习决策树神经网络算法
目录1.决策树(DecisionTrees)1.1特点1.2优点1.3缺点1.4适用场景2.神经网络(NeuralNetworks)2.1特点2.2优点2.3缺点2.4适用场景3.何时选择哪种方法?4.结合使用的可能性5.总结在机器学习领域,决策树(DecisionTrees)和神经网络(NeuralNetworks)是两种常见但风格截然不同的算法。它们各自适用于不同类型的问题,本文将介绍它们的特
- AdaBoost算法
Mr终游
机器学习算法决策树
目录一、核心原理:二、算法步骤三、关键优势:四.局限与解决五、代码示例(鸢尾花数据集)AdaBoost(AdaptiveBoosting)是一种经典的集成学习算法,通过组合多个弱分类器(如决策树)来构建强分类器。其核心思想是通过迭代优化残差(错误)和动态调整样本权重,逐步提升模型性能。以下是对AdaBoost的简明总结和关键要点:一、核心原理:提升法:通过顺序训练多个弱分类器,每轮专注修正前一个模
- 神经网络VS决策树
Persistence is gold
神经网络决策树人工智能
神经网络(NeuralNetworks)和决策树(DecisionTrees)是两种不同的机器学习算法,各自具有独特的优点和适用场景。以下是它们的详细比较:神经网络优点:强大的学习能力:神经网络,尤其是深度神经网络,能够自动学习数据中的复杂特征,可以处理高维和非线性的问题。适用性广泛:神经网络适用于分类、回归、图像处理、语音识别、自然语言处理等多种任务。多层结构:通过增加隐藏层,神经网络可以逐层提
- 深度神经网络——决策树的实现与剪枝
知来者逆
人工智能dnn决策树人工智能神经网络深度学习机器学习
概述决策树是一种有用的机器学习算法,用于回归和分类任务。“决策树”这个名字来源于这样一个事实:算法不断地将数据集划分为越来越小的部分,直到数据被划分为单个实例,然后对实例进行分类。如果您要可视化算法的结果,类别的划分方式将类似于一棵树和许多叶子。这是决策树的快速定义,但让我们深入了解决策树的工作原理。更好地了解决策树的运作方式及其用例,将帮助您了解何时在机器学习项目中使用它们。决策树的结构决策树的
- 深入浅出地理解-随机森林与XGBoost模型
HP-Succinum
机器学习随机森林集成学习机器学习
目录一、决策树的不足与集成学习的优势1.1决策树的缺点1.2集成学习:通过集成多个模型提升稳定性二、随机森林:通过多棵决策树减少方差2.1随机森林的基本原理2.2随机森林的优势2.3随机森林的参数调整三、XGBoost:高效且强大的Boosting方法3.1Boosting的基本原理3.2XGBoost的优化3.3XGBoost的优点四、随机森林与XGBoost的对比五、总结在机器学习的实战中,决
- 机器学习之学习笔记
孤城laugh
机器学习学习笔记人工智能python
机器学习-学习笔记1.简介2.算法3.特征工程3.1数据集3.2特征提取3.3特征预处理3.4特征降维4.分类算法4.1`sklearn`转换器和估计器4.2K-近邻算法(KNN)4.3模型选择与调优4.4朴素贝叶斯算法4.5决策树4.6集成学习方法之随机森林5.回归算法5.1线性回归5.2过拟合与欠拟合5.3岭回归5.4逻辑回归(实际上是分类算法,用于解决二分类问题)6.聚类算法1.无监督学习2
- React组件化深度解析(二):从受控组件到生命周期现代化
咔咔库奇
reactjavascript前端开发语言
目录一、组件设计哲学:控制与自由的博弈1.受控组件vs非受控组件:灵魂三问核心差异对比表选型决策树二、复合组件模式:隐式状态共享的艺术1.CompoundComponents设计模式实现原理四部曲2.手写可配置的Accordion组件三、生命周期现代化:从类组件到Hooks的迁移指南1.类组件生命周期图谱(React18版)React18关键变更2.useEffect与生命周期的映射关系精准对应关
- 通俗易懂的分类算法之决策树详解
clownAdam
分类决策树数据挖掘算法
通俗易懂的分类算法之决策树详解1.什么是决策树?决策树是一种像树一样的结构,用来帮助我们对数据进行分类或预测。它的每个节点代表一个问题或判断条件,每个分支代表一个可能的答案,最后的叶子节点就是最终的分类结果。举个例子:假设你要判断一个水果是苹果还是香蕉,你可以问一些问题:它是红色的吗?如果是→可能是苹果。如果不是→继续问下一个问题。它是长条形的吗?如果是→可能是香蕉。如果不是→可能是其他水果。这个
- 机器学习_PySpark-3.0.3随机森林回归(RandomForestRegressor)实例
Mostcow
数据分析Python机器学习随机森林回归大数据
机器学习_PySpark-3.0.3随机森林回归(RandomForestRegressor)实例随机森林回归(RandomForestRegression):任务类型:随机森林回归主要用于回归任务。在回归任务中,算法试图预测一个连续的数值输出,而不是一个离散的类别。输出:随机森林回归的输出是一个连续的数值,表示输入数据的预测结果。算法原理:随机森林回归同样基于决策树,但在回归任务中,每个决策树的
- 机器学习_Scikit-Learn随机森林回归(RandomForestRegressor)实例
Mostcow
Python数据分析机器学习scikit-learn随机森林回归算法
机器学习_Scikit-Learn随机森林回归(RandomForestRegressor)实例随机森林回归(RandomForestRegression):随机森林是一种集成学习方法,它通过构建多个决策树来进行预测。它对于处理大量特征、非线性关系和避免过拟合都有一定的优势。在Python中,你可以使用Scikit-learn库中的RandomForestRegressor来实现。随机森林回归作为
- jquery实现的jsonp掉java后台
知了ing
javajsonpjquery
什么是JSONP?
先说说JSONP是怎么产生的:
其实网上关于JSONP的讲解有很多,但却千篇一律,而且云里雾里,对于很多刚接触的人来讲理解起来有些困难,小可不才,试着用自己的方式来阐释一下这个问题,看看是否有帮助。
1、一个众所周知的问题,Ajax直接请求普通文件存在跨域无权限访问的问题,甭管你是静态页面、动态网页、web服务、WCF,只要是跨域请求,一律不准;
2、
- Struts2学习笔记
caoyong
struts2
SSH : Spring + Struts2 + Hibernate
三层架构(表示层,业务逻辑层,数据访问层) MVC模式 (Model View Controller)
分层原则:单向依赖,接口耦合
1、Struts2 = Struts + Webwork
2、搭建struts2开发环境
a>、到www.apac
- SpringMVC学习之后台往前台传值方法
满城风雨近重阳
springMVC
springMVC控制器往前台传值的方法有以下几种:
1.ModelAndView
通过往ModelAndView中存放viewName:目标地址和attribute参数来实现传参:
ModelAndView mv=new ModelAndView();
mv.setViewName="success
- WebService存在的必要性?
一炮送你回车库
webservice
做Java的经常在选择Webservice框架上徘徊很久,Axis Xfire Axis2 CXF ,他们只有一个功能,发布HTTP服务然后用XML做数据传输。
是的,他们就做了两个功能,发布一个http服务让客户端或者浏览器连接,接收xml参数并发送xml结果。
当在不同的平台间传输数据时,就需要一个都能解析的数据格式。
但是为什么要使用xml呢?不能使json或者其他通用数据
- js年份下拉框
3213213333332132
java web ee
<div id="divValue">test...</div>测试
//年份
<select id="year"></select>
<script type="text/javascript">
window.onload =
- 简单链式调用的实现技术
归来朝歌
方法调用链式反应编程思想
在编程中,我们可以经常遇到这样一种场景:一个实例不断调用它自身的方法,像一条链条一样进行调用
这样的调用你可能在Ajax中,在页面中添加标签:
$("<p>").append($("<span>").text(list[i].name)).appendTo("#result");
也可能在HQ
- JAVA调用.net 发布的webservice 接口
darkranger
webservice
/**
* @Title: callInvoke
* @Description: TODO(调用接口公共方法)
* @param @param url 地址
* @param @param method 方法
* @param @param pama 参数
* @param @return
* @param @throws BusinessException
- Javascript模糊查找 | 第一章 循环不能不重视。
aijuans
Way
最近受我的朋友委托用js+HTML做一个像手册一样的程序,里面要有可展开的大纲,模糊查找等功能。我这个人说实在的懒,本来是不愿意的,但想起了父亲以前教我要给朋友搞好关系,再加上这也可以巩固自己的js技术,于是就开始开发这个程序,没想到却出了点小问题,我做的查找只能绝对查找。具体的js代码如下:
function search(){
var arr=new Array("my
- 狼和羊,该怎么抉择
atongyeye
工作
狼和羊,该怎么抉择
在做一个链家的小项目,只有我和另外一个同事两个人负责,各负责一部分接口,我的接口写完,并全部测联调试通过。所以工作就剩下一下细枝末节的,工作就轻松很多。每天会帮另一个同事测试一些功能点,协助他完成一些业务型不强的工作。
今天早上到公司没多久,领导就在QQ上给我发信息,让我多协助同事测试,让我积极主动些,有点责任心等等,我听了这话,心里面立马凉半截,首先一个领导轻易说
- 读取android系统的联系人拨号
百合不是茶
androidsqlite数据库内容提供者系统服务的使用
联系人的姓名和号码是保存在不同的表中,不要一下子把号码查询来,我开始就是把姓名和电话同时查询出来的,导致系统非常的慢
关键代码:
1, 使用javabean操作存储读取到的数据
package com.example.bean;
/**
*
* @author Admini
- ORACLE自定义异常
bijian1013
数据库自定义异常
实例:
CREATE OR REPLACE PROCEDURE test_Exception
(
ParameterA IN varchar2,
ParameterB IN varchar2,
ErrorCode OUT varchar2 --返回值,错误编码
)
AS
/*以下是一些变量的定义*/
V1 NUMBER;
V2 nvarc
- 查看端号使用情况
征客丶
windows
一、查看端口
在windows命令行窗口下执行:
>netstat -aon|findstr "8080"
显示结果:
TCP 127.0.0.1:80 0.0.0.0:0 &
- 【Spark二十】运行Spark Streaming的NetworkWordCount实例
bit1129
wordcount
Spark Streaming简介
NetworkWordCount代码
/*
* Licensed to the Apache Software Foundation (ASF) under one or more
* contributor license agreements. See the NOTICE file distributed with
- Struts2 与 SpringMVC的比较
BlueSkator
struts2spring mvc
1. 机制:spring mvc的入口是servlet,而struts2是filter,这样就导致了二者的机制不同。 2. 性能:spring会稍微比struts快。spring mvc是基于方法的设计,而sturts是基于类,每次发一次请求都会实例一个action,每个action都会被注入属性,而spring基于方法,粒度更细,但要小心把握像在servlet控制数据一样。spring
- Hibernate在更新时,是可以不用session的update方法的(转帖)
BreakingBad
Hibernateupdate
地址:http://blog.csdn.net/plpblue/article/details/9304459
public void synDevNameWithItil()
{Session session = null;Transaction tr = null;try{session = HibernateUtil.getSession();tr = session.beginTran
- 读《研磨设计模式》-代码笔记-观察者模式
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.util.ArrayList;
import java.util.List;
import java.util.Observable;
import java.util.Observer;
/**
* “观
- 重置MySQL密码
chenhbc
mysql重置密码忘记密码
如果你也像我这么健忘,把MySQL的密码搞忘记了,经过下面几个步骤就可以重置了(以Windows为例,Linux/Unix类似):
1、关闭MySQL服务
2、打开CMD,进入MySQL安装目录的bin目录下,以跳过权限检查的方式启动MySQL
mysqld --skip-grant-tables
3、新开一个CMD窗口,进入MySQL
mysql -uroot
 
- 再谈系统论,控制论和信息论
comsci
设计模式生物能源企业应用领域模型
再谈系统论,控制论和信息论
偶然看
- oracle moving window size与 AWR retention period关系
daizj
oracle
转自: http://tomszrp.itpub.net/post/11835/494147
晚上在做11gR1的一个awrrpt报告时,顺便想调整一下AWR snapshot的保留时间,结果遇到了ORA-13541这样的错误.下面是这个问题的发生和解决过程.
SQL> select * from v$version;
BANNER
-------------------
- Python版B树
dieslrae
python
话说以前的树都用java写的,最近发现python有点生疏了,于是用python写了个B树实现,B树在索引领域用得还是蛮多了,如果没记错mysql的默认索引好像就是B树...
首先是数据实体对象,很简单,只存放key,value
class Entity(object):
'''数据实体'''
def __init__(self,key,value)
- C语言冒泡排序
dcj3sjt126com
算法
代码示例:
# include <stdio.h>
//冒泡排序
void sort(int * a, int len)
{
int i, j, t;
for (i=0; i<len-1; i++)
{
for (j=0; j<len-1-i; j++)
{
if (a[j] > a[j+1]) // >表示升序
- 自定义导航栏样式
dcj3sjt126com
自定义
-(void)setupAppAppearance
{
[[UILabel appearance] setFont:[UIFont fontWithName:@"FZLTHK—GBK1-0" size:20]];
[UIButton appearance].titleLabel.font =[UIFont fontWithName:@"FZLTH
- 11.性能优化-优化-JVM参数总结
frank1234
jvm参数性能优化
1.堆
-Xms --初始堆大小
-Xmx --最大堆大小
-Xmn --新生代大小
-Xss --线程栈大小
-XX:PermSize --永久代初始大小
-XX:MaxPermSize --永久代最大值
-XX:SurvivorRatio --新生代和suvivor比例,默认为8
-XX:TargetSurvivorRatio --survivor可使用
- nginx日志分割 for linux
HarborChung
nginxlinux脚本
nginx日志分割 for linux 默认情况下,nginx是不分割访问日志的,久而久之,网站的日志文件将会越来越大,占用空间不说,如果有问题要查看网站的日志的话,庞大的文件也将很难打开,于是便有了下面的脚本 使用方法,先将以下脚本保存为 cutlog.sh,放在/root 目录下,然后给予此脚本执行的权限
复制代码代码如下:
chmo
- Spring4新特性——泛型限定式依赖注入
jinnianshilongnian
springspring4泛型式依赖注入
Spring4新特性——泛型限定式依赖注入
Spring4新特性——核心容器的其他改进
Spring4新特性——Web开发的增强
Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC
Spring4新特性——Groovy Bean定义DSL
Spring4新特性——更好的Java泛型操作API
Spring4新
- centOS安装GCC和G++
liuxihope
centosgcc
Centos支持yum安装,安装软件一般格式为yum install .......,注意安装时要先成为root用户。
按照这个思路,我想安装过程如下:
安装gcc:yum install gcc
安装g++: yum install g++
实际操作过程发现,只能有gcc安装成功,而g++安装失败,提示g++ command not found。上网查了一下,正确安装应该
- 第13章 Ajax进阶(上)
onestopweb
Ajax
index.html
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/
- How to determine BusinessObjects service pack and fix pack
blueoxygen
BO
http://bukhantsov.org/2011/08/how-to-determine-businessobjects-service-pack-and-fix-pack/
The table below is helpful. Reference
BOE XI 3.x
12.0.0.
y BOE XI 3.0 12.0.
x.
y BO
- Oracle里的自增字段设置
tomcat_oracle
oracle
大家都知道吧,这很坑,尤其是用惯了mysql里的自增字段设置,结果oracle里面没有的。oh,no 我用的是12c版本的,它有一个新特性,可以这样设置自增序列,在创建表是,把id设置为自增序列
create table t
(
id number generated by default as identity (start with 1 increment b
- Spring Security(01)——初体验
yang_winnie
springSecurity
Spring Security(01)——初体验
博客分类: spring Security
Spring Security入门安全认证
首先我们为Spring Security专门建立一个Spring的配置文件,该文件就专门用来作为Spring Security的配置