黑桃一
黑桃一

朴素贝叶斯分类(Naive Bayes classifier)

基本概念

  • 先验概率（prior probability）是指根据以往经验和分析得到的概率，如全概率公式，它往往作为"由因求果"问题中的"因"出现的概率·
  • 后验概率是指在得到“结果”的信息后重新修正的概率，是“执果寻因”问题中的“因” 。
  • 条件概率
  • 全概率公式
  • 贝叶斯定理(贝叶斯公式)

教程

  • http://www.cnblogs.com/luonet/p/4028990.html
  • 算法杂货铺http://kb.cnblogs.com/page/76194/

朴素贝叶斯分类器的应用

http://www.ruanyifeng.com/blog/2013/12/naive_bayes_classifier.html

  • 病人分类
  • 账号分类
  • 性别分类

维基百科

https://en.wikipedia.org/wiki/Naive_Bayes_classifier

你可能感兴趣的:(朴素贝叶斯分类(Naive Bayes classifier))

  • vue3 naive ui+java下载文件 weixin_42485982 javavue
    java后端代码importorg.springframework.http.HttpHeaders;importorg.springframework.http.MediaType;importorg.springframework.http.ResponseEntity;importorg.springframework.web.bind.annotation.GetMapping;impor
  • 机器学习:朴素贝叶斯 小源学AI 人工智能机器学习人工智能朴素贝叶斯
    概率1.1定义概率表示随机事件发生可能性大小的一个数值,随机事件指在相同条件下,可能出现也可能不出现的事件。例如:抛硬币:当我们抛硬币时,可以正面朝上也可以反面朝上,正面或反面朝上的可能性被称为概率。理想状态下正反概率都是0.5。掷骰子:掷一个六面的骰子,每个点出现的概率是1/6,因为每个面出现的机会是均等的。抽取商品:一批商品包含良品和次品,随机抽取一件,抽取良品或次品是一个随机事件,经过大量实
  • 朴素贝叶斯模型在文本分类中的应用 Ash Butterfield nlp分类数据挖掘人工智能
    朴素贝叶斯（NaiveBayes）是一种基于贝叶斯定理的概率分类算法，广泛应用于文本分类任务中。它的核心思想是根据训练数据中不同类别的条件概率，预测新文本属于哪个类别。尽管其假设条件较为简单（假设特征之间相互独立），但朴素贝叶斯在许多实际应用中仍表现出色，特别是在处理文本分类任务时。本文将介绍朴素贝叶斯模型的基本原理、在文本分类中的应用以及其优缺点，并通过示例说明其具体实现。1.朴素贝叶斯模型的基
  • 最小生成树（prim算法） DanmF-- 算法c++
    1.朴素prim算法（重在理解prim算法思想）#includeusingnamespacestd;usingll=longlong;constintN=300+9;constllinf=4e18;lla[N][N],d[N],n,m;bitsetintree;voidsolve(){cin>>n>>m;memset(a,0x3f,sizeofa);memset(d,0x3f,sizeofd);f
  • 蓝桥杯真题 - 更小的数 - 题解 ExRoc 蓝桥杯c++算法
    题目链接：https://www.lanqiao.cn/problems/3503/learning/个人评价：难度2星（满星：5）前置知识：区间dp整体思路反转区间[l,r][l,r][l,r]内的数字，范围外所有数字仍然与原数相等，所以只要[l,r][l,r][l,r]范围内的数字反转后比原来小，整个数字就比原来的数字小；朴素的比较方法是：O(n2)O(n^2)O(n2)枚举所有区间，对于被反
  • 洛谷[P4779]单源最短路径（标准版） Shadow_of_the_sun c++
    前言SPFASPFA算法由于它上限O(NM)=O(VE)O(NM)=O(VE)的时间复杂度,被卡掉的几率很大.在算法竞赛中,我们需要一个更稳定的算法:dijkstradijkstra.什么是dijkstradijkstra?dijkstradijkstra是一种单源最短路径算法,时间复杂度上限为O(n^2)O(n2)(朴素),在实际应用中较为稳定;;加上堆优化之后更是具有O((n+m)\log_{
  • Naive UI去掉n-select下拉框边框，去掉n-input输入框边框 大得369 uijavascript开发语言
    1、第一种通过js去掉222233import{ref,onMounted}from'vue';//初始化好后执行onMounted(()=>{//获取元素集合,去掉n-select下拉框的边框constmyDivs=document.getElementsByClassName('n-base-selection');//检查是否有匹配的元素if(myDivs.length>0){for(let
  • 机器学习算法 —— 朴素贝叶斯 ZShiJ 机器学习算法机器学习算法分类贝叶斯
    欢迎来到我的博客——探索技术的无限可能！博客的简介（文章目录）目录朴素贝叶斯朴素贝叶斯的介绍朴素贝叶斯的优点朴素贝叶斯的缺点朴素贝叶斯的应用实战（贝叶斯分类）莺尾花数据库函数导入数据导入和分析模型训练模型预测原理简析模拟离散数据集朴素贝叶斯朴素贝叶斯的介绍朴素贝叶斯法=贝叶斯定理+特征条件独立。朴素贝叶斯（NaiveBayes）是基于贝叶斯定理的概率分类算法。该算法假设特征之间相互独立，即某个特征
  • 【机器学习理论】朴素贝叶斯网络 SUNX-T 机器学习机器学习概率论人工智能
    基础知识：先验概率：对某个事件发生的概率的估计。可以是基于历史数据的估计，可以由专家知识得出等等。一般是单独事件概率。后验概率：指某件事已经发生，计算事情发生是由某个因素引起的概率。一般是一个条件概率。条件概率：条件事件发生后，另一个事件发生的概率。一般的形式为P(B∣A)P(B|A)P(B∣A)，表示AAA发生的条件下BBB发生的概率。P(B∣A)=P(AB)P(A)P(B|A)=\frac{P
  • 机器学习day8 ኈ ቼ ዽ 机器学习numpypython
    自定义数据集，使用朴素贝叶斯对其进行分类代码importnumpyasnpimportmatplotlib.pyplotaspltclass1_points=np.array([[2.1,2.2],[2.4,2.5],[2.2,2.0],[2.0,2.1],[2.3,2.3],[2.6,2.4],[2.5,2.1]])class2_points=np.array([[4.0,3.5],[4.2,3
  • 自定义数据集 ，使用朴素贝叶斯对其进行分类 sirius12345123 分类numpypython
    importnumpyasnpimportmatplotlib.pyplotaspltclass1_points=np.array([[1.9,1.2],[1.5,2.1],[1.9,0.5],[1.5,0.9],[0.9,1.2],[1.1,1.7],[1.4,1.1]])class2_points=np.array([[3.2,3.2],[3.7,2.9],[3.2,2.6],[1.7,3.3
  • 自定义数据集 ，使用朴素贝叶斯对其进行分类 知识鱼丸 machinelearning机器学习
    数据集定义：-data列表包含了文本样本及其对应的情感标签。每个元素是一个元组，第一个元素是文本，第二个元素是标签。特征提取：-使用CountVectorizer将文本转换为词频向量。fit_transform方法在训练数据上拟合向量器并进行转换。模型训练：-初始化MultinomialNB模型，这是适用于离散数据（如词频）的朴素贝叶斯分类器。-使用fit方法在提取的特征和标签上训练模型。预测：-
  • 自定义数据集 ，使用朴素贝叶斯对其进行分类 〖是♂我〗 pythonnumpy开发语言
    代码：#导入必要的库importnumpyasnpimportmatplotlib.pyplotasplt#定义类1的数据点，每个数据点是二维的坐标class1_points=np.array([[1.9,1.2],[1.5,2.1],[1.9,0.5],[1.5,0.9],[0.9,1.2],[1.1,1.7],[1.4,1.1]])#定义类2的数据点，每个数据点是二维的坐标class2_poi
  • 自定义数据集 ，使用朴素贝叶斯对其进行分类 Z211613347 python
    importnumpyasnpimportmatplotlib.pyplotasplt#1.散点输入class1_points=np.array([[1.9,1.2],[1.5,2.1],[1.9,0.5],[1.5,0.9],[0.9,1.2],[1.1,1.7],[1.4,1.1]])class2_points=np.array([[3.2,3.2],[3.7,2.9],[3.2,2.6],[
  • 基于DQ轴谐波提取器的PMSM谐波抑制算法仿真研究：主动注入谐波电压与SVPWM调制策略的效果分析 BIdOeVNkOZSO 算法单片机嵌入式硬件
    PMSM谐波抑制算法基于DQ轴谐波提取器的永磁同步电机仿真1.通过谐波提取器，直接提取DQ轴的谐波分量进行抑制，对五七次谐波电流抑制效果效果很好。2.为了放大效果，采用主动注入谐波电压的方法，增大了电机中的谐波分量。3.调制算法采用SVPWM，电流环处搭建了解耦补偿模块，控制效果更好。YID:799786174661444甜水井朴素的梭子蟹永磁同步电机仿真：PMSM谐波抑制算法的探索与实现在电力电
  • 模式识别与机器学习（Python实现）：基于sklearn朴素贝叶斯模型实现男女分类 CV视界 模式识别机器学习与图像处理机器学习python人工智能
    模式识别与机器学习（Python实现）：基于sklearn朴素贝叶斯模型和pazen窗方法实现男女分类欢迎大家来到安静到无声的《模式识别与人工智能（程序与算法）》，如果对所写内容感兴趣请看模式识别与人工智能（程序与算法）系列讲解-总目录，同时这也可以作为大家学习的参考。欢迎订阅，优惠价只需9.9元，请多多支持！目录标题模式识别与机器学习（Python实现）：基于sklearn朴素贝叶斯模型和paz
  • 使用朴素贝叶斯对自定义数据集进行分类 Luzem0319 人工智能机器学习
    准备自定义数据集首先，需要一个自定义数据集来进行分类。创建一个简单的二维数据集，其中每个样本有两个特征，并且属于两个类别之一。importnumpyasnpimportpandasaspd#创建自定义数据集np.random.seed(42)num_samples=100#生成特征数据X=np.random.rand(num_samples,2)#生成标签数据（0或1）y=np.where(X[:
  • 图论——最短路 IGP9 算法图论
    图片来自Acwing平台本文主要内容：朴素Dijkstra算法堆优化Dijkstra算法Bellman-Ford算法SPFA算法Floyd算法1朴素Dijkstra算法主要功能：求没有负权边的图的单源最短路时间复杂度：o(n2)基本思路：假设存在一个集合s，集合中的所有节点的最短路距离已经被求解，并且存入到了dist[]中每次挑选集合外dist值最小的节点t加入集合s，用该点更新其他所以节点循环n
  • 使用支持向量机和朴素贝叶斯对文本分类 SSeaflower 支持向量机分类算法机器学习python
    一、支持向量机文本分类1.1支持向量机分类器(SVC)支持向量机分类器（SupportVectorClassifier），缩写为SVC。SVC是sklearn.svm模块的一部分，提供了对支持向量机（SVM）算法的实现。SVM是一种监督学习模型，用于分类和回归任务。SVC是SVM用于分类的实现。1.2SVC的用法及参数通过以下方式创建SVC对象并进行训练：fromsklearn.svmimport
  • Scikit-learn提供了哪些机器学习算法以及如何使用Scikit-learn进行模型训练和评估 Java资深爱好者 机器学习scikit-learn算法
    Scikit-learn库的使用一、Scikit-learn提供的机器学习算法Scikit-learn（通常简称为sklearn）是一个广泛使用的Python机器学习库，它提供了多种用于数据挖掘和数据分析的算法。Scikit-learn支持的机器学习算法可以大致分为以下几类：分类算法：支持向量机（SVM）随机森林（RandomForest）逻辑回归（LogisticRegression）朴素贝叶斯
  • 细说机器学习算法之ROC曲线用于模型评估 Melancholy 啊 机器学习算法人工智能数据挖掘python
    系列文章目录第一章：Pyhton机器学习算法之KNN第二章：Pyhton机器学习算法之K—Means第三章：Pyhton机器学习算法之随机森林第四章：Pyhton机器学习算法之线性回归第五章：Pyhton机器学习算法之有监督学习与无监督学习第六章：Pyhton机器学习算法之朴素贝叶斯第七章：Pyhton机器学习算法之XGBoost第八章：Pyhton机器学习算法之GBDT第九章：Pyhton机器学
  • GraphRAG、Naive RAG框架总结主流框架推荐(共23个)：LightRAG、nano-GraphRAG、Fast-GraphRAG、Dify、RAGflow等 汀、人工智能 LLM工业级落地实践LLM技术汇总人工智能RAG检索系统搜索推荐检索增强生成GraphRAGDify
    设想你正致力于构建一个智能问答系统，该系统旨在从庞大的知识库中迅速而精确地提取关键信息，并据此生成自然流畅的回答。然而，随着数据规模的不断扩大，系统面临着严峻的挑战：检索效率逐渐下滑，生成内容的质量亦趋于下降。这正是当前众多检索增强型生成（RAG）系统亟需解决的核心问题——如何在数据冗余、检索效率低下以及生成内容不相关之间找到一个最佳的平衡点。RAG的发展瓶颈:传统RAG系统通过检索模型提取最相关
  • 是否参加26年冬奥会？30岁羽生结弦：没有重返赛场打算 2301_82086730 弦滑节目
    曾经19次打破世界纪录、两获冬奥会冠军的花滑王子羽生结弦近日度过了他的30岁生日。1月25日，新华社发布羽生结弦的专访文章，其透露今后并没有重返赛场的打算。羽生结弦。图源：@奥林匹克运动会见到羽生结弦是在他家乡仙台市区西北部一处拍摄基地。离开了冰面上变幻的光和影，脱去了华丽的“考斯滕”，坐在记者对面的这位连续两届冬奥会花样滑冰男单冠军就像邻家男孩一样朴素随和。羽生结弦在不久前度过了他的30岁生日，
  • 【数据结构】 并查集 + 路径压缩与按秩合并 python 查理零世 数据结构python算法
    目录前言模板朴素实现路径压缩按秩合并按树高为秩按节点数为秩总结前言并查集的基本实现通常使用森林来表示不同的集合，每个集合用一棵树表示，树的每个节点有一个指向其父节点的指针。如果一个节点是它自己的父节点，那么它就是该集合的代表（称为根节点）。模板P3367【模板】并查集https://www.luogu.com.cn/problem/P3367题目描述如题，现在有一个并查集，你需要完成合并和查询操作
  • naive节点搭建 nuoyan1989 节点linux运维服务器
    naive服务端配置编译安装caddy+naive：aptinstallgolang-gogoinstallgithub.com/caddyserver/xcaddy/cmd/xcaddy@latest~/go/bin/xcaddybuild--withgithub.com/caddyserver/forwardproxy@caddy2=github.com/klzgrad/forwardprox
  • linux naive代理设置 CrxzYia 服务器
    naivelinux客户端Releasev132.0.6834.79-2·klzgrad/naiveproxy·GitHubClientsetupRun./naivewiththefollowingconfig.jsontogetaSOCKS5proxyatlocalport1080.{"listen":"socks://127.0.0.1:1080","proxy":"https://user:
  • Classifier Guidance 与 Classifier-Free Guidance Adenialzz stablediffusion
    ClassifierGuidance与Classifier-FreeGuidanceDDPM终于把diffusion模型做work了，但无条件的生成在现实中应用场景不多，我们终归还是要可控的图像生成。本文简要介绍两篇关于diffusion模型可控生成的工作。其中Classifier-FreeGuidance的方法还是现在多数条件生成diffusion模型的主流思路。ClassifierGuidan
  • Diffusion中guidance_scale 的理解 不当菜鸡的程序媛 Diffusion人工智能stablediffusion
    guidance_scale是一个控制生成图像引导程度的参数。它的含义和使用与论文Imagen:PhotorealisticText-to-ImageDiffusionModelswithComposableConditions中的公式(2)的引导权重类似。1.Classifier-FreeGuidance的背景Classifier-FreeGuidance是一种在扩散模型中提高生成样本质量的方法
  • 算法基础 -- 快速幂算法详解 sz66cm 算法数据结构
    快速幂算法详解快速幂（FastPower或ExponentiationbySquaring）是一种能够在O(log⁡n)O(\logn)O(logn)时间复杂度内高效计算幂次（如ana^nan）的算法。相比于朴素的逐次相乘（需要O(n)O(n)O(n)次乘法），快速幂极大地减少了运算次数，尤其当指数nnn较大时更显优势。以下从原理、实现思路及具体示例三个方面详细讲解。一、快速幂的基本原理计算ana
  • 情感分析常见算法与模型及实现步骤 计算机软件程序设计 知识科普算法情感分析机器学习
    【1】常见算法与模型情感分析（SentimentAnalysis）是一种自然语言处理（NLP）技术，用于识别和提取文本中的主观信息，如情绪、态度和意见。常见的算法和模型包括以下几种：传统机器学习方法朴素贝叶斯（NaiveBayes）基于贝叶斯定理，假设特征之间相互独立。计算简单，适用于大规模数据集。常用于文本分类任务。支持向量机（SVM）通过寻找最优超平面来划分不同的类别。在高维空间中表现良好，适
  • 继之前的线程循环加到窗口中运行 3213213333332132 javathreadJFrameJPanel
    之前写了有关java线程的循环执行和结束，因为想制作成exe文件，想把执行的效果加到窗口上，所以就结合了JFrame和JPanel写了这个程序，这里直接贴出代码，在窗口上运行的效果下面有附图。 package thread; import java.awt.Graphics; import java.text.SimpleDateFormat; import java.util
  • linux 常用命令 BlueSkator linux命令
    1.grep 相信这个命令可以说是大家最常用的命令之一了。尤其是查询生产环境的日志，这个命令绝对是必不可少的。 但之前总是习惯于使用 （grep -n 关键字 文件名 ）查出关键字以及该关键字所在的行数，然后再用 （sed -n  '100,200p' 文件名），去查出该关键字之后的日志内容。 但其实还有更简便的办法，就是用（grep  -B n、-A n、-C n 关键
  • php heredoc原文档和nowdoc语法 dcj3sjt126com PHPheredocnowdoc
    <!doctype html> <html lang="en"> <head> <meta charset="utf-8"> <title>Current To-Do List</title> </head> <body> <?
  • overflow的属性 周华华 JavaScript
    <!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/1999/xhtml&q
  • 《我所了解的Java》——总体目录 g21121 java
            准备用一年左右时间写一个系列的文章《我所了解的Java》，目录及内容会不断完善及调整。         在编写相关内容时难免出现笔误、代码无法执行、名词理解错误等，请大家及时指出，我会第一时间更正。    &n
  • [简单]docx4j常用方法小结 53873039oycg docx
            本代码基于docx4j-3.2.0，在office word 2007上测试通过。代码如下:         import java.io.File; import java.io.FileInputStream; import ja
  • Spring配置学习 云端月影 spring配置
    首先来看一个标准的Spring配置文件 applicationContext.xml <?xml version="1.0" encoding="UTF-8"?> <beans xmlns="http://www.springframework.org/schema/beans" xmlns:xsi=&q
  • Java新手入门的30个基本概念三 aijuans java新手java 入门
    17.Java中的每一个类都是从Object类扩展而来的。　　18.object类中的equal和toString方法。　　equal用于测试一个对象是否同另一个对象相等。　　toString返回一个代表该对象的字符串,几乎每一个类都会重载该方法,以便返回当前状态的正确表示.(toString 方法是一个很重要的方法)　　 19.通用编程:任何类类型的所有值都可以同object类性的变量来代替。　
  • 《2008 IBM Rational 软件开发高峰论坛会议》小记 antonyup_2006 软件测试敏捷开发项目管理IBM活动
    我一直想写些总结,用于交流和备忘,然都没提笔,今以一篇参加活动的感受小记开个头,呵呵! 其实参加《2008 IBM Rational 软件开发高峰论坛会议》是9月4号,那天刚好调休.但接着项目颇为忙,所以今天在中秋佳节的假期里整理了下. 参加这次活动是一个朋友给的一个邀请书,才知道有这样的一个活动,虽然现在项目暂时没用到IBM的解决方案,但觉的参与这样一个活动可以拓宽下视野和相关知识.
  • PL/SQL的过程编程,异常,声明变量,PL/SQL块 百合不是茶 PL/SQL的过程编程异常PL/SQL块声明变量
    PL/SQL;    过程; 符号; 变量; PL/SQL块; 输出; 异常;     PL/SQL 是过程语言(Procedural Language)与结构化查询语言(SQL)结合而成的编程语言PL/SQL 是对 SQL 的扩展,sql的执行时每次都要写操作
  • Mockito(三)--完整功能介绍 bijian1013 持续集成mockito单元测试
            mockito官网：http://code.google.com/p/mockito/，打开documentation可以看到官方最新的文档资料。 一.使用mockito验证行为 //首先要import Mockito import static org.mockito.Mockito.*; //mo
  • 精通Oracle10编程SQL(8)使用复合数据类型 bijian1013 oracle数据库plsql
    /* *使用复合数据类型 */ --PL/SQL记录 --定义PL/SQL记录 --自定义PL/SQL记录 DECLARE TYPE emp_record_type IS RECORD( name emp.ename%TYPE, salary emp.sal%TYPE, dno emp.deptno%TYPE ); emp_
  • 【Linux常用命令一】grep命令 bit1129 Linux常用命令
    grep命令格式   grep [option] pattern [file-list]     grep命令用于在指定的文件(一个或者多个,file-list)中查找包含模式串(pattern)的行,[option]用于控制grep命令的查找方式。   pattern可以是普通字符串，也可以是正则表达式，当查找的字符串包含正则表达式字符或者特
  • mybatis3入门学习笔记 白糖_ sqlibatisqqjdbc配置管理
    MyBatis 的前身就是iBatis，是一个数据持久层(ORM)框架。  MyBatis 是支持普通 SQL 查询，存储过程和高级映射的优秀持久层框架。MyBatis对JDBC进行了一次很浅的封装。   以前也学过iBatis，因为MyBatis是iBatis的升级版本，最初以为改动应该不大，实际结果是MyBatis对配置文件进行了一些大的改动，使整个框架更加方便人性化。
  • Linux 命令神器：lsof 入门 ronin47 lsof
           lsof是系统管理/安全的尤伯工具。我大多数时候用它来从系统获得与网络连接相关的信息，但那只是这个强大而又鲜为人知的应用的第一步。将这个工具称之为lsof真实名副其实，因为它是指“列出打开文件（lists openfiles）”。而有一点要切记，在Unix中一切（包括网络套接口）都是文件。 有趣的是，lsof也是有着最多
  • java实现两个大数相加，可能存在溢出。 bylijinnan java实现
    import java.math.BigInteger; import java.util.regex.Matcher; import java.util.regex.Pattern; public class BigIntegerAddition { /** * 题目：java实现两个大数相加，可能存在溢出。 * 如123456789 + 987654321
  • Kettle学习资料分享，附大神用Kettle的一套流程完成对整个数据库迁移方法 Kai_Ge Kettle
    Kettle学习资料分享   Kettle 3.2 使用说明书 目录 概述..........................................................................................................................................7 1.Kettle 资源库管
  • [货币与金融]钢之炼金术士 comsci 金融
           自古以来,都有一些人在从事炼金术的工作.........但是很少有成功的        那么随着人类在理论物理和工程物理上面取得的一些突破性进展......        炼金术这个古老
  • Toast原来也可以多样化 dai_lm androidtoast
    Style 1： 默认 Toast def = Toast.makeText(this, "default", Toast.LENGTH_SHORT); def.show(); Style 2： 顶部显示 Toast top = Toast.makeText(this, "top", Toast.LENGTH_SHORT); t
  • java数据计算的几种解决方法3 datamachine javahadoopibatisr-languer
    4、iBatis     简单敏捷因此强大的数据计算层。和Hibernate不同，它鼓励写SQL，所以学习成本最低。同时它用最小的代价实现了计算脚本和JAVA代码的解耦，只用20%的代价就实现了hibernate 80%的功能,没实现的20%是计算脚本和数据库的解耦。     复杂计算环境是它的弱项，比如：分布式计算、复杂计算、非数据
  • 向网页中插入透明Flash的方法和技巧 dcj3sjt126com htmlWebFlash
    将 Flash 作品插入网页的时候，我们有时候会需要将它设为透明，有时候我们需要在Flash的背面插入一些漂亮的图片，搭配出漂亮的效果……下面我们介绍一些将Flash插入网页中的一些透明的设置技巧。 　　一、Swf透明、无坐标控制　　首先教大家最简单的插入Flash的代码，透明，无坐标控制： 　　注意wmode="transparent"是控制Flash是否透明
  • ios UICollectionView的使用 dcj3sjt126com
    UICollectionView的使用有两种方法，一种是继承UICollectionViewController，这个Controller会自带一个UICollectionView；另外一种是作为一个视图放在普通的UIViewController里面。 个人更喜欢第二种。下面采用第二种方式简单介绍一下UICollectionView的使用。 1.UIViewController实现委托，代码如
  • Eos平台java公共逻辑 蕃薯耀 Eos平台java公共逻辑Eos平台java公共逻辑
     Eos平台java公共逻辑 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 2015年6月1日 17:20:4
  • SpringMVC4零配置--Web上下文配置【MvcConfig】 hanqunfeng springmvc4
    与SpringSecurity的配置类似，spring同样为我们提供了一个实现类WebMvcConfigurationSupport和一个注解@EnableWebMvc以帮助我们减少bean的声明。   applicationContext-MvcConfig.xml <!-- 启用注解，并定义组件查找规则 ，mvc层只负责扫描@Controller --> <
  • 解决ie和其他浏览器poi下载excel文件名乱码 jackyrong Excel
       使用poi,做传统的excel导出，然后想在浏览器中，让用户选择另存为，保存用户下载的xls文件，这个时候，可能的是在ie下出现乱码（ie,9,10,11),但在firefox,chrome下没乱码， 因此必须综合判断，编写一个工具类：      /** * * @Title: pro
  • 挥洒泪水的青春 lampcy 编程生活程序员
    2015年2月28日，我辞职了，离开了相处一年的触控，转过身--挥洒掉泪水，毅然来到了兄弟连，背负着许多的不解、质疑——”你一个零基础、脑子又不聪明的人，还敢跨行业，选择Unity3D？“，”真是不自量力••••••“，”真是初生牛犊不怕虎•••••“，••••••我只是淡淡一笑，拎着行李----坐上了通向挥洒泪水的青春之地——兄弟连！ 这就是我青春的分割线，不后悔，只会去用泪水浇灌——已经来到
  • 稳增长之中国股市两点意见-----严控做空，建立涨跌停版停牌重组机制 nannan408
       对于股市，我们国家的监管还是有点拼的，但始终拼不过飞流直下的恐慌，为什么呢？    笔者首先支持股市的监管。对于股市越管越荡的现象，笔者认为首先是做空力量超过了股市自身的升力，并且对于跌停停牌重组的快速反应还没建立好，上市公司对于股价下跌没有很好的利好支撑。    我们来看美国和香港是怎么应对股灾的。美国是靠禁止重要股票做空，在
  • 动态设置iframe高度(iframe高度自适应) Rainbow702 JavaScriptiframecontentDocument高度自适应局部刷新
    如果需要对画面中的部分区域作局部刷新，大家可能都会想到使用ajax。 但有些情况下，须使用在页面中嵌入一个iframe来作局部刷新。 对于使用iframe的情况，发现有一个问题，就是iframe中的页面的高度可能会很高，但是外面页面并不会被iframe内部页面给撑开，如下面的结构： <div id="content"> <div id=&quo
  • 用Rapael做图表 tntxia rap
    function drawReport(paper,attr,data){          var width = attr.width;     var height = attr.height;          var max = 0;   &nbs
  • HTML5 bootstrap2网页兼容（支持IE10以下） xiaoluode html5bootstrap
    <!DOCTYPE html> <html> <head lang="zh-CN"> <meta charset="UTF-8"> <meta http-equiv="X-UA-Compatible" content="IE=edge">
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他