subtitle_
subtitle_

数理统计笔记10：回归分析

引言

数理统计笔记的第10篇介绍了回归分析，从相关关系开始介绍，然后介绍回归分析，主要介绍了一元回归模型和多元回归模型，并对其中的原理和检验进行了叙述，最后简单介绍了一下可以化为线性回归模型的非线性回归模型。

  • 引言
  • 变量间的相关关系
    • 相关系数的计算
    • 相关系数的显著性检验
  • 回归分析
    • 1.一元回归模型原理
      • 最小二乘法
      • 回归模型
      • 判定系数 r 2 r^2 r2
      • 估计标准误差
      • 线性关系显著性检验
      • 回归系数的显著性检验
      • 回归方程估计和预测
        • 点估计
          • 平均值点估计
          • 个别值点估计
        • 区间估计
          • 平均值置信区间估计
          • 个别值预测区间估计
          • 影响区间宽度的因素
      • 残差分析
      • 例子
    • 2.多元线性回归
      • 最小二乘法
      • 多重判定系数 R 2 R^2 R2
      • 线性关系显著性检验
      • 回归系数显著性检验
      • 例子
    • 3.非线性回归
      • 可化为线性回归的非线性回归
        • 例子

变量间的相关关系

在这里插入图片描述
数理统计笔记10：回归分析_第1张图片
数理统计笔记10：回归分析_第2张图片
数理统计笔记10：回归分析_第3张图片

相关系数的计算

数理统计笔记10：回归分析_第4张图片
数理统计笔记10：回归分析_第5张图片
数理统计笔记10：回归分析_第6张图片
数理统计笔记10：回归分析_第7张图片

相关系数的显著性检验

数理统计笔记10：回归分析_第8张图片

回归分析

数理统计笔记10：回归分析_第9张图片
数理统计笔记10：回归分析_第10张图片
数理统计笔记10：回归分析_第11张图片
数理统计笔记10：回归分析_第12张图片

1.一元回归模型原理

数理统计笔记10：回归分析_第13张图片
数理统计笔记10：回归分析_第14张图片
数理统计笔记10：回归分析_第15张图片

数理统计笔记10：回归分析_第16张图片

最小二乘法

数理统计笔记10：回归分析_第17张图片
数理统计笔记10：回归分析_第18张图片
数理统计笔记10：回归分析_第19张图片

回归模型

数理统计笔记10：回归分析_第20张图片

数理统计笔记10：回归分析_第21张图片

数理统计笔记10：回归分析_第22张图片

数理统计笔记10：回归分析_第23张图片

判定系数 r 2 r^2 r2

判定系数反映回归直线的拟合程度。不能说明是否具有很好的线性关系，要看是否具有线性关系需要用到下面的显著性检验的方法。
数理统计笔记10：回归分析_第24张图片

估计标准误差

实际观察值在回归直线周围的分散程度。除以 n − 2 n-2 n−2是因为SSE的自由度是 n − 2 n-2 n−2。
数理统计笔记10：回归分析_第25张图片

线性关系显著性检验

检验的是线性关系是否显著。使用的是F检验量。
数理统计笔记10：回归分析_第26张图片
数理统计笔记10：回归分析_第27张图片

回归系数的显著性检验

检验的是是否具有线性关系。使用的是t检验量。
数理统计笔记10：回归分析_第28张图片
数理统计笔记10：回归分析_第29张图片

数理统计笔记10：回归分析_第30张图片

数理统计笔记10：回归分析_第31张图片

回归方程估计和预测

数理统计笔记10：回归分析_第32张图片

点估计

数理统计笔记10：回归分析_第33张图片

平均值点估计

数理统计笔记10：回归分析_第34张图片

个别值点估计

数理统计笔记10：回归分析_第35张图片

区间估计

数理统计笔记10：回归分析_第36张图片

平均值置信区间估计

数理统计笔记10：回归分析_第37张图片

个别值预测区间估计

数理统计笔记10：回归分析_第38张图片

影响区间宽度的因素

数理统计笔记10：回归分析_第39张图片
数理统计笔记10：回归分析_第40张图片

残差分析

数理统计笔记10：回归分析_第41张图片
数理统计笔记10：回归分析_第42张图片

数理统计笔记10：回归分析_第43张图片

数理统计笔记10：回归分析_第44张图片

例子

数理统计笔记10：回归分析_第45张图片

数理统计笔记10：回归分析_第46张图片

数理统计笔记10：回归分析_第47张图片
数理统计笔记10：回归分析_第48张图片

数理统计笔记10：回归分析_第49张图片

2.多元线性回归

数理统计笔记10：回归分析_第50张图片
数理统计笔记10：回归分析_第51张图片

数理统计笔记10：回归分析_第52张图片
数理统计笔记10：回归分析_第53张图片
数理统计笔记10：回归分析_第54张图片
数理统计笔记10：回归分析_第55张图片

最小二乘法

数理统计笔记10：回归分析_第56张图片

多重判定系数 R 2 R^2 R2

数理统计笔记10：回归分析_第57张图片
需要进行修正。
数理统计笔记10：回归分析_第58张图片

线性关系显著性检验

数理统计笔记10：回归分析_第59张图片
数理统计笔记10：回归分析_第60张图片

回归系数显著性检验

数理统计笔记10：回归分析_第61张图片
数理统计笔记10：回归分析_第62张图片

例子

数理统计笔记10：回归分析_第63张图片
数理统计笔记10：回归分析_第64张图片
数理统计笔记10：回归分析_第65张图片

3.非线性回归

可化为线性回归的非线性回归

数理统计笔记10：回归分析_第66张图片
数理统计笔记10：回归分析_第67张图片
数理统计笔记10：回归分析_第68张图片
数理统计笔记10：回归分析_第69张图片
数理统计笔记10：回归分析_第70张图片
数理统计笔记10：回归分析_第71张图片

例子

数理统计笔记10：回归分析_第72张图片
数理统计笔记10：回归分析_第73张图片
在这里插入图片描述

你可能感兴趣的:(#,概率论,回归,回归分析)

  • Yolo系列之Yolo的基本理解 是十一月末 YOLOpython开发语言yolo
    YOLO的基本理解目录YOLO的基本理解1YOLO1.1概念1.2算法2单、多阶段对比2.1FLOPs和FPS2.2one-stage单阶段2.3two-stage两阶段1YOLO1.1概念YOLO(YouOnlyLookOnce)是一种基于深度学习的目标检测算法，由JosephRedmon等人于2016年提出。它的核心思想是将目标检测问题转化为一个回归问题，通过一个神经网络直接预测目标的类别和位
  • 软件测试基础知识必备之浅谈单元测试 程序员阿沐 软件测试软件测试单元测试
    什么是单元测试？单元测试是指，对软件中的最小可测试单元在与程序其他部分相隔离的情况下进行检查和验证的工作，这里的最小可测试单元通常是指函数或者类。单元测试都是以自动化的方式执行，所以在大量回归测试的场景下更能带来高收益。单元测试代码里提供函数的使用示例，因为单元测试的具体表现形式就是对函数以各种不同输入参数组合进行调用。如何做好单元测试？1）代码的基本特征与产生错误的原因无论是开发语言还是脚本语言
  • 【IT大学生必会的】 10 种图表线性回归 .Boss. 深度学习开发语言人工智能机器学习算法
    这段时间，不少同学提到了一些图表的问题。每次在使用matplotlib画图，运用这些图表说明问题的时候，很多时候是模糊的，比如说什么时候画什么图合适？其实这个根据你自己的需求，自己的想法来就行。今天的话，我这里举例在线性回归中，最常用的一些图表，应该可以cover绝大多数情况了。其他算法模型适用的图表，咱们在后面再给大家进行总结~至于数据集，表现方式，大家可以根据我给出的代码继续调整即可！那么，在
  • 决策树算法及其python实例 m0_74831463 算法决策树python
    一、决策数的概念什么是决策树算法呢？决策树（DecisionTree）是一种基本的分类与回归方法，本文主要讨论分类决策树。决策树模型呈树形结构，在分类问题中，表示基于特征对数据进行分类的过程。它可以认为是if-then规则的集合。每个内部节点表示在属性上的一个测试，每个分支代表一个测试输出，每个叶节点代表一种类别二、决策树的构造1、决策树的构造步骤输入：训练集D={(21,11),(z2,32),
  • 自学黑客技术多长时间能达到挖漏洞的水平？ 慕烟疏雨 网络安全web安全安全网络运维
    抱着一个明确的目的去学习，学习效果能够事半功倍，给你点个赞。但值得注意的一个点是：任何未经授权的挖洞行为，都是违法的！！！任何未经授权的挖洞行为，都是违法的！！！任何未经授权的挖洞行为，都是违法的！！！这一点一定要切记！！！！！！！接下来回归主题，你想挖漏洞做副业这个想法是好的，但有时候理想很丰满，现实很骨干。从提问描述来看，你之前应该没有深入了解过网络安全，为了避免后面说的东西你理解不了，那我就
  • 机器学习课堂4线性回归模型+特征缩放 木尘152132 机器学习线性回归python
    一、实验2-2，线性回归模型，计算模型在训练数据集和测试数据集上的均方根误差代码：#2-2线性回归模型importpandasaspdimportnumpyasnpimportmatplotlib.pyplotasplt#参数设置iterations=3000#迭代次数learning_rate=0.0001#学习率m_train=3000#训练样本的数量flag_plot_lines=False
  • 统计领域英语专业词汇补充 月亮月亮要去太阳 算法其他
    应统考研复试：多元统计、回归分析、时间序列三大领域专业词汇翻译以下是多元统计、回归分析和时间序列三大统计领域的常见专业词汇的英汉互译，按类别整理：多元统计（MultivariateStatistics）英文术语中文术语MultivariateAnalysis多元分析PrincipalComponentAnalysis(PCA)主成分分析FactorAnalysis因子分析ClusterAnalys
  • 【无标题】 gs80140 AI人工智能
    KVCache在自回归生成中的作用及显存优化1.什么是KVCache？在大语言模型（LLM）进行自回归（autoregressive）文本生成时，每次生成新token，都需要基于过去的上下文重新计算self-attention机制中的Key（K）和值（V）。KVCache（键值缓存）是一种优化策略，它缓存先前计算的K/V张量，避免重复计算，从而提高生成速度并降低计算成本。2.KVCache在自回归
  • 【BERT和GPT的区别】 调皮的芋头 人工智能深度学习机器学习bertgpt
    BERT采用完形填空（MaskedLanguageModeling,MLM）与GPT采用自回归生成（AutoregressiveGeneration）的差异，本质源于两者对语言建模的不同哲学导向与技术目标的根本分歧。这种选择不仅塑造了模型的架构特性，更决定了其应用边界与能力上限。以下从语言建模本质、任务适配性、技术约束及后续影响四个维度深入剖析：一、语言建模的本质差异1.BERT的“全知视角”与全
  • 基于Python的智能决策支持系统：实现智能化决策的关键要素 AI天才研究院 DeepSeekR1&大数据AI人工智能大模型自然语言处理人工智能语言模型编程实践开发语言架构设计
    文章目录基于Python的智能决策支持系统：实现智能化决策的关键要素11.背景介绍2.核心概念与联系数据收集与预处理模型构建与训练决策规则生成与优化决策结果评估与反馈3.核心算法原理具体操作步骤数据挖掘算法机器学习算法优化算法4.数学模型和公式详细讲解举例说明线性回归模型最小二乘法5.项目实践：代码实例和详细解释说明6.实际应用场景金融领域医疗领域供应链管理智能制造7.工具和资源推荐编程语言和开发
  • 错误moduleNotFoundError: No module named 'matplotlib' 逆着tensor tensorflow2.0学习tensorflow
    错误ModuleNotFoundError:Nomodulenamed‘matplotlib’问题tensorflow2.0中jupyternotebook编写线性回归例子，出现ModuleNotFoundError:Nomodulenamed'matplotlib’错误解决办法好了，重新加载程序，已经可以用了。
  • 金融风控算法透明度与可解释性优化 智能计算研究中心 其他
    内容概要金融风控算法的透明化研究面临模型复杂性提升与监管合规要求的双重挑战。随着深度学习框架在特征提取环节的广泛应用，算法可解释性与预测精度之间的平衡成为核心议题。本文从联邦学习架构下的数据协作机制出发，结合特征工程优化与超参数调整技术，系统性分析逻辑回归、随机森林等传统算法在召回率、F1值等关键指标上的表现差异。研究同时探讨数据预处理流程对风控决策鲁棒性的影响，并提出基于注意力机制的特征权重可视
  • 人工智能之数学基础：数学对人工智能技术发展的作用 每天五分钟玩转人工智能 机器学习深度学习之数学基础人工智能深度学习机器学习神经网络自然语言处理数学
    本文重点数学是人工智能技术发展的基础，它提供了人工智能技术所需的数学理论和算法，包括概率论、统计学、线性代数、微积分、图论等等。本文将从以下几个方面探讨数学对人工智能技术发展的作用。概率论和统计学概率论和统计学是人工智能技术中最为重要的数学分支之一。概率论和统计学的应用范围非常广泛，包括机器学习、数据挖掘、自然语言处理、计算机视觉等领域。在人工智能技术中，概率论和统计学主要用于处理不确定性的问题，
  • 基于Puppeteer与Selenium的跨浏览器自动化测试全攻略——从环境搭建到实战优化，万字详解自动化测试落地 追寻向上 selenium测试工具
    自动化测试的价值与工具选型为什么需要自动化测试？效率提升：减少重复人工操作，回归测试耗时降低80%精准覆盖：支持高频次、多场景、多设备验证质量保障：避免人为疏忽导致的漏测问题Puppeteer与Selenium的互补性Puppeteer：专精Chrome生态，适用于高性能截图、动态渲染、复杂交互场景Selenium：支持多浏览器（Firefox/Safari/Edge），适合跨平台兼容性测试协同方
  • 打造城市二手房分析与可视化系统+聚类分析+58爬虫+线性回归 OverlordDuke 聚类算法数据可视化爬虫线性回归算法
    打造城市二手房分析与可视化系统+聚类分析+58爬虫+线性回归利用数据实现全面分析数据分析与可视化功能创新的聚类分析功能结语在如今房地产市场日益复杂的背景下，对于投资者、购房者和市场分析师来说，了解市场动态并做出明智的决策至关重要。基于此，我们开发了一款基于Python的城市二手房分析与可视化系统，为用户提供了强大的工具，帮助他们深入了解当地房地产市场。利用数据实现全面分析我们的系统利用爬取的58同
  • 基于传感器数据的城市空气质量预测与污染源分类 云端.代码农夫CloudFarmer 分类数据挖掘人工智能
    项目名称：基于传感器数据的城市空气质量预测与污染源分类创新点：结合时间序列预测（回归）与污染源分类（多标签分类），使用公开API获取实时数据。项目目标预测未来6小时的空气质量指数（AQI）。根据传感器数据判断可能的污染源类型（如工业排放、交通尾气、扬尘等）。数据集来源数据获取：通过开放API实时抓取（如OpenAQ、AirNow或国内公开的城市空气质量平台）。特征示例：PM2.5、PM10、SO2
  • 常见的数学统计模型 若木胡 数学模型
    以下是常见的数学统计模型分类及简要说明，适用于数据分析、预测和推断等场景：1.参数模型（ParametricModels）假设数据服从特定分布（如正态分布），通过估计参数来描述数据规律。1.1线性回归模型数学形式：(y=\beta_0+\beta_1x_1+\beta_2x_2+\cdots+\beta_px_p+\epsilon)应用：预测连续型目标变量（如房价预测）。特点：简单、可解释性强，假
  • 金融领域股票价格预测：线性回归原理、实现与应用 ZhShy23 python机器学习入门实战#机器学习#Python学习金融线性回归机器学习
    金融领域股票价格预测：线性回归原理、实现与应用一、线性回归原理线性回归是一种用于建立自变量和因变量之间线性关系的统计模型。在股票价格预测中，我们可以将一些可能影响股票价格的因素（如成交量、市场指数等）作为自变量，股票价格作为因变量，通过线性回归模型来建立它们之间的关系。线性回归的基本方程为：[y=\beta_0+\beta_1x_1+\beta_2x_2+\cdots+\beta_nx_n+\ep
  • KV 缓存简介 dev.null AI缓存
    以下是关于KV缓存（Key-ValueCache）的简介，涵盖其定义、原理、作用及优化意义：1.什么是KV缓存？KV缓存是Transformer架构（如GPT、LLaMA等大模型）在自回归生成任务（如文本生成）中，用于加速推理过程的核心技术。其本质是：在生成序列时，缓存历史token的Key和Value矩阵，避免重复计算，从而显著减少计算量。2.为什么需要KV缓存？传统自注意力计算的问题在生成第t
  • rstudio检验多重共线性代码 十三木 机器学习人工智能
    在Rstudio中，你可以使用vif()函数来检验多重共线性。例如，假设你已经建立了一个线性回归模型，并将它保存在一个变量model中。你可以使用如下代码来检验多重共线性：library(car)vif(model)这会返回每个自变量的方差膨胀因子(VIF)，如果VIF较大(通常超过5或10)，则可能存在多重共线性。你可以使用这些信息来确定是否需要删除某些自变量或使用其他方法来处理多重共线性。
  • 深度学习五大模型：CNN、Transformer、BERT、RNN、GAN详细解析 深度学习
    卷积神经网络（ConvolutionalNeuralNetwork,CNN）原理：CNN主要由卷积层、池化层和全连接层组成。卷积层通过卷积核在输入数据上进行卷积运算，提取局部特征；池化层则对特征图进行下采样，降低特征维度，同时保留主要特征；全连接层将特征图展开为一维向量，并进行分类或回归计算。CNN利用卷积操作实现局部连接和权重共享，能够自动学习数据中的空间特征。适用场景：广泛应用于图像处理相关的
  • 机器学习线性回归学习心得_线性回归为机器学习的初学者解释 weixin_26750481 机器学习python人工智能逻辑回归深度学习
    机器学习线性回归学习心得Datasciencewiththekindofpoweritgivesyoutoanalyzeeachandeverybitofdatayouhaveatyourdisposal,tomakesmart&intelligentbusinessdecisions,isbecomingamust-havetooltounderstandandimplementinyouror
  • 扫盲系列--Web3智能合约+Solidity简介 「已注销」 前端框架
    前言这几天web3智能合约这个概念，频繁映入我的眼帘。web3.0这个概念我听说过，核心特征是去中心化、开放性、隐私保护和数据所有权回归个人。Web1.0是信息浏览时代，Web2.0是用户参与和社交网络时代，Web3.0是去中心化与智能化时代。在Web3.0这一新的互联网架构下，用户不再仅仅是内容的消费者，更是自己数字身份和数据的拥有者。Web3.0旨在构建一个更加透明、安全且高效的信息网络。我对
  • 从零精通机器学习：线性回归入门 吴师兄大模型 0基础实现机器学习入门到精通机器学习线性回归人工智能python算法回归开发语言
    Langchain系列文章目录01-玩转LangChain：从模型调用到Prompt模板与输出解析的完整指南02-玩转LangChainMemory模块：四种记忆类型详解及应用场景全覆盖03-全面掌握LangChain：从核心链条构建到动态任务分配的实战指南04-玩转LangChain：从文档加载到高效问答系统构建的全程实战05-玩转LangChain：深度评估问答系统的三种高效方法（示例生成、手
  • 如果我想成为一名大数据和算法工程师，我需要学会哪些技能，获取大厂的offer 红豆和绿豆 杂谈大数据算法
    成为一名大数据和算法工程师并获取大厂Offer，需要掌握一系列核心技能，并具备丰富的项目经验与扎实的理论基础。以下是详细的技能要求和建议：---###**1.数学与理论基础**-**数学知识**：掌握线性代数、微积分、概率论和统计学，这些是设计和理解算法的基础。-**机器学习理论**：深入理解常见机器学习算法（如线性回归、逻辑回归、决策树、随机森林、SVM、K-means等），了解其原理、优缺点及
  • core-v-verif系列之cva6 cva6.py (5) CDerL core-v-verif
    cva6.pycva6.py文件是一个用于CORE-VCVA6项目的RISC-V随机指令生成器的回归测试脚本。它负责设置、编译和运行RISC-V指令集模拟器（ISS）和RTL模拟器的测试。以下是主要功能及其作用：SeedGen类：生成测试迭代的伪随机种子。get_generator_cmd：根据提供的模拟器和配置文件设置编译和模拟指令生成器的命令。parse_iss_yaml：解析ISS的YAML
  • 【机器学习-基础知识】统计和贝叶斯推断 人类发明了工具 ML&DL学习分享机器学习概率论人工智能
    1.概率论基本概念回顾1.概率分布定义：概率分布（ProbabilityDistribution）指的是随机变量所有可能取值及其对应概率的集合。它描述了一个随机变量可能取的所有值以及每个值被取到的概率。对于离散型随机变量，使用概率质量函数来描述。对于连续型随机变量，使用概率密度函数来描述。举例说明：投掷一颗六面骰子，每个面上的数字（1到6）都有相同的概率（1/6）出现，这就是一个简单的概率分布例子
  • 人工智能技术篇*卷(三) code_stream #人工智能人工智能
    接下来，我们在神经网络方面继续展开神经网络多层感知机（MLP）解决问题：多层感知机是一种基本的前馈神经网络，可用于解决分类和回归问题。它通过多个神经元层的非线性变换，能够学习复杂的非线性关系，对数据进行分类或预测连续值。例如，在手写数字识别中，它可以从数字图像的像素数据中学习到特征模式，从而判断该数字是0-9中的哪一个；在房价预测中，根据房屋的面积、房间数量等特征预测房价。案例：以手写数字识别为例
  • 【sklearn 05】sklearn功能模块 @金色海岸 sklearn人工智能python
    sklearn功能模块分类：识别某个对象属于那个类别回归：预测与对象相关联的连续值属性聚类：将相似对象自动分组降维：减少要考虑的随机变量的数量模型选择：比较、验证、选择参数和模型预处理：特征提取和归一化
  • 【sklearn 03】逻辑回归、决策树、支持向量机 @金色海岸 sklearn逻辑回归决策树
    逻辑回归、决策树、支持向量机-逻辑回归logisticsregression（逻辑回归）算法是经典的分类算法，基本思想是构造一个概率的拟合函数。决策树决策树的基本思想是根据样例去推断其背后的树形知识表征支持向量机支持向量机SVM(supportvectormachine)的基本思想是寻找最大的间隔的分割超平面。离分割超平面最近的这些样本点称为支持向量机
  • 二分查找排序算法 周凡杨 java二分查找排序算法折半
    一：概念 二分查找又称 折半查找（ 折半搜索/ 二分搜索），优点是比较次数少，查找速度快，平均性能好；其缺点是要求待查表为有序表，且插入删除困难。因此，折半查找方法适用于不经常变动而 查找频繁的有序列表。首先，假设表中元素是按升序排列，将表中间位置记录的关键字与查找关键字比较，如果两者相等，则查找成功；否则利用中间位置记录将表 分成前、后两个子表，如果中间位置记录的关键字大于查找关键字，则进一步
  • java中的BigDecimal bijian1013 javaBigDecimal
            在项目开发过程中出现精度丢失问题，查资料用BigDecimal解决，并发现如下这篇BigDecimal的解决问题的思路和方法很值得学习，特转载。         原文地址：http://blog.csdn.net/ugg/article/de
  • Shell echo命令详解 daizj echoshell
    Shell echo命令 Shell 的 echo 指令与 PHP 的 echo 指令类似，都是用于字符串的输出。命令格式： echo string 您可以使用echo实现更复杂的输出格式控制。 1.显示普通字符串: echo "It is a test" 这里的双引号完全可以省略，以下命令与上面实例效果一致： echo Itis a test 2.显示转义
  • Oracle DBA 简单操作 周凡杨 oracle dba sql
    --执行次数多的SQL select sql_text,executions from (      select sql_text,executions from v$sqlarea order by executions desc      ) where rownum<81;  &nb
  • 画图重绘 朱辉辉33 游戏
      我第一次接触重绘是编写五子棋小游戏的时候，因为游戏里的棋盘是用线绘制的，而这些东西并不在系统自带的重绘里，所以在移动窗体时，棋盘并不会重绘出来。所以我们要重写系统的重绘方法。   在重写系统重绘方法时，我们要注意一定要调用父类的重绘方法，即加上super.paint(g)，因为如果不调用父类的重绘方式，重写后会把父类的重绘覆盖掉，而父类的重绘方法是绘制画布，这样就导致我们
  • 线程之初体验 西蜀石兰 线程
    一直觉得多线程是学Java的一个分水岭，懂多线程才算入门。 之前看《编程思想》的多线程章节，看的云里雾里，知道线程类有哪几个方法，却依旧不知道线程到底是什么？书上都写线程是进程的模块，共享线程的资源，可是这跟多线程编程有毛线的关系，呜呜。。。 线程其实也是用户自定义的任务，不要过多的强调线程的属性，而忽略了线程最基本的属性。 你可以在线程类的run()方法中定义自己的任务，就跟正常的Ja
  • linux集群互相免登陆配置 林鹤霄 linux
    配置ssh免登陆 1、生成秘钥和公钥    ssh-keygen -t rsa 2、提示让你输入，什么都不输，三次回车之后会在~下面的.ssh文件夹中多出两个文件id_rsa 和 id_rsa.pub    其中id_rsa为秘钥，id_rsa.pub为公钥，使用公钥加密的数据只有私钥才能对这些数据解密    c
  • mysql : Lock wait timeout exceeded; try restarting transaction aigo mysql
    原文：http://www.cnblogs.com/freeliver54/archive/2010/09/30/1839042.html   原因是你使用的InnoDB   表类型的时候, 默认参数:innodb_lock_wait_timeout设置锁等待的时间是50s, 因为有的锁等待超过了这个时间,所以抱错.   你可以把这个时间加长,或者优化存储
  • Socket编程 基本的聊天实现。 alleni123 socket
    public class Server { //用来存储所有连接上来的客户 private List<ServerThread> clients; public static void main(String[] args) { Server s = new Server(); s.startServer(9988); } publi
  • 多线程监听器事件模式(一个简单的例子) 百合不是茶 线程监听模式
        多线程的事件监听器模式   监听器时间模式经常与多线程使用,在多线程中如何知道我的线程正在执行那什么内容,可以通过时间监听器模式得到        创建多线程的事件监听器模式 思路:    1, 创建线程并启动,在创建线程的位置设置一个标记     2,创建队
  • spring InitializingBean接口 bijian1013 javaspring
    spring的事务的TransactionTemplate，其源码如下： public class TransactionTemplate extends DefaultTransactionDefinition implements TransactionOperations, InitializingBean{ ... } TransactionTemplate继承了DefaultT
  • Oracle中询表的权限被授予给了哪些用户 bijian1013 oracle数据库权限
            Oracle查询表将权限赋给了哪些用户的SQL，以备查用。 select t.table_name as "表名", t.grantee as "被授权的属组", t.owner as "对象所在的属组"
  • 【Struts2五】Struts2 参数传值 bit1129 struts2
    Struts2中参数传值的3种情况 1.请求参数绑定到Action的实例字段上 2.Action将值传递到转发的视图上 3.Action将值传递到重定向的视图上   一、请求参数绑定到Action的实例字段上以及Action将值传递到转发的视图上 Struts可以自动将请求URL中的请求参数或者表单提交的参数绑定到Action定义的实例字段上，绑定的规则使用ognl表达式语言
  • 【Kafka十四】关于auto.offset.reset[Q/A] bit1129 kafka
    I got serveral questions about  auto.offset.reset. This configuration parameter governs how  consumer read the message from  Kafka when  there is no initial offset in ZooKeeper or
  • nginx gzip压缩配置 ronin47 nginx gzip 压缩范例
    nginx gzip压缩配置 更多 0 nginx gzip 配置   随着nginx的发展，越来越多的网站使用nginx，因此nginx的优化变得越来越重要，今天我们来看看nginx的gzip压缩到底是怎么压缩的呢？ gzip(GNU-ZIP)是一种压缩技术。经过gzip压缩后页面大小可以变为原来的30%甚至更小，这样，用
  • java-13.输入一个单向链表，输出该链表中倒数第 k 个节点 bylijinnan java
    two cursors. Make the first cursor go K steps first. /* * 第 13 题：题目：输入一个单向链表，输出该链表中倒数第 k 个节点 */ public void displayKthItemsBackWard(ListNode head,int k){ ListNode p1=head,p2=head;
  • Spring源码学习-JdbcTemplate queryForObject bylijinnan javaspring
    JdbcTemplate中有两个可能会混淆的queryForObject方法： 1. Object queryForObject(String sql, Object[] args, Class requiredType) 2. Object queryForObject(String sql, Object[] args, RowMapper rowMapper) 第1个方法是只查
  • [冰川时代]在冰川时代,我们需要什么样的技术? comsci 技术
         看美国那边的气候情况....我有个感觉...是不是要进入小冰期了?      那么在小冰期里面...我们的户外活动肯定会出现很多问题...在室内呆着的情况会非常多...怎么在室内呆着而不发闷...怎么用最低的电力保证室内的温度.....这都需要技术手段...   &nb
  • js 获取浏览器型号 cuityang js浏览器
    根据浏览器获取iphone和apk的下载地址 <!DOCTYPE html> <html> <head>     <meta charset="utf-8" content="text/html"/>     <meta name=
  • C# socks5详解 转 dalan_123 socketC#
    http://www.cnblogs.com/zhujiechang/archive/2008/10/21/1316308.html  这里主要讲的是用.NET实现基于Socket5下面的代理协议进行客户端的通讯，Socket4的实现是类似的，注意的事，这里不是讲用C#实现一个代理服务器，因为实现一个代理服务器需要实现很多协议，头大，而且现在市面上有很多现成的代理服务器用，性能又好，
  • 运维 Centos问题汇总 dcj3sjt126com 云主机
    一、sh 脚本不执行的原因 sh脚本不执行的原因 只有2个 1.权限不够 2.sh脚本里路径没写完整。   二、解决You have new mail in /var/spool/mail/root 修改/usr/share/logwatch/default.conf/logwatch.conf配置文件 MailTo = MailFrom   三、查询连接数
  • Yii防注入攻击笔记 dcj3sjt126com sqlWEB安全yii
    网站表单有注入漏洞须对所有用户输入的内容进行个过滤和检查，可以使用正则表达式或者直接输入字符判断，大部分是只允许输入字母和数字的，其它字符度不允许；对于内容复杂表单的内容，应该对html和script的符号进行转义替换：尤其是<,>,',"",&这几个符号 这里有个转义对照表： http://blog.csdn.net/xinzhu1990/articl
  • MongoDB简介[一] eksliang mongodbMongoDB简介
    MongoDB简介 转载请出自出处：http://eksliang.iteye.com/blog/2173288 1.1易于使用        MongoDB是一个面向文档的数据库，而不是关系型数据库。与关系型数据库相比，面向文档的数据库不再有行的概念，取而代之的是更为灵活的“文档”模型。        另外，不
  • zookeeper windows 入门安装和测试 greemranqq zookeeper安装分布式
    一、序言       以下是我对zookeeper 的一些理解：      zookeeper 作为一个服务注册信息存储的管理工具，好吧，这样说得很抽象，我们举个“栗子”。       栗子1号：       假设我是一家KTV的老板，我同时拥有5家KTV，我肯定得时刻监视
  • Spring之使用事务缘由(2-注解实现) ihuning spring
      Spring事务注解实现   1. 依赖包：     1.1 spring包：           spring-beans-4.0.0.RELEASE.jar           spring-context-4.0.0.
  • iOS App Launch Option 啸笑天 option
    iOS 程序启动时总会调用application:didFinishLaunchingWithOptions:，其中第二个参数launchOptions为NSDictionary类型的对象，里面存储有此程序启动的原因。   launchOptions中的可能键值见UIApplication Class Reference的Launch Options Keys节 。 1、若用户直接
  • jdk与jre的区别（_） macroli javajvmjdk
    简单的说JDK是面向开发人员使用的SDK，它提供了Java的开发环境和运行环境。SDK是Software Development Kit 一般指软件开发包，可以包括函数库、编译程序等。  JDK就是Java Development Kit JRE是Java Runtime Enviroment是指Java的运行环境，是面向Java程序的使用者，而不是开发者。 如果安装了JDK，会发同你
  • Updates were rejected because the tip of your current branch is behind qiaolevip 学习永无止境每天进步一点点众观千象git
    $ git push joe prod-2295-1 To [email protected]:joe.le/dr-frontend.git ! [rejected] prod-2295-1 -> prod-2295-1 (non-fast-forward) error: failed to push some refs to '[email protected]
  • [一起学Hive]之十四-Hive的元数据表结构详解 superlxw1234 hivehive元数据结构
    关键字：Hive元数据、Hive元数据表结构   之前在 “[一起学Hive]之一–Hive概述，Hive是什么”中介绍过，Hive自己维护了一套元数据，用户通过HQL查询时候，Hive首先需要结合元数据，将HQL翻译成MapReduce去执行。 本文介绍一下Hive元数据中重要的一些表结构及用途，以Hive0.13为例。   文章最后面，会以一个示例来全面了解一下，
  • Spring 3.2.14，4.1.7，4.2.RC2发布 wiselyman Spring 3
      Spring 3.2.14、4.1.7及4.2.RC2于6月30日发布。   其中Spring 3.2.1是一个维护版本(维护周期到2016-12-31截止)，后续会继续根据需求和bug发布维护版本。此时，Spring官方强烈建议升级Spring框架至4.1.7 或者将要发布的4.2 。   其中Spring 4.1.7主要包含这些更新内容。
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他