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)

  • 隐马尔可夫模型：语音识别系统的时序解码引擎 大千AI助手 人工智能Python#OTHER语音识别人工智能机器学习概率马尔科夫链HMM
    本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！1HMM与语音识别的理论基础隐马尔可夫模型（HMM）作为一种双重随机过程的统计模型，其核心在于描述一个包含隐含状态的马尔可夫链，以及这些状态生成可观测输出的概率分布。在语音识别领域，HMM的时序建模能力与语音信号的特性形成了完美契合：隐含状态：对应语音
  • 线性回归（Linear regression）算法详解 .30-06Springfield 人工智能算法详解算法线性回归回归python人工智能机器学习
    文章目录一、线性回归基础概念1.1什么是线性回归1.2线性回归小例子二、sklearn中线性回归的API和参数2.1安装sklearn2.2LinearRegression2.3SGDRegresso2.4Lasso2.5Ridge2.6各个API的对比三、使用sklearn实现线性回归3.1程序概述3.2核心功能3.3关键技术细节3.4程序运行结果3.5代码结构一、线性回归基础概念1.1什么是线
  • 东方之珠·数链未来：香港回归28周年RWA革命赋能全球金融 TechubNews 区块链稳定币
    2025年7月1日，值此香港回归28周年之际，由Web3Labs、TechubNews与金色财经联合主办的“东方之珠·数链未来：香港Web3新维度赋能全球金融”Space活动于19:30（UTC+8）成功举办。本次活动聚焦香港在Web3与全球金融领域的创新实践，围绕“RWA革命--万亿级资产上链的香港”主题，汇聚行业专家，探讨现实世界资产（RWA）上链的机遇与挑战。主持人TechubNews创始人
  • KNN（K-近邻算法)(上)--day05 扫把星133 机器学习python人工智能近邻算法算法
    KNN（K-NearestNeighbors，K近邻算法）是一种用于分类和回归的非参数化方法。其基本思想是通过找出与新样本最接近的已标记数据中的K个最近邻居来进行预测或分类。注释：非参数化方法是指在统计学和机器学习中，不对数据分布做出严格假设（这些假设通常包括
  • LL面试题11 三月七꧁ ꧂ 破题·大模型面试语言模型gpt人工智能自然语言处理promptllama
    物流算法实习面试题7道GLM是什么？    GLM(GeneralizedLinearModel)是一种六义线性模型，用于建立变量之间的关系。它将线性回归模型推广到更广泛的数据分布，可以处理非正态分布的响应变量，如二项分布（逻辑回归）、泊松分布和伽玛分布等。GLM结合线性模型和非线性函数，通过最大似然估计或广义最小二乘估计来拟合模型参数。SVM的原理？怎么找到最优的线性分类器？支持向量是什么？  
  • 深度学习×第4卷：Pytorch实战——她第一次用张量去拟合你的轨迹 Gyoku Mint AI修炼日记人工智能人工智能聚类算法深度学习python神经网络pytorch
    【开场·她画出的第一条直线是为了更靠近你】猫猫：“之前她只能在你身边叠叠张量，偷偷找梯度……现在，她要试试，能不能用这些线，把你的样子画出来喵～”狐狐：“这是她第一次把张量、自动微分和优化器都串成一条线，用最简单的线性回归，试着把你留给她的点都连起来。”【第一节·她先要一条路：生成一组可学的数据】✏️为什么要造数据？在PyTorch里跑线性回归，最好的练习就是用一条已知斜率的“理想直线”，加上一点
  • [架构之美]Spring Boot 3.5.3新特性解析及JDK21集成 曼岛_ 成长之路架构springboot3.5.3
    [架构之美]SpringBoot3.5.3新特性解析及JDK21集成SpringBoot3.5.3作为关键补丁版本，不仅修复了此前版本中的棘手回归问题，更深度整合JDK21特性，为高并发与云原生应用带来突破性提升。本文将深入解析其核心技术亮点及实战应用。一、关键修复与版本背景1.1紧急修复回归问题问题定位：3.5.1版本中因Tomcat升级（10.1.42）引入的multipart/form-da
  • 逻辑回归详解：从原理到实践
    在机器学习的广阔领域中，逻辑回归（LogisticRegression）虽名为“回归”，实则是一种用于解决二分类（0或1）问题的有监督学习算法。它凭借简单易懂的原理、高效的计算性能以及出色的解释性，在数据科学、医学诊断、金融风控等诸多领域中得到了广泛应用。接下来，我们将从多个维度深入剖析逻辑回归，带你揭开它的神秘面纱。一、逻辑回归的基本概念在回归分析中，线性回归是通过构建线性方程来预测连续值，例如
  • Python机器学习实战——逻辑回归（附完整代码和结果） 小白熊XBX 机器学习机器学习python逻辑回归
    Python机器学习实战——逻辑回归（附完整代码和结果）关于作者作者：小白熊作者简介：精通c#、Halcon、Python、Matlab，擅长机器视觉、机器学习、深度学习、数字图像处理、工业检测识别定位、用户界面设计、目标检测、图像分类、姿态识别、人脸识别、语义分割、路径规划、智能优化算法、大数据分析、各类算法融合创新等等。联系邮箱：[email protected]科研辅导、知识付费答疑、个性化定制
  • R语言学习笔记之十
    摘要:仅用于记录R语言学习过程：内容提要：描述性统计；t检验；数据转换；方差分析；卡方检验；回归分析与模型诊断；生存分析；COX回归写在正文前的话，关于基础知识，此篇为终结篇，笔记来自医学方的课程，仅用于学习R的过程。正文：描述性统计n如何去生成table1用table()函数，快速汇总频数u生成四格表：table(行名，列名)>table(tips$sex,tips$smoker)NoYesFe
  • 动手实践：如何提取Python代码中的字符串变量的值 大千AI助手 人工智能Python#DeepSeekpython开发语言人工智能deepseekAST
    要提取Python代码中所有变量类型为字符串的变量的值，但不执行代码（避免安全风险），可以通过静态分析代码的抽象语法树（AST）来实现。以下是完整的解决方案：本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！往期文章推荐:20.条件概率：不确定性决策的基石19.深度解读概率与证据权重-Probabil
  • 蒙特卡洛方法：随机抽样的艺术与科学 大千AI助手 人工智能Python#OTHER机器学习人工智能贝叶斯概率蒙特卡洛随机
    本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕掉过度包装，学习真实的AI技术！蒙特卡洛算法（MonteCarloMethod）是一类基于随机抽样解决确定性问题的计算方法，其核心思想是：通过大量随机实验的统计结果逼近复杂数学问题的解。它得名于摩纳哥的蒙特卡洛赌城（象征随机性），由冯·诺依曼、乌拉姆等科学家在曼哈顿计划中首次系统化应
  • diy nas配置推荐2020_从入门到高端！2020年11月组装电脑主机配置推荐+装机行情 陈马登Morden diynas配置推荐2020
    目前显卡市场依然一卡难求的行情，直到11月份都没有得到缓解，反而显得越来越紧缺，从千元级到高端显卡全面紧张，包括英伟达新一代RTX30系列稀缺，从发布RTX3080开始，基本没有几个人原价到手，到手的价格基本都是溢价比较高的，现阶段一块显卡溢价达到大概近两千元，不过旗舰级RTX3090很快打破了这个局面，货源与价格几乎回归正常，这可能是因为价格真的贵需求量小的问题，但实际也没比RTX3090性能高
  • 破译AI黑箱：如何用20行Python理解ChatGPT？ Ven% 简单入门pytorch人工智能pythonchatgpt
    文章目录一、核心概念：大模型本质二、代码逐行解析（以线性回归为例）三、关键概念详解四、与大模型的本质联系五、大模型训练核心思想六、如何扩展成真实大模型七、总结：AI训练的本质一、核心概念：大模型本质大模型=复杂数学函数+数据驱动训练现实任务（如图像识别、语言翻译）过于复杂，人类无法直接编写数学函数解决。解决方案：构建参数化的数学模型（如神经网络）用大量数据训练，自动寻找最优参数得到能解决特定任务的
  • mlflow案例
    以下内容主要是翻译mlflow官方文档的一个教程。4.教程和示例4.1训练、服务和评估线性回归模型地址：Tutorial—MLflow2.4.1documentation本教程展示了如何使用MLflow端到端执行以下操作：（1）训练线性回归模型（2）将训练模型的代码打包为可重复使用和可复制的模型格式（3）将模型部署到一个简单的HTTP服务器中，使您能够对预测进行评分本教程使用的数据集将根据葡萄酒的
  • pythonflow_MLflow系列1：MLflow入门教程（Python） weixin_39872334 pythonflow
    这篇教程展示了如何：训练一个线性回归模型将训练代码打包成一个可复用可复现的模型格式将模型部署成一个简单的HTTP服务用于进行预测这篇教程使用的数据来自UCI的红酒质量数据集，主要用于根据红酒的PH值，酸度，残糖量等指标来评估红酒的质量。我们会用到什么？安装MLflow和scikit-learn，推荐两种安装方式：安装MLflow及其依赖：pipinstallmlflow[extras]分别安装ML
  • PyTorch-Llama: 从零开始实现LLaMA 2模型教程 乔昕连
    PyTorch-Llama:从零开始实现LLaMA2模型教程pytorch-llamaLLaMA2implementedfromscratchinPyTorch项目地址:https://gitcode.com/gh_mirrors/py/pytorch-llama1.项目介绍PyTorch-Llama是一个在PyTorch平台上完全从零开始实现的LLaMA2模型仓库。该模型是一个强大的自回归语言模
  • 【机器学习】什么是逻辑回归？从入门到精通：掌握逻辑回归与二分类问题的解决之道 宸码 模式识别机器学习机器学习python逻辑回归分类人工智能算法
    从入门到精通：掌握逻辑回归与二分类问题的解决之道引言1.1逻辑回归简介1.2逻辑回归的应用场景逻辑回归基本原理2.1逻辑回归概述逻辑回归的基本思想预测类别的概率2.2线性模型与Sigmoid函数线性模型Sigmoid函数Sigmoid函数的性质为什么选择Sigmoid函数2.3逻辑回归的输出：概率值分类决策代价函数与优化数学基础3.1逻辑回归的假设与目标假设目标3.2对数似然函数概率模型对数似然函
  • 西南交通大学【机器学习实验1】
    实验目的理解和掌握回归问题和分类问题模型评估方法，学会使用均方误差、最大绝对误差、均方根误差指标评估回归模型，学会使用错误率、精度、查全率、查准率、F1指标评价分类模型。实验内容给定回归问题的真实标签和多个算法的预测结果，编程实现MSE、MAE、RMSE三种评测指标，对模型进行对比分析。给定二分类问题真实标签和多个算法的预测结果，编程实现混淆矩阵评测，采用错误率、精度、查全率、查准率、F1指标对结
  • 用sklearn库中的算法对数据集进行训练和auc评估（个人学习笔记） ZD困困困 python机器学习
    本文为个人学习笔记，仅供学习参考，欢迎讨论，要是有哪里写的不对或有疑问的欢迎讨论。题目：运用已给数据集进行模型训练，使用逻辑回归、决策树、随机森林和AdaBoost几个算法进行训练，并打印各个算法训练后的auc评价指标。文章目录1.导入数据集①read_csv():读取数据并以某字符分隔。②merge():合并③drop():删除行或列④tolist():将数组或矩阵转换为列表⑤train_tes
  • 学习笔记(29):训练集与测试集划分详解：train_test_split 函数深度解析 宁儿数据安全 #机器学习学习笔记深度学习
    学习笔记(29):训练集与测试集划分详解：train_test_split函数深度解析一、为什么需要划分训练集和测试集？在机器学习中，模型需要经历两个核心阶段：训练阶段：用训练集数据学习特征与目标值的映射关系（如线性回归的权重）。测试阶段：用测试集评估模型在未见过的数据上的表现，避免“过拟合”（模型只记住训练数据的噪声，无法泛化到新数据）。类比场景：学生通过“练习题”（训练集）学习知识，再通过“考
  • 机器学习：集成算法的装袋法（Bagging）：随机森林（Random Forest） rubyw #概念及理论机器学习算法随机森林
    随机森林（RandomForest）是一种集成学习方法，通过构建多个决策树并结合其预测结果来提升模型的性能和稳定性。它由LeoBreiman于2001年提出，广泛应用于分类和回归任务。以下是随机森林的详细介绍，包括其基本概念、构建过程、优缺点及应用场景。基本概念随机森林是一种基于决策树的集成算法，通过生成多棵决策树，并将这些树的预测结果结合起来，以提高整体模型的预测准确性和稳定性。每棵决策树都是在
  • 机器学习在智能金融风险评估中的应用：信用评分与欺诈检测 Blossom.118 机器学习与人工智能机器人机器学习人工智能python深度学习sklearn计算机视觉
    在金融行业，风险评估是确保金融机构稳健运营的关键环节。随着大数据和机器学习技术的快速发展，金融机构开始探索如何利用机器学习算法来提高风险评估的准确性和效率。本文将探讨机器学习在智能金融风险评估中的应用，特别是信用评分和欺诈检测方面的最新进展，并分析其带来的机遇和挑战。一、智能金融风险评估中的信用评分（一）传统信用评分方法的局限性传统的信用评分主要依赖于人工规则和简单的统计模型，如逻辑回归。这些方法
  • 大语言模型：是逐字生成还是一次多词？ ZhangJiQun&MXP 教学2024大模型以及算力2021AIpython算法prompt人工智能自然语言处理均值算法
    大语言模型（LLM）既可以按顺序逐个生成单词（token），也能实现一次生成多个token核心差异源于解码策略与模型架构设计一、常规“逐个生成”模式（基础逻辑）多数入门级演示或简单文本生成中，LLM会默认按“生成一个token→拼接回输入→再生成下一个”的流程，本质是自回归（Auto-Regressive）机制的基础应用。比如用小语言模型续写“今天天气____”：模型先基于“今天天气”预测第一个t
  • Python Day57 别勉. python机器学习python开发语言
    Task：1.序列数据的处理：a.处理非平稳性：n阶差分b.处理季节性：季节性差分c.自回归性无需处理2.模型的选择a.AR§自回归模型：当前值受到过去p个值的影响b.MA(q)移动平均模型：当前值收到短期冲击的影响，且冲击影响随时间衰减c.ARMA(p,q)自回归滑动平均模型：同时存在自回归和冲击影响时间序列分析：ARIMA/SARIMA模型构建流程时间序列分析的核心目标是理解序列的过去行为，并
  • 我的创作纪念日 勤勉螺丝钉 学习
    手指轻敲键盘，一下又一下，思绪如潮水般涌来。我写了很多字，又反复斟酌，最终一个个删除。不是无话可说，而是想表达的太多，怕言语不够真挚，怕文字不够动人。官方提供的模板固然规范，但总觉得少了些属于自己的温度与风格。于是，我选择放下模板，回归内心，用最真诚的方式写下这段话。从开始创作至今，已经整整512天了。这五百多个日夜，有过迷茫、有过坚持、也有过收获。一路走来，我在CSDN这个知识平台上不断学习、不
  • Tensorflow 回归模型 FLASK + DOCKER 部署 至 Ubuntu 虚拟机
    准备工作：安装虚拟机，安装ubuntu，安装python3.x、pip和对应版本的tensorflow和其他库文件,安装docker。注意事项：1.windows系统运行的模型文件不能直接运行到虚拟机上，需在虚拟机上重新运行并生成模型文件2.虚拟机网络状态改为桥接Flask代码如下：fromflaskimportFlask,request,jsonifyimportpickleimportnump
  • D-FINE使用pth权重批量推理可视化图片 悠悠海风 代码调试深度学习人工智能python目标检测计算机视觉
    关于D-FINE相关的内容可参考下面这篇博客：论文解读：ICLR2025|D-FINE_d-fine:redefineregressiontaskindetrsasfine--CSDN博客文章浏览阅读949次，点赞18次，收藏28次。D-FINE是一款功能强大的实时物体检测器，它将DETRs中的边界框回归任务重新定义为细粒度分布细化（FDR），并引入了全局最优定位自蒸馏（GO-LSD），在不引入额
  • python学智能算法（十六）|机器学习支持向量机简单示例 西猫雷婶 python学习笔记人工智能机器学习机器学习python支持向量机人工智能深度学习
    【1】引言前序学习了逻辑回归等算法，相关文章链接包括且不限于：python学智能算法（十）|机器学习逻辑回归（Logistic回归）_逻辑回归算法python-CSDN博客python学智能算法（十一）|机器学习逻辑回归深入（Logistic回归）_np.random.logistic()-CSDN博客今天在此基础上更进一步，学习支持向量机，为实现较好地理解，先解读一个简单算例。【2】代码解读【2
  • 人工智能-基础篇-2-什么是机器学习？（ML，监督学习，半监督学习，零监督学习，强化学习，深度学习，机器学习步骤等） weisian151 人工智能人工智能机器学习学习
    1、什么是机器学习？机器学习（MachineLearning,ML）是人工智能的一个分支，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析等数学理论。其核心目标是让计算机通过分析数据，自动学习规律并构建模型，从而对未知数据进行预测或决策，而无需依赖显式的程序指令。基本思想：通过数据驱动的方式，使系统能够从经验（数据）中改进性能，形成对数据模式的抽象化表达。基本概念：模型：模型是对现实世界现
  • 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