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)

  • Decoder-Only、Encoder-Only、Encoder-Decoder 区别 会喘气的粽子丶 nlp人工智能
    Decoder-Only、Encoder-Only和Encoder-Decoder是三种常见的神经网络架构，主要用于自然语言处理（NLP）任务。它们在结构和应用上有显著的区别。1.Decoder-Only架构描述：仅包含解码器部分，没有编码器。应用：通常用于生成任务，如语言模型和对话系统。代表模型：GPT（GenerativePre-trainedTransformer）特点：自回归生成：模型通过
  • 机器学习基本篇 胖胖的小肥猫 机器学习
    1基本概念机器学习，分为回归，分类，聚类，降维有监督学习回归，分类，有特征，有标签，进行训练，然后对新数据进行预测无监督学习聚类，降维。题目越多，训练越好，2基本流程数据预处理——模型训练与评估可以优化为获取数据——数据预处理——EDA分析——特征工程——模型训练——可解释性分析2.0数据获取利用kaggle,天池等平台的开源数据，2.1预处理目的：让数据更符合逻辑让数据更容易计算借助函数实现变换
  • 解锁机器学习核心算法 | 支持向量机：机器学习中的分类利刃 紫雾凌寒 AI炼金厂机器学习算法支持向量机python深度学习分类人工智能
    一、引言在机器学习的庞大算法体系中，有十种算法被广泛认为是最具代表性和实用性的，它们犹如机器学习领域的“十大神器”，各自发挥着独特的作用。这十大算法包括线性回归、逻辑回归、决策树、随机森林、K-近邻算法、K-平均算法、支持向量机、朴素贝叶斯算法、降维算法、梯度增强算法。它们涵盖了回归、分类、聚类、降维等多个机器学习任务领域，是众多机器学习应用的基础和核心。而在这十大算法中，支持向量机（Suppor
  • 【YOLO模型】（1）--YOLO是什么 方世恩 YOLOYOLO人工智能目标检测
    一、什么是YOLOYOLO（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。1.核心思想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置。2.原理YOLO算法将输入图像分成SxS个网格，每个网格负责预测该网格内是否存在目标以及目标的类别和位置信息。此外，YOLO算法还采用了多尺度特征融合的技术
  • 深度学习与图像识别：机器学习基础之回归 Shenrn_ 机器学习回归深度学习
    1.线性回归1.1一元线性回归1.2多元线性回归2.逻辑回归与线性回归的不同在于其将最终预测值y固定在一个范围之中2.1Sigmoid函数sigmoid函数表达式：p为预测出来的概率，范围在0-1之间，一般用于处理二分类问题，因为这个式子的一个显著特征在于：当z=0,p=0.5当z>0,p>0.5当z<0,p<0.5所以当对z进行多元线性回归表示的时候，以p的值来反映y_pre是一个不错的选择，此
  • 机器学习和线性回归、softmax回归 小名叫咸菜 人工智能线性回归
    监督学习监督学习（supervisedlearning）擅⻓在“给定输⼊特征”的情况下预测标签。每个“特征-标签”对都称为一个样本（example）。我们的目标是生成一个模型，能够将任何输⼊特征映射到标签（即预测）。回归——平方误差损失函数回归（regression）是最简单的监督学习任务之一。分类——交叉熵样本属于“哪一类”的问题称为分类问题回归是训练一个回归函数来输出一个数值；分类是训练一个分
  • 吴恩达-机器学习-多元线性回归模型代码 StrawBerryTreea 机器学习机器学习线性回归python吴恩达
    吴恩达《机器学习》2022版第一节第二周多元线性回归房价预测简单实现以下以下共两个实验，都是通过调用sklearn函数，分别实现了一元线性回归和多元线性回归的房价预测。一、一元线性回归importnumpyasnpnp.set_printoptions(precision=2)fromsklearn.linear_modelimportLinearRegression#输入数据X_train=np
  • 机器学习--实现多元线性回归 y江江江江 机器学习机器学习线性回归人工智能
    机器学习—实现多元线性回归本节顺延机器学习--线性回归中的内容，进一步讨论多元函数的回归问题y′=h(x)+w⊤∙x+by^{\prime}=h(x)+w^\top\bulletx+by′=h(x)+w⊤∙x+b其中,wT⋅x就是W1X1+w2X2+w3X3+⋯+wNXN\text{其中,}w^\mathrm{T}\cdotx\text{就是}_{W_1X_1}+w_2X_2+w_3X_3+\cd
  • OpenCV机器学习（1）人工神经网络 - 多层感知器类cv::ml::ANN_MLP 村北头的码农 OpenCVopencv机器学习人工智能
    操作系统：ubuntu22.04OpenCV版本：OpenCV4.9IDE:VisualStudioCode编程语言：C++11算法描述cv::ml::ANN_MLP是OpenCV库中的一部分，用于实现人工神经网络-多层感知器（ArtificialNeuralNetwork-Multi-LayerPerceptron,ANN-MLP）。它提供了一种方式来创建和训练多层感知器模型，以解决分类、回归等
  • 书籍-《概率论I：随机变量与分布》 概率人工智能
    书籍：ProbabilityTheoryI:RandomVariablesandDistributions作者：AndreaPascucci出版：Springer编辑：陈萍萍的公主@一点人工一点智能书籍下载-《概率论I：随机变量与分布》01书籍介绍本书提供了概率论简洁而严谨的介绍。在处理这一主题的各种方法中，选择了基于测度理论的最现代方法：尽管这种方法需要更高的数学抽象和精密度，但对于更高级话题如
  • 【LLM】大模型基础--大规模预训练语言模型的开源教程笔记 Langchain 笔记人工智能langchainllama大模型产品经理大模型基础
    1.引言本文以DataWhale大模型开源教程为学习路线，进行一整个大模型的入门操作什么是语言模型语言模型是一种对词元序列（token）的概率分布，可以用于评估文本序列的合理性并生成新的文本。从生成文本的方式来看，LM（languagemodle）可以简单的分为：自回归模型非自回归模型特点逐字生成文本，每个词的生成都依赖于上文，关联性好一次性生成整个文本序列，不捕捉上文信息优点内容质量高生成速度快
  • AIMv2：多模态自回归预训练的视觉新突破 人工智能
    AIMv2：多模态自回归预训练的视觉新突破阅读时长：19分钟发布时间：2025-02-17近日热文：全网最全的神经网络数学原理（代码和公式）直观解释欢迎关注知乎和公众号的专栏内容LLM架构专栏知乎LLM专栏知乎【柏企】公众号【柏企科技说】【柏企阅文】导言视觉模型在人工智能领域的地位愈发重要，从图像识别、目标检测到多模态理解，其应用场景不断拓展。在大规模数据集上进行预训练，能助力模型学习丰富的视觉特
  • 机器学习 - 学习线性模型的重要性 谦亨有终 跟着AI向前走机器学习学习人工智能
    在接下来的博文中，我们将重点学习线性模型的回归模型和分类模型，在学习之前，让我们来了解一下学习线性模型的重要性，以及如何入门学习。一、作为初学者如何学习线性模型？作为初学者，要高效学习机器学习以及其中的线性模型，可以遵循以下几个步骤和建议：（一）、机器学习的整体学习策略打好数学基础线性代数：理解向量、矩阵、线性变换等，这些是理解模型表示（如y=w^Tx+b）和算法优化的基础。微积分：掌握导数、梯度
  • 递归消除特征法RFE筛选特征-包装法-特征选择-特征降维 糯米君_ 预处理机器学习python人工智能
    RFE（Recursivefeatureelimination）：递归消除特征法使用一个基模型（这里使用逻辑回归）来进行多轮训练，每轮训练后，消除若干权值系数的特征，再基于新的特征集进行下一轮训练。RFE的具体步骤如下:1、初始的特征集为所有可用的特征。2、使用当前特征集进行建模，然后计算每个特征的重要性。3、删除最不重要的一个（或多个）特征，更新特征集。4、跳转到步骤2，直到完成所有特征的重要性
  • 【机器学习】多元线性回归 T0uken Python全栈开发1024程序员节机器学习算法线性回归
    在实际应用中，许多问题都包含多个特征（输入变量），而不仅仅是单个输入变量。多元线性回归是线性回归的扩展，它能够处理多个输入特征并建立它们与目标变量的线性关系。本教程将系统性推演多元线性回归，包括向量化处理、特征放缩、梯度下降的收敛性和学习率选择等，并使用numpy实现。最后，我们会通过sklearn快速实现多元线性回归模型。多元线性回归模型简介多元线性回归的模型公式为：y=X⋅w+by=X\cdo
  • Python随机森林算法详解与案例实现 闲人编程 python算法python随机森林数据分析人工智能
    目录Python随机森林算法详解与案例实现1、随机森林算法概述2、随机森林的原理3、实现步骤4、分类案例：使用随机森林预测鸢尾花品种4.1数据集介绍4.2代码实现4.3代码解释4.4运行结果5、回归案例：使用随机森林预测波士顿房价5.1数据集介绍5.2代码实现5.3代码解释5.4运行结果6、随机森林的优缺点7、改进方向8、应用场景9、总结Python随机森林算法详解与案例实现1、随机森林算法概述随
  • ARIMA差分自回归移动平均模型--时间序列预测 别团等shy哥发育 数据挖掘与机器学习回归python数据挖掘时间序列分析机器学习
    ARIMA差分自回归移动平均模型1、ARIMA模型理论基础2、ARIMA建模步骤3、ARIMA建模实战3.1导入模块3.2加载数据3.3平稳性检验3.4单位根检验3.4白噪声检验3.5模型定阶3.6参数估计3.7模型的显著性检验3.8模型预测3.8模型拟合效果展示参考文献论文：文章：1、ARIMA模型理论基础  ARIMA是差分自回归移动平均模型的引文缩写，其中AR表示的是自回归模型，MA表示的是
  • 【论文精读】MotionLM EEPI 自动驾驶深度学习论文阅读
    【论文精读】MotionLM1背景2存在的问题3具体方案轨迹转运动序列模型轨迹去重和聚类loss1背景团队：Waymo时间：2023.9代码：简介：采用自回归的方式做轨迹生成，能够更好地建模交互，且避免模态坍缩，在数据集达到了SOTA。2存在的问题轨迹回归方面：原本xy预测认为空间过大，有的xy很大（t大速度快的时候），有的xy很小（t小速度慢的时候）。3具体方案Encoder采用了之前的论文Wa
  • LightGBM+NRBO-Transformer-BiLSTM多变量回归预测 Matlab代码 前程算法屋 私信获取源码transformer回归matlab
    LightGBM+NRBO-Transformer-BiLSTM多变量回归预测Matlab代码一、引言1.1、研究背景与意义在现代数据科学领域，多变量回归预测问题一直是一个研究热点。随着互联网和物联网技术的迅速发展，数据量呈指数级增长，如何从这些海量数据中提取有用的信息，并进行准确预测，成为了一个亟待解决的问题。多变量回归预测模型在金融风险管理、气象预报、医疗健康等多个领域具有广泛的应用。例如，在
  • 【GRR】重复性和再现性 Stongtang python
    一、序章通常通过加工部件的测量数据去分析过程的状态、过程的能力和监控过程的变化。那么，怎么确保分析的结果是正确的呢？我们必须从两方面来保证，一是确保测量数据的准确性/质量，使用测量系统分析（MSA）方法对获得测量数据的测量系统进行评估；二是确保使用了合适的数据分析方法，如使用SPC工具、试验设计、方差分析、回归分析等。测量系统的误差由稳定条件下运行的测量系统多次测量数据的统计特性：偏倚和方差来表征
  • 第三章 回归训练实战（以预测新冠感染人数为例） 不吃香菜（扣1复活版） 深度学习入门笔记深度学习人工智能
    完整项目代码（预测第三天的新冠感染人数）fromsklearn.feature_selectionimportSelectKBestfromsklearn.feature_selectionimportchi2importcsv#读CSVimportnumpyasnpimporttimeimportmatplotlib.pyplotaspltimportpandasaspdfromtorchimp
  • 【golang】量化开发学习（一） 幺零九零零 量化开发语言go
    均值回归策略简介均值回归（MeanReversion）假设价格会围绕均值波动，当价格偏离均值一定程度后，会回归到均值。基本逻辑：计算一段时间内的移动均值（如20天均线）。当当前价格高于均值一定比例，做空；当低于均值一定比例，做多。持仓等待价格回归后平仓。官网下载DOLGPHINDB总结✅Docker运行DolphinDB✅创建模拟股票数据表✅Golang连接DolphinDB进行查询这样，Gola
  • 【机器学习】逻辑回归(LogisticRegression)原理与实战 GentleCP 机器学习(深度学习)逻辑回归logisticregression原理与实战机器学习
    文章目录前言一、什么是逻辑回归1.1逻辑回归基础概念1.2逻辑回归核心概念二、逻辑回归Demo2.1数据准备2.2创建逻辑回归分类器2.3分类器预测三、逻辑回归实战3.1数据准备3.2数据划分与模型创建3.3预测数据评估模型四、参数选择五、总结六、参考资料本文属于我的机器学习/深度学习系列文章，点此查看系列文章目录前言本文主要通过文字和代码样例讲述逻辑回归的原理（包含逻辑回归的基础概念与推导）和实
  • 机器学习里的逻辑回归Logistic Regression基本原理与应用 硅基创想家 AI-人工智能与大模型机器学习逻辑回归人工智能
    LogisticRegression即逻辑回归，是一种广泛应用于机器学习和数据挖掘领域的有监督学习算法，以下从原理、应用、算法优缺点等方面进行介绍：基本原理线性回归基础：逻辑回归基于线性回归模型，其基本形式为：z=w1x1+w2x2+⋯+wnxn+bz=w_1x_1+w_2x_2+\cdots+w_nx_n+bz=w1x1+w2x2+⋯+wnxn+b其中xix_ixi是特征变量，wiw_iwi是对
  • 动手学深度学习笔记|3.2线性回归的从零开始实现（附课后习题答案） lusterku 动手学深度学习深度学习笔记线性回归
    动手学深度学习笔记|3.2线性回归的从零开始实现（附课后习题答案）线性回归的从零开始实现生成数据集读取数据集初始化模型参数定义模型定义损失函数定义优化算法训练练习1.如果我们将权重初始化为零，会发生什么。算法仍然有效吗？2.计算二阶导数时可能会遇到什么问题？这些问题可以如何解决？3.为什么在`squared_loss`函数中需要使用`reshape`函数？4.尝试使用不同的学习率，观察损失函数值下
  • 当 LSTM 遇上 ARIMA！！ 奋进小青 人工智能
    大家好，我是小青ARIMA和LSTM是两种常用于时间序列预测的模型，各有优劣。ARIMA擅长捕捉线性关系，而LSTM擅长处理非线性和长时间依赖的关系。将ARIMA和LSTM融合，可以充分发挥它们各自的优势，构建更强大的时间序列预测模型。ARIMA算法ARIMA是一种经典的时间序列预测方法，适用于捕捉时间序列数据中的线性趋势和季节性模式。它通过整合自回归(AR)、差分(I)、移动平均(MA)三部分，
  • 零基础入门机器学习 -- 第四章分类问题与逻辑回归 山海青风 #机器学习机器学习分类逻辑回归python人工智能
    4.1分类vs回归在机器学习中，任务通常分为两大类：回归（Regression）：用于预测连续数值，如房价、温度、工资等。例如：预测明天的气温（28.5°C）。预测一辆二手车的价格（30,000元）。分类（Classification）：用于预测离散类别，如垃圾邮件vs正常邮件。例如：判断一封邮件是否是垃圾邮件（“垃圾邮件”or“正常邮件”）。预测一个贷款申请是否会被批准（“批准”or“拒绝”）。
  • Python中的决策树算法探索 Soft_Leader 算法python决策树
    在Python中，决策树算法是一种常用的机器学习技术，用于分类和回归问题。下面我们将探索如何使用Python中的scikit-learn库来实现决策树算法，并简要介绍其基本概念和用法。1.安装必要的库如果你还没有安装scikit-learn库，你可以使用pip来安装它：bash复制代码pipinstall-Uscikit-learn2.导入必要的库和模块python复制代码fromsklearn.
  • 用大模型学大模型03-数学基础 概率论 wyg_031113 概率论人工智能
    https://metaso.cn/s/Jp0OU9w提示词:我正在学习深度学习相关的数学知识，学到了概率论与统计学部分，给我一个入门级的完整教程和实例。好的，我现在需要回答用户关于深度学习所需的概率论与统计学入门教程和实例的问题。用户希望得到一个完整的教程和实例，所以我要从我搜索到的资料中整理出相关的知识点和学习路径，并结合实例说明。首先，查看证据中的相关内容。提到花书学习笔记，涵盖了概率论、信
  • 海思Hi3516CV610 -----芯片说明 菩提树下的凡夫 嵌入式Linux系统开发c++c语言
    Hi3516CV610这颗超高清智慧视觉SoC芯片是由海思技术有限公司推出的，其首发量产的时间是在2024年4。标志着海思正式回归安防市场，并在IPCSoC市场中展开竞争。关键特性●4K@20，6M@30分辨率●双目实时接入，支撑枪球一体机等双目机型●1T算力NPU，Transformer特性加速，大模型端侧部署●SVAC3.0编码标准，压缩率提升20%●智能编码2.0，像素升级，存储不加量，4M
  • 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