阿航626
阿航626

周志华机器学习西瓜书第2章模型评估与选择——精度与模型泛化评估方法，自助法与集成学习

1.间接计算精度

  • 经常是直接计算正确率，间接计算精度：1-错误率
    • 一般模型错误的个数会少于正确的个数，计算错误率的效率会高于计算正确率
    • 训练过程中想观察模型的学习效果，而观察错误率的下降便是很好的办法之一

2.模型的最终目的

  • 我们的目标永远不是去尽可能完美地拟合训练数据，而是去泛化到没见过的数据，在总体数据下追求完美
    • 所以，一定牢记，训练数据不是目的，测试数据才是目的
    • 训练数据本身会有干扰噪声，过好地拟合训练数据往往会学习到这些噪声
  • 没有大一统的评估方法，评估方法应该与具体的模型和具体应用场景有关
    • 时间复杂度
    • 空间复杂度
    • 可解释性
    • 泛化能力
    • ……

3.泛化能力评估

  • 将数据分为训练集、验证集、测试集
    • 训练集：训练不同的模型
    • 验证集：用于评价模型的泛化能力，并以此为标准进行调参和模型选择
    • 测试集：最终评价模型的泛化能力，在一起尘埃落定之前一定不要碰测试集，测试集仅仅是模型彻底敲定后进行唯一一次的最终评价
  • 数据划分时，注意保证各个数据集数据分布的一致性，要记得打乱数据顺序，实践表明学习模型往往会对最后学习的数据印象深刻，有一点点类似于持续学习的灾难性遗忘，只是没有那么严重而已
  • 三个集合的数据量分配往往是在训练开销、训练效果、泛化评估准度间权衡的结果，根据经验，一般2/3-4/5的数据用于训练
  • 在一起都做完后，记得用上所有数据重新训练一次最终选定的模型，以充分利用数据，达到最好的训练效果
  • 常用方法：
    • 留出法
    • K折n次交叉验证：其实是多次进行留出法
      • 不适合场景：数据量少（划分数据集后，数据量更少，训练效果差，而留一法开销又巨大）
    • 自助法：从原始训练数据中不断有放回地抽取样本，都成相同大小的新的训练数据集，未抽出的数据约为1/3，作为测试数据
      • 不适合场景：数据量大（数据量多的时候，可以用K折n次交叉验证，自助法抽取出的训练集与原始数据集有分布差异，会引入估计偏差）
      • 优点：非常适合处理数据集小，或数据集划分困难的情况，并且不同次抽取会生成不同的数据集，适合进行集成学习

你可能感兴趣的:(机器学习,西瓜书,机器学习,人工智能,深度学习,集成学习)

  • Python配置管理工具库之hydra使用详解 Rocky006 python人工智能开发语言
    概要在开发复杂的Python应用程序时，配置管理往往是一个重要但容易被忽视的部分。Hydra是一个强大的配置管理工具，它旨在简化配置文件的管理和使用，尤其是在涉及多个配置文件和参数组合的场景下。Hydra提供了一种优雅的方式来组织和访问配置数据，并支持动态生成和组合配置。这对于机器学习、数据科学和大型Python应用程序开发来说尤其有用。本文将详细介绍Hydra库，包括其安装方法、主要特性、基本和
  • 树数据结构（Tree Data Structures）的全面指南：深度解析、算法实战与应用案例 Chauvin912 数据结构科普数据结构算法
    树数据结构（TreeDataStructures）的全面指南：深度解析、算法实战与应用案例引言树数据结构（TreeDataStructures）作为计算机科学中的基石之一，以其独特的层次结构和分支特性，在众多领域发挥着关键作用。从文件系统的组织到数据库的索引，从编译原理的语法分析到人工智能的决策制定，树数据结构无处不在。本文将深入探讨树数据结构的基本概念、类型、遍历方式及其在实际应用中的广泛案例。
  • 基于yolov8的8种人脸表情检测系统python源码+onnx模型+评估指标曲线+精美GUI界面 FL1623863129 深度学习YOLOpython开发语言
    【算法介绍】基于YOLOv8的人脸表情检测系统是一个结合了先进目标检测算法（YOLOv8）与深度学习技术的项目，旨在实时或离线地识别并分类人脸表情（如快乐、悲伤、愤怒、惊讶、恐惧、厌恶、中立等）。以下是一个简短的介绍，概述了该系统Python源码的核心要点：该系统直接利用YOLOv8模型进行人脸表情识别。YOLOv8以其高效的速度和准确性著称，非常适合实时应用。Python源码实现通常包括以下几个
  • AI如何创造情绪价值 学客汇 商业研究商业观察大模型人工智能生成式AI大模型应用AI与情绪管理AI应用
    随着科技的飞速发展，人工智能（AI）已经渗透到我们生活的方方面面。从智能家居到自动驾驶，从医疗辅助到金融服务，AI技术的身影无处不在。而如今，AI更是涉足了一个全新的领域——创造情绪价值。AI已经能够处理和分析大量的文本、图像、音频和视频数据，从中提取和识别出人类的情感信息。AI技术通过模拟人类神经网络的工作方式，对复杂的数据进行深度学习和理解，逐渐具备了处理人类情感的能力。在客户服务领域，情绪识
  • spark应用程序转换_4.Spark特征提取、转换和选择 - 简书 weixin_39956182 spark应用程序转换
    在实际机器学习项目中，我们获取的数据往往是不规范、不一致、有很多缺失数据，甚至不少错误数据，这些数据有时又称为脏数据或噪音，在模型训练前，务必对这些脏数据进行处理，否则，再好的模型，也只能脏数据进，脏数据出。这章我们主要介绍对数据处理涉及的一些操作，主要包括：特征提取特征转换特征选择4.1特征提取特征提取一般指从原始数据中抽取特征。4.1.1词频－逆向文件频率(TF-IDF)词频－逆向文件频率(T
  • 打脸预测，AI泡沫破裂，科技衰退 齐玉林 人工智能科技
    首先抛出我的观点，AI的方向是好的，但大模型并不是好的实现路径。作为AI功能的体验者，我并没觉得AI为我的生活、工作、学习做了哪些重大的改变，经常看到各大媒体报道谁谁谁又开源了某项AI大模型，谁谁又做出了AI级企业应用，性能提升百分之几百。看到这些五花八门的标题都没有点进去看的兴趣，20年人工智能兴起，也让我知道世界上还有这么个玩意，这4年一路走来AI的创业公司陆陆续续倒下8万多家，全球接近20万
  • 大模型智能进阶之路：探索未来AI的无限可能 江佑IT 人工智能
    如何让大模型更聪明？在人工智能的浪潮中，大模型以其强大的数据处理能力和广泛的应用前景，成为了科技领域的明星。然而，正如任何技术一样，大模型也面临着诸多挑战，尤其是在理解力、泛化能力和适应性方面。那么，如何让大模型变得更聪明，以适应复杂多变的环境呢？首先，我们需要深入理解大模型的运作机制。大模型之所以强大，是因为它们能够处理海量的数据，并从中学习到丰富的知识和模式。但是，这种学习往往是基于统计和概率
  • 深度学习：探索人工智能的无限可能 木小梦(๑• . •๑) 人工智能深度学习
    引言：在当今这个数字化时代，人工智能（AI）已经成为了一个热门话题。从自动驾驶汽车到智能助手，AI正在逐渐改变我们的生活方式。而在AI领域，深度学习是近年来发展最为迅速的一个分支。本文将深入探讨深度学习及其相关领域，包括计算机视觉、自然语言处理、神经网络和强化学习。1.深度学习深度学习是一种基于人工神经网络的机器学习方法，它试图模拟人脑的工作方式，通过训练大量数据来自动学习数据的内在规律和表示层次
  • 计算机视觉概念科普 极客代码 玩转AI人工智能图像处理计算机视觉深度学习
    计算机视觉（ComputerVision,CV）是一门多学科交叉的科学，旨在让计算机具备“看”的能力，即通过图像或视频数据来理解世界。它结合了信号处理、图像处理、模式识别、机器学习等多个领域的技术，让计算机能够执行诸如识别、分类、追踪等复杂的视觉任务。本文将深入探讨计算机视觉的核心概念和技术。一、计算机视觉概述计算机视觉是一门研究如何让计算机“看”世界并从中获取信息的科学。它主要关注如何处理、分析
  • 深度学习100问7-向量降维的算法有那些 不断持续学习ing 深度学习机器学习人工智能
    一、主成分分析（PCA）PCA就像你整理一堆考试成绩单。假如成绩单上有好多科目成绩，这就像一个高维向量。但有些科目成绩关系很紧密，比如数学好的同学一般物理也不错，化学也还行。那PCA就会找这些成绩单里最主要的特点，把关系近的科目合成几个新的“大科目”。这样就把原来很多科目的高维向量变成几个“大科目”的低维向量啦。二、奇异值分解（SVD）SVD呢，就好比你有一本很厚的书。书的每一页上的字可以看成一个
  • 大模型提示词工程技术1-《大模型提示词工程技术》创作与前沿章节介绍 微学AI 大模型提示词技术提示词工程大模型
    大模型提示词工程技术1-《大模型提示词工程技术》创作与前沿章节介绍，《大模型提示词工程技术》的作者：微学AI，这是一本专注于提升人工智能大模型性能的著作，它深入浅出地讲解了如何通过优化输入提示词来引导大模型生成高质量、准确的输出。书中不仅涵盖了提示词工程的基本概念和原则，还提供了丰富的实践案例和技术优化技巧。《大模型提示词工程技术》书籍，目录结构：第一章提示工程技术概述1.1提示工程技术的定义与发
  • 飞凌方案丨基于LS1028A系列核心板打造一款边缘计算网关 spear800 5GLS1028A飞凌嵌入式边缘计算网关
    随着物联网、大数据、人工智能等技术的快速发展与应用,给传统的云计算模式带来了巨大的挑战,这也催生出了计算模式的变革,边缘计算由此诞生。所谓边缘计算,是指在靠近物或数据源头的一侧,采用网络、计算、存储、应用核心能力为一体的开放平台,就近提供最近端服务。通俗的讲,就是在数据采集的本地完成对数据的计算、处理后(譬如打上时间戳,数据格式化、对事件和过程数据分类),根据结果进行“就地”决策,并将处理完成的数
  • 【花雕学AI】11：ChatGPT与New Bing的横向比较与多维度对比测试 驴友花雕
    引言：人工智能AI技术正在改变我们获取和使用信息的方式。搜索引擎作为我们与互联网的主要接口，也在不断地进化和创新。2022年底，两种新型的人工智能搜索引擎，分别是ChatGPT和NewBing，引起了广泛的关注和讨论，并且出乎意料之外在2023年开始火爆起来。它们都是基于OpenAI的GPT系列模型开发的，但是有着不同的特点和功能。例如，ChatGPT可以根据用户的输入生成自然语言的回答，也可以进
  • 基于yolov8的绝缘子缺陷检测系统python源码+onnx模型+评估指标曲线+精美GUI界面 FL1623863129 深度学习YOLO
    【算法介绍】基于YOLOv8的绝缘子缺陷检测系统是一种利用先进深度学习技术的高效解决方案，旨在提升电力行业中输电线路的维护和监控水平。YOLOv8作为YOLO系列算法的最新版本，具备更高的检测速度和精度，特别适用于实时物体检测任务。该系统通过深入分析并标注绝缘子数据集，训练YOLOv8模型以精确识别输电线上的绝缘子及其缺陷状态。利用多尺度检测、FPN结构以及CSPDarknet网络等技术，YOLO
  • 机器学习和深度学习中常见损失函数，包括损失函数的数学公式、推导及其在不同场景中的应用 早起星人 机器学习深度学习人工智能
    目录引言什么是损失函数？常见损失函数介绍3.1均方误差（MeanSquaredError,MSE）3.2交叉熵损失（Cross-EntropyLoss）3.3平滑L1损失（SmoothL1Loss）3.4HingeLoss（合页损失）3.5二进制交叉熵损失（BinaryCross-EntropyLoss）3.6KL散度（KLDivergence）3.7Huber损失（HuberLoss）3.8对比
  • AI学习记录 - 对抗性神经网络 victor-AI最好的学习方式是画图 人工智能学习神经网络
    有用点赞哦学习机器学习到一定程度之后，一般会先看他的损失函数是什么，看他的训练集是什么，训练集是什么，代表我使用模型的时候，输入是什么类型的数据。对抗神经网络其实可以这样子理解，网上一直说生成器和判别器的概念，没有触及到本质。我有一种看法：假如当前场景是输入模糊图片，然后输出高质量图片。当判别器和生成器本来就是一个模型，在不把判别器生成器拆开的时候，我输入一张图片，这个模型输出的是0和1，那这个整
  • Python在神经网络中优化激活函数选择使用详解 Rocky006 python开发语言
    概要在神经网络中，激活函数扮演着至关重要的角色。它的主要作用是引入非线性因素，使得神经网络能够处理复杂的非线性问题。如果没有激活函数，神经网络仅仅是线性模型的堆叠，无法胜任深度学习中的各种任务。本文将深入探讨几种常用的激活函数，包括Sigmoid、Tanh、ReLU及其变种，并通过具体的代码示例展示它们在Python中的实现和应用。激活函数的重要性激活函数将输入信号进行非线性转换，从而增强神经网络
  • 增强语音对车载语音质量测试的挑战 众乐认证 itu
    一、什么是增强语音语音助手是实现智慧车联的关键之一，通过助手，方可去掉按键。其中一个比较典型的功能就是目前比较流行的enhancedsiri。二、增强语音的难点1.语音合成技术语音合成技术在车内环境中的表现至关重要。语音合成采用了混合单元选择系统，结合了单元选择和参数合成的优势，并通过深度学习进一步提升了语音质量。这种技术的应用，使得语音助手能够在车内环境中提供流畅自然且易于理解的语音交互体验。2
  • 【ShuQiHere】《机器学习的进化史『上』：从数学模型到智能算法的百年征程》 ShuQiHere 机器学习人工智能
    【ShuQiHere】引言：概述机器学习的演进机器学习的发展史是一段从数学基础到智能算法的演进历程。从19世纪的数学探索，到20世纪的计算革命，再到21世纪的智能算法应用，机器学习模型的演化贯穿了科学进步的每个重要阶段。这篇博客将系统回顾这些模型的历史演进，展示它们之间的联系，并探讨其在现代应用中的重要性。线性回归：机器学习的起点背景故事：1805年的法国，年轻的数学家Adrien-MarieLe
  • TensorFlow和它的弟弟们 活蹦乱跳酸菜鱼 tensorflow人工智能python
    TensorFlow、TensorFlowLite、TensorFlowLiteMicro是Google在深度学习领域推出的三个不同产品，它们各自有着不同的设计目标和适用场景。以下是它们之间的主要区别：1.TensorFlow(PC\GPU)设计目标：TensorFlow是一个开源的机器学习框架，由GoogleBrain团队开发，旨在帮助开发者构建和训练深度学习模型。它支持多种编程语言（如Pyth
  • 机器学习（ML）算法分类 活蹦乱跳酸菜鱼 机器学习
    机器学习（ML）算法是一个广泛而多样的领域，涵盖了多种用于数据分析和模式识别的技术。以下是一些常见的机器学习算法分类及其具体算法：一、监督学习算法监督学习算法使用标记（即已知结果）的训练数据来训练模型，以便对新数据进行预测。线性回归：用于建立连续变量之间的关系，通过拟合一条直线或超平面来预测新数据的输出值。逻辑回归：虽然名称中包含“回归”，但实际上是用于分类问题，特别是二分类问题。通过将线性回归模
  • Datawhale AI夏令营-task03 ghost_him 人工智能
    DatawhaleAI夏令营-task03笔记来源：DatawhaleAI夏令营数据增强基础数据增强是一种在机器学习和深度学习领域常用的技术，尤其是在处理图像和视频数据时。**数据增强的目的是通过人工方式增加训练数据的多样性，从而提高模型的泛化能力，使其能够在未见过的数据上表现得更好。**数据增强涉及对原始数据进行一系列的变换操作，生成新的训练样本。这些变换模拟了真实世界中的变化，对于图像而言，数
  • K-means聚类算法：从原理到实践的全面解读 一休哥助手 人工智能算法kmeans聚类
    引言在当今数据驱动的时代，机器学习技术的发展已经成为各行各业的重要驱动力。在机器学习中，聚类算法是一类被广泛应用的技术之一。聚类旨在将数据集中的样本划分为不同的组，使得组内的样本相似度高，组间的相似度低。K-means聚类算法作为聚类算法中的一种经典方法，因其简单、高效的特性被广泛应用于各个领域。在本文中，我们将深入探讨K-means聚类算法，从基本原理到实际应用，以及算法的优化和实现方法。首先，
  • 机器学习——支持向量机 酱香编程，风雨兼程 机器学习支持向量机机器学习算法
    一、间隔与支持向量  给定训练样本集D={(x1,y1),(x2,y2),⋯ ,(xm,ym)},yi∈{−1,+1}D=\{(\bmx_1,y_1),(\bmx_2,y_2),\cdots,(\bmx_m,y_m)\},y_i\in\{-1,+1\}D={(x1,y1),(x2,y2),⋯,(xm,ym)},yi∈{−1,+1}，分类学习最基本的想法就是基于训练集DDD在样本空间中找到一个划分超
  • 三生随记——AI的觉醒 滴答滴嗒嗒嗒 三生随记人工智能三生随记
    在一个风和日丽的周末，林杰在家中惬意地享受着休闲时光。他是一个科技爱好者，尤其对人工智能（AI）充满了兴趣。家中摆放着各种智能设备，从智能音箱到扫地机器人，都是他的心头好。然而，他总觉得现有的AI技术还不够成熟，无法真正实现智能化。有一天，林杰在浏览科技新闻时，无意间发现了一个名为“觉醒”的AI项目。这个项目声称能够打造出真正具备自我意识的AI，让它像人类一样思考。林杰立刻被吸引了，他决定参与这个
  • 【机器学习-随记】使用 Slack 和 Facebook Messenger 的消息机器人实现虚拟客服人员 听忆. 机器学习facebook机器人
    使用Slack和FacebookMessenger的消息机器人实现虚拟客服人员1.平台选择与集成2.消息机器人开发3.自然语言处理(NLP)4.虚拟助手功能实现5.语音助手集成6.安全与用户隐私7.测试与部署边走、边悟迟早会好实现一个虚拟客服人员，能够通过Slack和FacebookMessenger进行交互，并执行虚拟助手和语音助手通常完成的任务，涉及多个技术组件和步骤。以下是实现这一系统的详细
  • 释放GPU潜能：PyTorch中torch.nn.DataParallel的数据并行实践 2401_85762266 pytorch人工智能python
    释放GPU潜能：PyTorch中torch.nn.DataParallel的数据并行实践在深度学习模型的训练过程中，计算资源的需求往往随着模型复杂度的提升而增加。PyTorch，作为当前领先的深度学习框架之一，提供了torch.nn.DataParallel这一工具，使得开发者能够利用多个GPU进行数据并行处理，从而显著加速模型训练。本文将详细介绍如何在PyTorch中使用torch.nn.Dat
  • 每天一个数据分析题（五百零五）- 提升方法 跟着紫枫学姐学CDA 数据分析题库数据分析
    提升方法（Boosting），是一种可以用来减小监督式学习中偏差的机器学习算法。基于Boosting的集成学习，其代表算法不包括？A.AdaboostB.GBDTC.XGBOOSTD.随机森林数据分析认证考试介绍：点击进入题目来源于CDA模拟题库点击此处获取答案数据分析专项练习题库内容涵盖Python，SQL，统计学，数据分析理论，深度学习，可视化，机器学习，Spark八个方向的专项练习题库，数据
  • 每天一个数据分析题（五百零六）- 装袋方法 跟着紫枫学姐学CDA 数据分析数据挖掘
    装袋方法(bagging)也叫做bootstrapaggregating,是在原始数据集有放回地重采样S次后得到新数据集的一种技术，其代表算法有？A.AdaboostB.GBDTC.XGBOOSTD.随机森林数据分析认证考试介绍：点击进入题目来源于CDA模拟题库点击此处获取答案数据分析专项练习题库内容涵盖Python，SQL，统计学，数据分析理论，深度学习，可视化，机器学习，Spark八个方向的专
  • 新书速览|HTML5+CSS3 Web前端开发与实例教程：微课视频版 全栈开发圈 前端html5css3
    《HTML5+CSS3Web前端开发与实例教程：微课视频版》本书内容《HTML5+CSS3Web前端开发与实例教程：微课视频版》秉承“思政引领，立德树人”的教育理念，自然融入多维度、深层次的思政元素，全面对标企业和行业需求；引入现代Web前端开发的核心技术，如Flex布局、Grid布局，以及人工智能编程插件，同时融入企业开发实践，确保学习内容与实际工作紧密相关。全书以一个完整案例为主线，结合综合项
  • jQuery 跨域访问的三种方式 No 'Access-Control-Allow-Origin' header is present on the reque qiaolevip 每天进步一点点学习永无止境跨域众观千象
    XMLHttpRequest cannot load http://v.xxx.com. No 'Access-Control-Allow-Origin' header is present on the requested resource. Origin 'http://localhost:63342' is therefore not allowed access. test.html:1
  • mysql 分区查询优化 annan211 java分区优化mysql
    分区查询优化 引入分区可以给查询带来一定的优势，但同时也会引入一些bug. 分区最大的优点就是优化器可以根据分区函数来过滤掉一些分区，通过分区过滤可以让查询扫描更少的数据。 所以，对于访问分区表来说，很重要的一点是要在where 条件中带入分区，让优化器过滤掉无需访问的分区。 可以通过查看explain执行计划，是否携带 partitions
  • MYSQL存储过程中使用游标 chicony Mysql存储过程
    DELIMITER $$ DROP PROCEDURE IF EXISTS getUserInfo $$ CREATE PROCEDURE getUserInfo(in date_day datetime)-- -- 实例-- 存储过程名为：getUserInfo-- 参数为：date_day日期格式:2008-03-08--    BEGINdecla
  • mysql 和 sqlite 区别 Array_06 sqlite
    转载： http://www.cnblogs.com/ygm900/p/3460663.html mysql 和 sqlite 区别 SQLITE是单机数据库。功能简约，小型化，追求最大磁盘效率 MYSQL是完善的服务器数据库。功能全面，综合化，追求最大并发效率 MYSQL、Sybase、Oracle等这些都是试用于服务器数据量大功能多需要安装，例如网站访问量比较大的。而sq
  • pinyin4j使用 oloz pinyin4j
    首先需要pinyin4j的jar包支持；jar包已上传至附件内 方法一:把汉字转换为拼音；例如：编程转换后则为biancheng      /** * 将汉字转换为全拼 * @param src 你的需要转换的汉字 * @param isUPPERCASE 是否转换为大写的拼音； true:转换为大写；fal
  • 微博发送私信 随意而生 微博
    在前面文章中说了如和获取登陆时候所需要的cookie，现在只要拿到最后登陆所需要的cookie，然后抓包分析一下微博私信发送界面 http://weibo.com/message/history?uid=****&name=**** 可以发现其发送提交的Post请求和其中的数据， 让后用程序模拟发送POST请求中的数据，带着cookie发送到私信的接入口，就可以实现发私信的功能了。
  • jsp 香水浓 jsp
    JSP初始化     容器载入JSP文件后，它会在为请求提供任何服务前调用jspInit()方法。如果您需要执行自定义的JSP初始化任务，复写jspInit()方法就行了 JSP执行     这一阶段描述了JSP生命周期中一切与请求相关的交互行为，直到被销毁。     当JSP网页完成初始化后
  • 在 Windows 上安装 SVN Subversion 服务端 AdyZhang SVN
    在 Windows 上安装 SVN Subversion 服务端2009-09-16高宏伟哈尔滨市道里区通达街291号   最佳阅读效果请访问原地址：http://blog.donews.com/dukejoe/archive/2009/09/16/1560917.aspx   现在的Subversion已经足够稳定，而且已经进入了它的黄金时段。我们看到大量的项目都在使
  • android开发中如何使用 alertDialog从listView中删除数据？ aijuans android
    我现在使用listView展示了很多的配置信息，我现在想在点击其中一条的时候填出 alertDialog,点击确认后就删除该条数据，（ ArrayAdapter ，ArrayList，listView 全部删除），我知道在 下面的onItemLongClick 方法中 参数 arg2  是选中的序号，但是我不知道如何继续处理下去 1 2 3
  • jdk-6u26-linux-x64.bin 安装 baalwolf linux
    1.上传安装文件(jdk-6u26-linux-x64.bin) 2.修改权限 [root@localhost ~]# ls -l /usr/local/jdk-6u26-linux-x64.bin 3.执行安装文件 [root@localhost ~]# cd /usr/local [root@localhost local]# ./jdk-6u26-linux-x64.bin&nbs
  • MongoDB经典面试题集锦 BigBird2012 mongodb
    1.什么是NoSQL数据库？NoSQL和RDBMS有什么区别？在哪些情况下使用和不使用NoSQL数据库？ NoSQL是非关系型数据库，NoSQL = Not Only SQL。 关系型数据库采用的结构化的数据，NoSQL采用的是键值对的方式存储数据。 在处理非结构化/半结构化的大数据时；在水平方向上进行扩展时；随时应对动态增加的数据项时可以优先考虑使用NoSQL数据库。 在考虑数据库的成熟
  • JavaScript异步编程Promise模式的6个特性 bijian1013 JavaScriptPromise
            Promise是一个非常有价值的构造器，能够帮助你避免使用镶套匿名方法，而使用更具有可读性的方式组装异步代码。这里我们将介绍6个最简单的特性。         在我们开始正式介绍之前，我们想看看Javascript Promise的样子： var p = new Promise(function(r
  • [Zookeeper学习笔记之八]Zookeeper源代码分析之Zookeeper.ZKWatchManager bit1129 zookeeper
    ClientWatchManager接口 //接口的唯一方法materialize用于确定那些Watcher需要被通知 //确定Watcher需要三方面的因素1.事件状态 2.事件类型 3.znode的path public interface ClientWatchManager { /** * Return a set of watchers that should
  • 【Scala十五】Scala核心九：隐式转换之二 bit1129 scala
    隐式转换存在的必要性，   在Java Swing中，按钮点击事件的处理，转换为Scala的的写法如下：   val button = new JButton button.addActionListener( new ActionListener { def actionPerformed(event: ActionEvent) {
  • Android JSON数据的解析与封装小Demo ronin47
    转自：http://www.open-open.com/lib/view/open1420529336406.html package com.example.jsondemo; import org.json.JSONArray; import org.json.JSONException; import org.json.JSONObject;    impor
  • [设计]字体创意设计方法谈 brotherlamp UIui自学ui视频ui教程ui资料
      从古至今，文字在我们的生活中是必不可少的事物，我们不能想象没有文字的世界将会是怎样。在平面设计中，UI设计师在文字上所花的心思和功夫最多，因为文字能直观地表达UI设计师所的意念。在文字上的创造设计，直接反映出平面作品的主题。 如设计一幅戴尔笔记本电脑的广告海报，假设海报上没有出现“戴尔”两个文字，即使放上所有戴尔笔记本电脑的图片都不能让人们得知这些电脑是什么品牌。只要写上“戴尔笔
  • 单调队列-用一个长度为k的窗在整数数列上移动，求窗里面所包含的数的最大值 bylijinnan java算法面试题
    import java.util.LinkedList; /* 单调队列 滑动窗口 单调队列是这样的一个队列：队列里面的元素是有序的，是递增或者递减 题目：给定一个长度为N的整数数列a(i),i=0,1,...,N-1和窗长度k. 要求：f(i) = max{a(i-k+1),a(i-k+2),..., a(i)},i = 0,1,...,N-1 问题的另一种描述就
  • struts2处理一个form多个submit chiangfai struts2
    web应用中，为完成不同工作，一个jsp的form标签可能有多个submit。如下代码： <s:form action="submit" method="post" namespace="/my"> <s:textfield name="msg" label="叙述：">
  • shell查找上个月，陷阱及野路子 chenchao051 shell
    date -d "-1 month" +%F     以上这段代码，假如在2012/10/31执行，结果并不会出现你预计的9月份，而是会出现八月份，原因是10月份有31天，9月份30天，所以-1 month在10月份看来要减去31天，所以直接到了8月31日这天，这不靠谱。     野路子解决：假设当天日期大于15号
  • mysql导出数据中文乱码问题 daizj mysql中文乱码导数据
    解决mysql导入导出数据乱码问题方法： １、进入mysql，通过如下命令查看数据库编码方式： mysql>  show variables like 'character_set_%'; +--------------------------+----------------------------------------+ | Variable_name&nbs
  • SAE部署Smarty出现：Uncaught exception 'SmartyException' with message 'unable to write dcj3sjt126com PHPsmartysae
      对于SAE出现的问题：Uncaught exception 'SmartyException' with message 'unable to write file...。 官方给出了详细的FAQ：http://sae.sina.com.cn/?m=faqs&catId=11#show_213 解决方案为：   01 $path 
  • 《教父》系列台词 dcj3sjt126com
    Your love is also your weak point. 你的所爱同时也是你的弱点。   If anything in this life is certain, if history has taught us anything, it is that you can kill anyone.   不顾家的人永远不可能成为一个真正的男人。 &
  • mongodb安装与使用 dyy_gusi mongo
    一.MongoDB安装和启动,widndows和linux基本相同 1.下载数据库,     linux:mongodb-linux-x86_64-ubuntu1404-3.0.3.tgz 2.解压文件,并且放置到合适的位置     tar -vxf mongodb-linux-x86_64-ubun
  • Git排除目录 geeksun git
    在Git的版本控制中，可能有些文件是不需要加入控制的，那我们在提交代码时就需要忽略这些文件，下面讲讲应该怎么给Git配置一些忽略规则。   有三种方法可以忽略掉这些文件，这三种方法都能达到目的，只不过适用情景不一样。 1.  针对单一工程排除文件 这种方式会让这个工程的所有修改者在克隆代码的同时，也能克隆到过滤规则，而不用自己再写一份，这就能保证所有修改者应用的都是同一
  • Ubuntu 创建开机自启动脚本的方法 hongtoushizi ubuntu
    转载自： http://rongjih.blog.163.com/blog/static/33574461201111504843245/ Ubuntu 创建开机自启动脚本的步骤如下： 1) 将你的启动脚本复制到 /etc/init.d目录下 以下假设你的脚本文件名为 test。   2) 设置脚本文件的权限 $ sudo chmod 755
  • 第八章 流量复制/AB测试/协程 jinnianshilongnian nginxluacoroutine
    流量复制 在实际开发中经常涉及到项目的升级，而该升级不能简单的上线就完事了，需要验证该升级是否兼容老的上线，因此可能需要并行运行两个项目一段时间进行数据比对和校验，待没问题后再进行上线。这其实就需要进行流量复制，把流量复制到其他服务器上，一种方式是使用如tcpcopy引流；另外我们还可以使用nginx的HttpLuaModule模块中的ngx.location.capture_multi进行并发
  • 电商系统商品表设计 lkl
    DROP TABLE IF EXISTS `category`; -- 类目表 /*!40101 SET @saved_cs_client = @@character_set_client */; /*!40101 SET character_set_client = utf8 */; CREATE TABLE `category` ( `id` int(11) NOT NUL
  • 修改phpMyAdmin导入SQL文件的大小限制 pda158 sqlmysql
    　用phpMyAdmin导入mysql数据库时，我的10M的 数据库不能导入，提示mysql数据库最大只能导入2M。 　　 phpMyAdmin数据库导入出错： 　　You probably tried to upload too large file. Please refer to documentation for ways to workaround this limit.
  • Tomcat性能调优方案 Sobfist apachejvmtomcat应用服务器
    一、操作系统调优 对于操作系统优化来说，是尽可能的增大可使用的内存容量、提高CPU的频率，保证文件系统的读写速率等。经过压力测试验证，在并发连接很多的情况下，CPU的处理能力越强，系统运行速度越快。。 【适用场景】 任何项目。 二、Java虚拟机调优 应该选择SUN的JVM，在满足项目需要的前提下，尽量选用版本较高的JVM，一般来说高版本产品在速度和效率上比低版本会有改进。 J
  • SQLServer学习笔记 vipbooks 数据结构xml
    1、create database school 创建数据库school 2、drop database school 删除数据库school 3、use school 连接到school数据库，使其成为当前数据库 4、create table class(classID int primary key identity not null) 创建一个名为class的表，其有一
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他