zidea
zidea

决策树随笔

这是一个随笔

我们先暂时不考虑损失函数的，我们只是在函数空间里求梯度。给定训练数据

所谓提升我们就是不断通过加权形式提高在分错的数据上识别能力来达到一种提升分类器效果。所谓残差就是上一步遗留下来等待新进分类器把这些数据做的更好。

这里依旧是一个监督学习，通过设定目标函数来让 不断逼近 这个真实函数。


有的教程只是将如何通过学习得到残差，然后使用残差和数据组合得到新的样本来训练新的的决策树，而忽视介绍 的具体模样，这里我们就来介绍一下

表示有 m 颗决策树(或者分类器)乘以 权重组成。

我们寻找一个常数 c 作为在 ,一般就是 c 是样本点均值。


是由 m 颗决策树组成集合，而

在实际中我们无需求梯度，而是通过决策树来拟合残差的形式来实现梯度下降的效果。

我们使用 m - 1 颗决策树的结果有预期值之间残差作为训练下一颗(第 m 颗)决策树的数据。

加法模型

学一个新的决策树拟合残差， 类似随意函数

你可能感兴趣的:(决策树随笔)

  • AdaBoost算法 Mr终游 机器学习算法决策树
    目录一、核心原理：二、算法步骤三、关键优势：四.局限与解决五、代码示例（鸢尾花数据集）AdaBoost（AdaptiveBoosting）是一种经典的集成学习算法，通过组合多个弱分类器（如决策树）来构建强分类器。其核心思想是通过迭代优化残差（错误）和动态调整样本权重，逐步提升模型性能。以下是对AdaBoost的简明总结和关键要点：一、核心原理：提升法：通过顺序训练多个弱分类器，每轮专注修正前一个模
  • Kubernetes 基础学习和概念；PVC/Configmap/service/deploment/ 敏君宝爸 kubernetes学习容器
    Kubernetes-doc|kubernetes-doc教程|Kubernetesk8s-随笔分类-邹邹很busy。-博客园apiVersion:apps/v1#指定api版本，此值必须在kubectlapi-versions中kind:Deployment#指定创建资源的角色/类型metadata:#资源的元数据/属性name:demo#资源的名字，在同一个namespace中必须唯一name
  • 神经网络ＶＳ决策树 Persistence is gold 神经网络决策树人工智能
    神经网络（NeuralNetworks）和决策树（DecisionTrees）是两种不同的机器学习算法，各自具有独特的优点和适用场景。以下是它们的详细比较：神经网络优点:强大的学习能力:神经网络，尤其是深度神经网络，能够自动学习数据中的复杂特征，可以处理高维和非线性的问题。适用性广泛:神经网络适用于分类、回归、图像处理、语音识别、自然语言处理等多种任务。多层结构:通过增加隐藏层，神经网络可以逐层提
  • 深度神经网络——决策树的实现与剪枝 知来者逆 人工智能dnn决策树人工智能神经网络深度学习机器学习
    概述决策树是一种有用的机器学习算法，用于回归和分类任务。“决策树”这个名字来源于这样一个事实：算法不断地将数据集划分为越来越小的部分，直到数据被划分为单个实例，然后对实例进行分类。如果您要可视化算法的结果，类别的划分方式将类似于一棵树和许多叶子。这是决策树的快速定义，但让我们深入了解决策树的工作原理。更好地了解决策树的运作方式及其用例，将帮助您了解何时在机器学习项目中使用它们。决策树的结构决策树的
  • 深入浅出地理解-随机森林与XGBoost模型 HP-Succinum 机器学习随机森林集成学习机器学习
    目录一、决策树的不足与集成学习的优势1.1决策树的缺点1.2集成学习：通过集成多个模型提升稳定性二、随机森林：通过多棵决策树减少方差2.1随机森林的基本原理2.2随机森林的优势2.3随机森林的参数调整三、XGBoost：高效且强大的Boosting方法3.1Boosting的基本原理3.2XGBoost的优化3.3XGBoost的优点四、随机森林与XGBoost的对比五、总结在机器学习的实战中，决
  • 算法随笔_62: 买卖股票的最佳时机 程序趣谈 算法python数据结构
    上一篇:算法随笔_61:二进制求和-CSDN博客=====题目描述如下:给定一个数组prices，它的第i个元素prices[i]表示一支给定股票第i天的价格。你只能选择某一天买入这只股票，并选择在未来的某一个不同的日子卖出该股票。设计一个算法来计算你所能获取的最大利润。返回你可以从这笔交易中获取的最大利润。如果你不能获取任何利润，返回0。示例1：输入：[7,1,5,3,6,4]输出：5解释：在第
  • 机器学习之学习笔记 孤城laugh 机器学习学习笔记人工智能python
    机器学习-学习笔记1.简介2.算法3.特征工程3.1数据集3.2特征提取3.3特征预处理3.4特征降维4.分类算法4.1`sklearn`转换器和估计器4.2K-近邻算法（KNN）4.3模型选择与调优4.4朴素贝叶斯算法4.5决策树4.6集成学习方法之随机森林5.回归算法5.1线性回归5.2过拟合与欠拟合5.3岭回归5.4逻辑回归（实际上是分类算法，用于解决二分类问题）6.聚类算法1.无监督学习2
  • 《西西弗神话》：在荒诞中书写生命的尊严 曦紫沐 小说
    一、加缪与《西西弗神话》的诞生法国作家阿尔贝·加缪（AlbertCamus）是20世纪存在主义文学的代表人物之一。1942年，他在流亡巴黎期间写下哲学随笔集《西西弗神话》，以希腊神话中的西西弗斯为隐喻，探讨了人类面对荒诞命运时的生存意义。这部作品不仅是加缪对“荒诞哲学”的系统阐释，更成为存在主义文学的经典宣言。1957年，加缪因“热情而冷静地阐明了当代向人类良知提出的种种问题”荣获诺贝尔文学奖，而
  • React组件化深度解析（二）：从受控组件到生命周期现代化 咔咔库奇 reactjavascript前端开发语言
    目录一、组件设计哲学：控制与自由的博弈1.受控组件vs非受控组件：灵魂三问核心差异对比表选型决策树二、复合组件模式：隐式状态共享的艺术1.CompoundComponents设计模式实现原理四部曲2.手写可配置的Accordion组件三、生命周期现代化：从类组件到Hooks的迁移指南1.类组件生命周期图谱（React18版）React18关键变更2.useEffect与生命周期的映射关系精准对应关
  • 通俗易懂的分类算法之决策树详解 clownAdam 分类决策树数据挖掘算法
    通俗易懂的分类算法之决策树详解1.什么是决策树？决策树是一种像树一样的结构，用来帮助我们对数据进行分类或预测。它的每个节点代表一个问题或判断条件，每个分支代表一个可能的答案，最后的叶子节点就是最终的分类结果。举个例子：假设你要判断一个水果是苹果还是香蕉，你可以问一些问题：它是红色的吗？如果是→可能是苹果。如果不是→继续问下一个问题。它是长条形的吗？如果是→可能是香蕉。如果不是→可能是其他水果。这个
  • 机器学习_PySpark-3.0.3随机森林回归(RandomForestRegressor)实例 Mostcow 数据分析Python机器学习随机森林回归大数据
    机器学习_PySpark-3.0.3随机森林回归(RandomForestRegressor)实例随机森林回归(RandomForestRegression):任务类型:随机森林回归主要用于回归任务。在回归任务中,算法试图预测一个连续的数值输出,而不是一个离散的类别。输出:随机森林回归的输出是一个连续的数值,表示输入数据的预测结果。算法原理:随机森林回归同样基于决策树,但在回归任务中,每个决策树的
  • 机器学习_Scikit-Learn随机森林回归(RandomForestRegressor)实例 Mostcow Python数据分析机器学习scikit-learn随机森林回归算法
    机器学习_Scikit-Learn随机森林回归(RandomForestRegressor)实例随机森林回归(RandomForestRegression):随机森林是一种集成学习方法,它通过构建多个决策树来进行预测。它对于处理大量特征、非线性关系和避免过拟合都有一定的优势。在Python中,你可以使用Scikit-learn库中的RandomForestRegressor来实现。随机森林回归作为
  • 【技术随笔】Mysql数据库亿级数据表的快速迁移，详细教程及避坑指南 QTEASY量化交易 随笔笔记mysql数据库mysqlandroid
    迁移mysql大量数据的详细教程及避坑指南问题说明操作思路操作方法生成数据库文件批量创建空数据表批量导入数据单个导入数据暂时关闭auto_commit和数据检查：效果对比恢复mysql设置避坑指南无法dump数据到文件：报错mysqlimport命令不存在无法读取本地文件，提示Local-infile被禁用问题说明做量化交易需要大量的金融数据，通常保存在mysql数据库中，有时候我们需要将这些金融
  • 【随笔笔记】将mysql数据迁移到群晖NAS QTEASY量化交易 随笔笔记笔记mysql数据库
    将mysql数据迁移到群晖NAS情况和问题前提条件方法1，使用管道方式传递数据方法2，导出数据为文件，复制到NAS上再导入情况和问题原本大量的金融数据保存在电脑本地硬盘的mysql数据库中，随着数据量越来越大，电脑的硬盘吃紧，正好把我的群晖NAS升级到了DS923+并且增加了4T的存储空间，可以使用Docker安装mysql并且存储空间不再是个问题，因此打算将电脑中的数据全部迁移到群晖NAS中。这
  • 编程小白冲Kaggle每日打卡（17）--kaggle学堂：＜机器学习简介＞随机森林 AZmax01 编程小白冲Kaggle每日打卡机器学习随机森林人工智能
    Kaggle官方课程链接：RandomForests本专栏旨在Kaggle官方课程的汉化，让大家更方便地看懂。RandomForests使用更复杂的机器学习算法。介绍决策树给你留下了一个艰难的决定。一棵有很多叶子的深树会被过度拟合，因为每一个预测都来自它叶子上少数房子的历史数据。但是，叶子很少的浅树表现不佳，因为它无法在原始数据中捕捉到尽可能多的区别。即使是当今最复杂的建模技术也面临着欠拟合和过拟
  • 基于RF随机森林机器学习算法的回归预测模型MATLAB代码实现了一个回归任务的决策树集成模型。 qq924711725 仿真模型机器学习算法随机森林
    基于RF随机森林机器学习算法的回归预测模型MATLAB代码实现了一个回归任务的决策树集成模型。首先从Excel文件中导入数据集，并将数据划分为训练集和测试集。然后，对数据进行归一化处理并转置以适应模型的要求。文章目录MATLAB代码实现说明：MATLAB代码实现说明：运行代码前的注意事项：示例输出：MATLAB代码实现说明：示例输出：以下是一个基于随机森林（RF,RandomForest）机器学习
  • 机器学习与深度学习资料 JasonDing1354 【MachineLearning】
    《BriefHistoryofMachineLearning》介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、DeepLearning.《DeepLearninginNeuralNetworks:AnOverview》介绍:这是瑞士人工智能实验室JurgenSchmidhuber写的最新版本《神经网络与深度学习综述》本综述的特点是以
  • 详解动态规划之01背包问题及其空间压缩(图文并茂+例题讲解) 看繁星aa 动态规划算法
    1.动态规划问题的本质记忆化地暴力搜索所有可能性来得到问题的解我们常常会遇到一些问题，需要我们在n次操作，且每次操作有k种选择时，求出最终需要的最小或最大代价。处理类似的问题，我们一般需要遍历所有的可能性(相当于走一遍所有的路径)，然后找到我们所需要的解。很明显我们可以构成一棵“决策树”，假设n=2,k=3,那么：我们可以通过DFS或者BFS来遍历整棵树，从而搜寻到我们需要的结果。时间复杂度：O(
  • 《李航 统计学习方法》学习笔记——第五章决策树 eveiiii 统计学习决策树算法剪枝python机器学习
    决策树5.1决策树模型与学习5.2特征选择5.2.1信息增益5.2.2信息增益比python代码实现例题：信息增益与信息增益比5.3决策树的生成5.3.1ID3算法（python实现）5.3.2C4.5生成算法（python实现）5.4决策树的剪枝5.5CART算法5.5.1CART生成5.5.2CART剪枝习题5.1(python实现）习题5.2(python实现）习题5.3习题5.4参考5.1
  • 深度、机器学习算法 yzx991013 机器学习算法人工智能
    机器学习典型算法SVM（支持向量机）：它通过寻找一个最优超平面来对数据进行分类。在二分类问题中，能找到一个平面（低维）或超平面（高维），使不同类别的数据点尽可能远地分布在超平面两侧。在小样本、非线性数据处理上有优势，常用于文本分类、图像识别等领域。决策树：以树形结构展示决策过程，从根节点开始，依据特征值逐步向下划分，直到叶子节点得出分类或回归结果。它易于理解和解释，可处理数值型和分类型数据，但容易
  • GrandientBoostingClassifier函数介绍 浊酒南街 #机器学习算法GBDT
    目录前言用法示例前言GradientBoostingClassifier是Scikit-learn库中的一个分类器，用于实现梯度提升决策树（GradientBoostingDecisionTrees，GBDT）算法。GBDT是一种强大的集成学习方法，能够通过逐步构建一系列简单的决策树（通常是浅树）来提高模型的预测性能。它在多个机器学习竞赛中表现出色，是用于分类和回归任务的流行选择。用法fromsk
  • 解锁机器学习核心算法｜朴素贝叶斯：分类的智慧法则 紫雾凌寒 AI炼金厂#机器学习算法机器学习算法分类朴素贝叶斯python深度学习人工智能
    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、主成分分析（PCA）、神经网络。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。而在这众多的算法中，朴素贝叶斯算法
  • 算法随笔_58: 队列中可以看到的人数 程序趣谈 算法python数据结构
    上一篇:算法随笔_57:游戏中弱角色的数量-CSDN博客=====题目描述如下:有n个人排成一个队列，从左到右编号为0到n-1。给你以一个整数数组heights，每个整数互不相同，heights[i]表示第i个人的高度。一个人能看到他右边另一个人的条件是这两人之间的所有人都比他们两人矮。更正式的，第i个人能看到第j个人的条件是imax(heights[i+1],heights[i+2],...,h
  • 使用Scikit-Learn决策树：分类问题解决方案指南 范范0825 scikit-learn决策树分类
    如何用scikit-learn的决策树分类器解决分类问题1.引言在本教程中，我们将探讨如何使用scikit-learn（sklearn）库中的决策树分类器解决分类问题。决策树是一种强大的机器学习算法，能够根据输入数据的特征属性学习决策规则，并用于预测新数据的分类标签。2.理论基础与算法介绍2.1决策树算法概述决策树是一种树形结构，每个非叶节点表示一个特征属性上的决策，每个分支代表一个决策结果的可能
  • R语言报错 变数的长度不一样，需要改成元素自变量对应的名称 仿生bug r语言bigdata
    在进行回归，决策树等出现报错，观察数据等情况都无发现错误使用本地数据鸢尾花（yuānwěihuā）做示例，说明问题data(iris)train_sub=sample(nrow(iris),7/10*nrow(iris))trainset=iris[train_sub,]testset=iris[-train_sub,]fit1=rpart(iris$Species~.,data=trainset
  • 算法随笔_57 : 游戏中弱角色的数量 程序趣谈 算法python数据结构
    上一篇:算法随笔_56:好子数组的最大分数-CSDN博客=====题目描述如下:你正在参加一个多角色游戏，每个角色都有两个主要属性：攻击和防御。给你一个二维整数数组properties，其中properties[i]=[attacki,defensei]表示游戏中第i个角色的属性。如果存在一个其他角色的攻击和防御等级都严格高于该角色的攻击和防御等级，则认为该角色为弱角色。更正式地，如果认为角色i弱
  • Java集合框架与线程安全：深入解析与最佳实践 bdawn javajava开发语言集合多线程线程安全list
    目录一、Java集合框架概览二、线程安全挑战与解决方案典型线程安全问题示例传统同步方案现代并发集合解析三、性能对比与选型策略基准测试数据（单位：ops/ms）选型决策树四、最佳实践与陷阱规避五、未来演进趋势结语一、Java集合框架概览Java集合框架（JavaCollectionsFramework）是Java开发者最常用的工具包之一，其核心接口构成清晰的层级体系：List接口：有序可重复集合Ar
  • Spark MLlib中的机器学习算法及其应用场景 Java资深爱好者 深度学习推荐算法
    SparkMLlib是ApacheSpark框架中的一个机器学习库，提供了丰富的机器学习算法和工具，用于处理和分析大规模数据。以下是SparkMLlib中的机器学习算法及其应用场景的详细描述：一、SparkMLlib中的机器学习算法分类算法：逻辑回归：用于二分类问题，通过最大化对数似然函数来估计模型参数。支持向量机（SVM）：用于分类和回归问题，通过寻找一个超平面来最大化不同类别之间的间隔。决策树
  • HUSTOJ随笔4-建立分布式判题系统 歪嘴鱼 hustoj数据库服务器数据库远程连接虚拟机web服务
    HUSTOJ支持一台数据库服务器，多台web服务器和多台判题服务器，以承担较高的访问负荷。首先，需要创建用于从远程连接数据库的帐号。GRANTALLPRIVILEGESONjol.*TO'judge'@'%'IDENTIFIEDBY'judge_pass'WITHOUTGRANTOPTION;flushprivileges复制代码其中jol为数据库，judge为帐号，judge_pass为密码。注
  • 机器学习的模型类型（Model Types） 路野yue 人工智能机器学习
    1.传统机器学习模型线性模型（LinearModels）：线性回归（LinearRegression）：用于回归任务，拟合线性关系。逻辑回归（LogisticRegression）：用于分类任务，输出概率值。岭回归（RidgeRegression）和Lasso回归（LassoRegression）：带正则化的线性回归。树模型（Tree-basedModels）：决策树（DecisionTree）：
  • 多线程编程之卫生间 周凡杨 java并发卫生间线程厕所
    如大家所知，火车上车厢的卫生间很小，每次只能容纳一个人，一个车厢只有一个卫生间，这个卫生间会被多个人同时使用，在实际使用时，当一个人进入卫生间时则会把卫生间锁上，等出来时打开门，下一个人进去把门锁上，如果有一个人在卫生间内部则别人的人发现门是锁的则只能在外面等待。问题分析：首先问题中有两个实体，一个是人，一个是厕所，所以设计程序时就可以设计两个类。人是多数的，厕所只有一个（暂且模拟的是一个车厢）。
  • How to Install GUI to Centos Minimal sunjing linuxInstallDesktopGUI
    http://www.namhuy.net/475/how-to-install-gui-to-centos-minimal.html   I have centos 6.3 minimal running as web server. I’m looking to install gui to my server to vnc to my server. You can insta
  • Shell 函数 daizj shell函数
    Shell 函数 linux shell 可以用户定义函数，然后在shell脚本中可以随便调用。 shell中函数的定义格式如下： [function] funname [()]{ action; [return int;] } 说明： 1、可以带function fun() 定义，也可以直接fun() 定义,不带任何参数。 2、参数返回
  • Linux服务器新手操作之一 周凡杨 Linux 简单 操作
    1.whoami      当一个用户登录Linux系统之后，也许他想知道自己是发哪个用户登录的。      此时可以使用whoami命令。      [ecuser@HA5-DZ05 ~]$ whoami       e
  • 浅谈Socket通信（一） 朱辉辉33 socket
    在java中ServerSocket用于服务器端，用来监听端口。通过服务器监听，客户端发送请求，双方建立链接后才能通信。当服务器和客户端建立链接后，两边都会产生一个Socket实例，我们可以通过操作Socket来建立通信。    首先我建立一个ServerSocket对象。当然要导入java.net.ServerSocket包    ServerSock
  • 关于框架的简单认识 西蜀石兰 框架
    入职两个月多，依然是一个不会写代码的小白，每天的工作就是看代码，写wiki。 前端接触CSS、HTML、JS等语言，一直在用的CS模型，自然免不了数据库的链接及使用，真心涉及框架，项目中用到的BootStrap算一个吧，哦，JQuery只能算半个框架吧，我更觉得它是另外一种语言。 后台一直是纯Java代码，涉及的框架是Quzrtz和log4j。 都说学前端的要知道三大框架，目前node.
  • You have an error in your SQL syntax; check the manual that corresponds to your 林鹤霄
    You have an error in your SQL syntax; check the manual that corresponds to your MySQL server version for the right syntax to use near 'option,changed_ids  ) values('0ac91f167f754c8cbac00e9e3dc372
  • MySQL5.6的my.ini配置 aigo mysql
    注意：以下配置的服务器硬件是：8核16G内存    [client]   port=3306   [mysql]   default-character-set=utf8     [mysqld]   port=3306   basedir=D:/mysql-5.6.21-win
  • mysql 全文模糊查找 便捷解决方案 alxw4616 mysql
    mysql 全文模糊查找 便捷解决方案 2013/6/14 by 半仙 [email protected] 目的: 项目需求实现模糊查找. 原则: 查询不能超过 1秒. 问题: 目标表中有超过1千万条记录. 使用like '%str%' 进行模糊查询无法达到性能需求. 解决方案: 使用mysql全文索引. 1.全文索引 : MySQL支持全文索引和搜索功能。MySQL中的全文索
  • 自定义数据结构 链表(单项 ,双向,环形) 百合不是茶 单项链表双向链表
         链表与动态数组的实现方式差不多,    数组适合快速删除某个元素    链表则可以快速的保存数组并且可以是不连续的       单项链表;数据从第一个指向最后一个   实现代码:        //定义动态链表 clas
  • threadLocal实例 bijian1013 javathreadjava多线程threadLocal
    实例1： package com.bijian.thread; public class MyThread extends Thread { private static ThreadLocal tl = new ThreadLocal() { protected synchronized Object initialValue() { return new Inte
  • activemq安全设置—设置admin的用户名和密码 bijian1013 javaactivemq
            ActiveMQ使用的是jetty服务器, 打开conf/jetty.xml文件，找到 <bean id="adminSecurityConstraint" class="org.eclipse.jetty.util.security.Constraint"> <p
  • 【Java范型一】Java范型详解之范型集合和自定义范型类 bit1129 java
    本文详细介绍Java的范型，写一篇关于范型的博客原因有两个，前几天要写个范型方法(返回值根据传入的类型而定)，竟然想了半天，最后还是从网上找了个范型方法的写法；再者，前一段时间在看Gson, Gson这个JSON包的精华就在于对范型的优雅简单的处理，看它的源代码就比较迷糊，只其然不知其所以然。所以，还是花点时间系统的整理总结下范型吧。   范型内容 范型集合类 范型类
  • 【HBase十二】HFile存储的是一个列族的数据 bit1129 hbase
    在HBase中，每个HFile存储的是一个表中一个列族的数据，也就是说，当一个表中有多个列簇时，针对每个列簇插入数据，最后产生的数据是多个HFile，每个对应一个列族，通过如下操作验证   1. 建立一个有两个列族的表   create 'members','colfam1','colfam2'   2. 在members表中的colfam1中插入50*5
  • Nginx 官方一个配置实例 ronin47 nginx 配置实例
    user www www; worker_processes 5; error_log logs/error.log; pid logs/nginx.pid; worker_rlimit_nofile 8192; events { worker_connections 4096;} http { include conf/mim
  • java-15.输入一颗二元查找树，将该树转换为它的镜像， 即在转换后的二元查找树中，左子树的结点都大于右子树的结点。 用递归和循环 bylijinnan java
    //use recursion public static void mirrorHelp1(Node node){ if(node==null)return; swapChild(node); mirrorHelp1(node.getLeft()); mirrorHelp1(node.getRight()); } //use no recursion bu
  • 返回null还是empty bylijinnan javaapachespring编程
    第一个问题，函数是应当返回null还是长度为0的数组（或集合）？ 第二个问题，函数输入参数不当时，是异常还是返回null？ 先看第一个问题 有两个约定我觉得应当遵守： 1.返回零长度的数组或集合而不是null（详见《Effective Java》） 理由就是，如果返回empty，就可以少了很多not-null判断： List<Person> list
  • [科技与项目]工作流厂商的战略机遇期 comsci 工作流
          在新的战略平衡形成之前，这里有一个短暂的战略机遇期，只有大概最短6年，最长14年的时间，这段时间就好像我们森林里面的小动物，在秋天中，必须抓紧一切时间存储坚果一样，否则无法熬过漫长的冬季。。。。         在微软，甲骨文，谷歌，IBM,SONY
  • 过度设计-举例 cuityang 过度设计
    过度设计，需要更多设计时间和测试成本，如无必要，还是尽量简洁一些好。 未来的事情，比如 访问量，比如数据库的容量，比如是否需要改成分布式  都是无法预料的 再举一个例子，对闰年的判断逻辑： 　　1、 if($Year%4==0) return True; else return Fasle; 　　2、if (   ($Year%4==0  &am
  • java进阶，《Java性能优化权威指南》试读 darkblue086 java性能优化
    记得当年随意读了微软出版社的.NET 2.0应用程序调试，才发现调试器如此强大，应用程序开发调试其实真的简单了很多，不仅仅是因为里面介绍了很多调试器工具的使用，更是因为里面寻找问题并重现问题的思想让我震撼，时隔多年，Java已经如日中天，成为许多大型企业应用的首选，而今天，这本《Java性能优化权威指南》让我再次找到了这种感觉，从不经意的开发过程让我刮目相看，原来性能调优不是简单地看看热点在哪里，
  • 网络学习笔记初识OSI七层模型与TCP协议 dcj3sjt126com 学习笔记
      协议：在计算机网络中通信各方面所达成的、共同遵守和执行的一系列约定 　　计算机网络的体系结构：计算机网络的层次结构和各层协议的集合。 　　两类服务： 　　面向连接的服务通信双方在通信之前先建立某种状态，并在通信过程中维持这种状态的变化，同时为服务对象预先分配一定的资源。这种服务叫做面向连接的服务。 　　面向无连接的服务通信双方在通信前后不建立和维持状态，不为服务对象
  • mac中用命令行运行mysql dcj3sjt126com mysqllinuxmac
    参考这篇博客：http://www.cnblogs.com/macro-cheng/archive/2011/10/25/mysql-001.html  感觉workbench不好用（有点先入为主了）。 1，安装mysql 在mysql的官方网站下载 mysql 5.5.23 http://www.mysql.com/downloads/mysql/，根据我的机器的配置情况选择了64
  • MongDB查询（1）——基本查询[五] eksliang mongodbmongodb 查询mongodb find
    MongDB查询 转载请出自出处：http://eksliang.iteye.com/blog/2174452 一、find简介 MongoDB中使用find来进行查询。 API:如下 function ( query , fields , limit , skip, batchSize, options ){.....}  参数含义： query:查询参数 fie
  • base64，加密解密 经融加密，对接 y806839048 经融加密对接
    String data0 = new String(Base64.encode(bo.getPaymentResult().getBytes(("GBK")))); String data1 = new String(Base64.decode(data0.toCharArray()),"GBK"); // 注意编码格式，注意用于加密，解密的要是同
  • JavaWeb之JSP概述 ihuning javaweb
      什么是JSP？为什么使用JSP？ JSP表示Java Server Page，即嵌有Java代码的HTML页面。使用JSP是因为在HTML中嵌入Java代码比在Java代码中拼接字符串更容易、更方便和更高效。   JSP起源    在很多动态网页中，绝大部分内容都是固定不变的，只有局部内容需要动态产生和改变。  如果使用Servl
  • apple watch 指南 啸笑天 apple
    1. 文档 WatchKit Programming Guide（中译在线版 By @CocoaChina） 译文 译者 原文 概览 - 开始为 Apple Watch 进行开发 @星夜暮晨 Overview - Developing for Apple Watch 概览 - 配置 Xcode 项目 - Overview - Configuring Yo
  • java经典的基础题目 macroli java编程
    1.列举出 10个JAVA语言的优势 a:免费，开源，跨平台(平台独立性)，简单易用，功能完善，面向对象，健壮性，多线程，结构中立，企业应用的成熟平台, 无线应用 2.列举出JAVA中10个面向对象编程的术语 a:包，类，接口，对象，属性，方法，构造器，继承，封装，多态，抽象，范型 3.列举出JAVA中6个比较常用的包 Java.lang;java.util;java.io;java.sql;ja
  • 你所不知道神奇的js replace正则表达式 qiaolevip 每天进步一点点学习永无止境纵观千象regex
    var v = 'C9CFBAA3CAD0'; console.log(v); var arr = v.split(''); for (var i = 0; i < arr.length; i ++) { if (i % 2 == 0) arr[i] = '%' + arr[i]; } console.log(arr.join('')); console.log(v.r
  • [一起学Hive]之十五-分析Hive表和分区的统计信息(Statistics) superlxw1234 hivehive分析表hive统计信息hive Statistics
    关键字：Hive统计信息、分析Hive表、Hive Statistics   类似于Oracle的分析表，Hive中也提供了分析表和分区的功能，通过自动和手动分析Hive表，将Hive表的一些统计信息存储到元数据中。   表和分区的统计信息主要包括：行数、文件数、原始数据大小、所占存储大小、最后一次操作时间等；   14.1 新表的统计信息 对于一个新创建
  • Spring Boot 1.2.5 发布 wiselyman spring boot
        Spring Boot 1.2.5已在7月2日发布，现在可以从spring的maven库和maven中心库下载。   这个版本是一个维护的发布版，主要是一些修复以及将Spring的依赖提升至4.1.7(包含重要的安全修复)。   官方建议所有的Spring Boot用户升级这个版本。   项目首页 | 源
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他