龍尐
龍尐

简单线性回归评估指标+R Squared

使得每一个数据集尽可能的小

简单线性回归评估指标+R Squared_第1张图片

 

均方误差MSE：（平方和取平均值）

简单线性回归评估指标+R Squared_第2张图片

 

均方根误差RMSE：（平方和取平均值开根号）：平均误差值

简单线性回归评估指标+R Squared_第3张图片

 

平均绝对误差MAE：（绝对值取平均）：

简单线性回归评估指标+R Squared_第4张图片

 

RMSE>MAE大的原因 RMSE会放大误差

所以评估时应尽量让RMSE小

-------------R Squared评估指标------------

简单线性回归评估指标+R Squared_第5张图片

 

训练的模型：  产生的错误量

简单线性回归评估指标+R Squared_第6张图片

 

基准模型：  基础模型产生错误量

简单线性回归评估指标+R Squared_第7张图片

 

R^2<=1，R^2越大越好

简单线性回归评估指标+R Squared_第8张图片

 

-------------------------------分子分母取平均值------------------------------

简单线性回归评估指标+R Squared_第9张图片

分子为MSE

分母为方差 ( Var)

你可能感兴趣的:(机器学习,spark-ml)

  • 网关类设备技术演进思路 看兵马俑的程序员 网闸安全
    1.新技术采纳5G和物联网技术：支持更快的数据传输和更多连接。人工智能（AI）和机器学习：用于数据分析、用户行为预测和自动化决策。边缘计算：在设备端进行数据处理，减少对云服务的依赖，提高响应速度。区块链技术：用于确保数据安全和网络安全。2.安全性和隐私数据加密和隐私保护：采用最新的加密技术保护数据传输和存储。身份验证和访问控制：强化用户身份验证，确保只有授权用户可以访问网关。固件和软件安全更新：支
  • 国产替代 | 星环科技Sophon替代SAS，助力大型国有银行智能化营销 星环科技 数据库架构数据挖掘
    分布式架构的｜国产智能分析工具在银行交易中，20%的头部优质客户会给银行贡献80%的利润，而赢得一个新客户的成本是保留一个老客户的5至6倍。某大型国有银行在面临此类数据挖掘的业务时，使用的是SAS产品。由于SAS是集中式的，对单台服务器要求太高，算力无法支撑需求，且无法支持可视化的机器学习，对于业务人员来说使用门槛过高。在经过产品选型后，决定采用星环科技的智能分析工具Sophon替换原有SAS，用
  • PyTorch知识点总结之一 Rain松 机器学习与深度学习pytorch深度学习python
    PyTorch知识点总结之一1.什么是PyTorch？它有什么特点和优势？PyTorch是一个基于Python的科学计算库，它是用于机器学习和深度学习的框架之一。它由Facebook的人工智能研究团队开发和维护，是一个开源的软件包，可以帮助开发者构建各种深度学习模型。PyTorch的特点和优势如下：易于使用和学习：PyTorch采用了类似于Python的语法，使得它容易上手和学习。它还提供了丰富的
  • 使用 ML.NET 开发工业预测系统：从数据到智能决策 威哥说编程 c#AI编程人工智能microsoft
    在现代工业领域，随着生产设备和环境传感器的大量部署，生成了海量的实时数据。这些数据不仅可以帮助我们监控设备的健康状况，还能够通过智能分析实现预测性维护、故障检测和生产效率优化等目标。而机器学习技术，尤其是ML.NET，提供了一种高效、灵活的方式来挖掘这些数据背后的潜在价值。本文将带领大家通过使用ML.NET来开发一个简单的工业预测系统，帮助企业提高生产效率，降低故障风险。1.机器学习在工业中的应用
  • 初学者推荐学习AI的路径 ProgramHan 学习人工智能
    学习人工智能的路径可以分为基础知识、编程技能、机器学习、深度学习、数据处理与可视化、自然语言处理（NLP）、计算机视觉（CV）、强化学习、实践项目和持续学习几个阶段。以下是一个简要的路径：1️⃣基础知识数学基础（线性代数、微积分、概率统计）编程基础（Python/R等语言）算法与数据结构2️⃣机器学习基础理解监督学习（如回归、分类）、无监督学习（如聚类、PCA）掌握机器学习库（如scikit-le
  • 机器学习实战：从理论到实践 静默.\\ 机器学习人工智能
    随着人工智能技术的迅猛发展，机器学习作为其核心部分，已经广泛应用于各个领域。它不仅在科技公司中扮演着关键角色，在医疗、金融、零售等行业也展现了巨大的潜力。然而，对于许多初学者来说，如何将理论知识转化为实际操作是一个挑战。本文旨在通过一个具体的案例——预测房价，来介绍机器学习的基本流程和具体操作步骤。我们将使用Python编程语言及其相关的科学计算库，如NumPy、Pandas、Scikit-Lea
  • 开源模型应用落地-Qwen1.5-MoE-1/3的激活参数量达到7B模型的性能 开源技术探险家 开源模型-实际应用落地#深度学习语言模型自然语言处理
    一、前言2024.03.28阿里推出Qwen系列的首个MoE模型，Qwen1.5-MoE-A2.7B。它仅拥有27亿个激活参数，但其性能却能与当前最先进的70亿参数模型，如Mistral7B和Qwen1.5-7B相媲美。但是目前只有HFtransformers和vLLM支持该模型。二、术语介绍2.1.混合专家(MoE)架构是一种机器学习模型的结构设计,它将一个复杂的任务分解成多个相对简单的子任务,
  • 时序大模型：技术需求、现有成果及主流模型、模型架构、数据处理方式、优势、缺点及未来展望 xl.liu 架构人工智能
    时序大模型：技术需求、现有成果及主流模型、模型架构、数据处理方式、优势、缺点及未来展望时序大模型如何保证数据的完整性和准确性时序大模型的性能高度依赖于数据的质量和完整性。为了确保模型的预测和分析结果准确可靠，需要采取一系列措施来保证数据的完整性和准确性。数据清洗：去除异常值：通过统计方法或机器学习算法检测并去除异常值，确保数据的合理性。填补缺失值：使用插值方法、均值填充、中位数填充或基于模型的预测
  • 机器学习数学基础：36.φ相关系数分析 @心都 机器学习人工智能
    用φ相关系数分析性别与心理测验态度关系的教程一、学习目标学会使用φ相关系数分析两个二分变量（如性别男/女、对心理测验态度肯定/否定）之间的关系，并通过卡方检验判断结果是否具有统计学意义。二、数据准备假设我们想研究青年大学生的性别和对心理测验的态度之间的关系，收集到如下2×22×22×2列联表数据（调查了170170170人）：肯定否定合计男生222222888888110110110女生18181
  • 机器学习数学基础：37.偏相关分析 @心都 机器学习人工智能
    偏相关分析教程一、偏相关分析是什么在很多复杂的系统中，比如地理系统，会有多个要素相互影响。偏相关分析就是在这样多要素构成的系统里，不考虑其他要素的干扰，专门去研究两个要素之间关系紧密程度的一种方法。用来衡量这种紧密程度的数值，叫做偏相关系数。举个简单例子，在研究一个地区的房价时，房价会受到很多因素影响，像地段、房屋面积、周边配套设施等。如果我们想知道单纯的房屋面积和房价之间的关系，就可以用偏相关分
  • 机器学习数学基础：22.对称矩阵的对角化 @心都 机器学习矩阵概率论
    一、核心概念详解（一）内积定义与公式：在nnn维向量空间中，对于向量x⃗=(x1,x2,⋯ ,xn)\vec{x}\=(x_1,x_2,\cdots,x_n)x=(x1,x2,⋯,xn)和y⃗=(y1,y2,⋯ ,yn)\vec{y}\=(y_1,y_2,\cdots,y_n)y=(y1,y2,⋯,yn)，内积记作(x⃗,y⃗)(\vec{x},\vec{y})(x,y)，其计算公式为(x⃗,y⃗
  • 机器学习数学基础：34.点二列 @心都 机器学习概率论人工智能
    点二列相关教程一、点二列相关的定义点二列相关是一种统计方法，用于衡量两个变量之间的相关程度。在这种相关分析中，一个变量是正态连续性变量，取值可以是连续的数值，比如身高、体重、考试分数等；另一个是真正的二分名义变量，其两个类别是天然存在、相互独立的，不能再细分，像性别（男/女）、是否吸烟（是/否）、抛硬币的结果（正面/反面）等。二、适用场景点二列相关常用于研究天然二分变量与连续变量之间的关系。例如在
  • 免费 MLOps 课程：学习机器学习运维的完整流程 真智AI 学习机器学习运维免费教程
    掌握MLOps：训练和跟踪实验、构建ML流水线、模型部署、生产环境监控，并从DevOps采用最佳实践。免费MLOps课程概览（DataTalks.Club提供）课程平台：DataTalks.Club适合人群：有一定Python和ML经验的开发者重点内容：模型训练、实验跟踪、流水线构建、模型部署、监控和DevOps最佳实践目录什么是MLOps？为什么需要MLOps？MLOpsZoomcamp课程介绍
  • 机器学习的三个步骤-ChatGPT4o作答 部分分式 机器学习人工智能
    机器学习的三个步骤分别是：设置范围、设置标准、达成目标。这三个步骤是任何机器学习项目的基础框架，它们为模型的选择、优化和评估提供了清晰的指导。让我们深入探讨这三个步骤的具体内容。1.设置范围(DefiningtheScope)设置范围是机器学习项目中的第一步，它涉及到明确问题的类型和目标，选择合适的算法和模型结构。这个阶段的目标是确定适合当前任务的机器学习方法。关键内容：问题类型：监督学习(Sup
  • AGI框架探索 另一只又死又活的猫
    开发十年，就只剩下这套Java开发体系了>>>随着对机器学习领域的深入探索，我渐渐迷上了AGI通用人工智能。所以，闲暇时就对AGI框架进行了深入的了解，看看哪些AGI框架与个人的理念相符，方便做进一步的研究之用。朋友给我分享了一篇收集和汇总AGI技术的文章，正好，我就以此为索引，对里面的每一个框架进行了考察：50个杀手级人工智能项目：https://mp.weixin.qq.com/s/qafBW
  • PYTHON机器学习小项目教程：预测鸢尾花种类 jackispy python机器学习人工智能
    我们将使用经典的鸢尾花数据集来构建一个分类模型，该数据集包含150个样本，每个样本有四个特征：花萼长度、花萼宽度、花瓣长度和花瓣宽度。目标是根据这些特征预测鸢尾花的种类（山鸢尾、变色鸢尾或维吉尼亚鸢尾）。一、环境配置首先，确保你已经安装了必要的库。如：pandas、numpy等，命令如下所示pipinstallnumpypandasscikit-learnmatplotlib[-i镜像源网站]二、
  • 基于KNN的鸢尾花分类预测模型 溪海莘 分类数据挖掘人工智能
    基于KNN的鸢尾花分类预测模型.让机器实现对鸢尾花的分类分析，它会怎么做呢？我们首先列举出可能需要的要素：数据，模型和算法，效果评估。机器学习，它也是需要对自己的学习效果进行评估，因为它需要根据结果来调整参数。大多数情况需要人来介入这个过程，人们需要根据自身的经验来选取一些合适的参数，但是“爱偷懒”的数据科学家同时也提出一些自动化的程序来实现这一步骤。一、鸢尾花数据集1.1利用sklearn库导入
  • Topaz Photo AI 人工智能图像处理 降噪 甜于酸 图像处理人工智能图像处理
    介绍TopazPhotoAIMac版是一款人工智能图像处理软件，利用先进的AI技术为图像作品带来前所未有的提升。核心功能在于其智能降噪与细节增强能力，能够自动识别并去除照片中的噪点，同时保留并增强图像的细节和纹理，使照片更加清晰、细腻。具备图像分辨率提升特性，利用机器学习技术，分析并重建图像的细节，从而保持图像质量同时，显著提高图像的分辨率。提供自动调整色彩分布与对比度优化功能，使照片的色彩更加饱
  • 探索Omniglot：一个无尽的手写字符集合 宋溪普Gale
    探索Omniglot：一个无尽的手写字符集合omniglotomniglot-一个包含大量不同语言手写字符图像的数据集，用于机器学习模型的训练和评估。项目地址:https://gitcode.com/gh_mirrors/om/omniglot项目简介Omniglot是由BrendenLake等人创建的一个开源项目，其目标是提供一个广泛的手写字符集，用于研究人类和机器的学习能力。这个项目不仅仅是一
  • 【DeepSeek零基础入门】从零开始：如何训练自己的AI模型 Evaporator Core DeepSeek进阶开发与应用#DeepSeek快速入门deepseek应用开发实例deepseek
    从零开始：如何训练自己的AI模型在人工智能的世界里，训练一个属于自己的AI模型，就像是在培养一个新生儿。你需要耐心、技巧，以及对数据的深刻理解。今天，我们将一起探索如何从零开始，训练一个AI模型，并通过一个具体的案例来加深理解。第一步：明确目标与选择框架在开始之前，首先要明确你的AI模型需要解决什么问题。是图像识别、自然语言处理，还是预测分析？明确目标后，选择一个合适的机器学习框架至关重要。Ten
  • 【OpenCV】OpenCV 中各模块及其算子的详细分类 de之梦-御风 OpenCV4Net.net技术opencv分类人工智能
    OpenCV的最新版本包含了500多个算子，这些算子覆盖了图像处理、计算机视觉、机器学习、深度学习、视频分析等多个领域。为了方便使用，OpenCV将这些算子分为多个模块，每个模块承担特定的功能。以下是OpenCV中各模块及其算子的详细分类：1.核心模块（Core）功能：提供基础数据结构（如Mat）、数学运算、内存管理、输入输出等基本操作。常用算子：数学运算：cv::add,cv::subtract
  • DeepSeek 深度赋能客服岗：效率与洞察的双重飞跃 AI_DL_CODE 人工智能深度学习DeepSeek工作助理
    摘要：本文聚焦于DeepSeek在客服服务岗的应用。它能凭借自然语言处理技术，快速理解客户咨询，精准提供解答方案；自动生成标准化、个性化的回复话术，大幅提升客服效率；利用机器学习对客户反馈进行深度分析，挖掘潜在需求与市场趋势。通过电商、互联网服务等行业案例，展现其实际成效。使用时需注意数据质量与隐私保护，促进与人工客服协同配合，持续优化学习。DeepSeek为客服工作带来变革，助力企业提升服务质量
  • 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
  • 解锁机器学习核心算法 | 线性回归：机器学习的基石 紫雾凌寒 AI炼金厂#机器学习算法算法机器学习线性回归人工智能深度学习aipython
    在机器学习的众多算法中，线性回归宛如一块基石，看似质朴无华，却稳稳支撑起诸多复杂模型的架构。它是我们初涉机器学习领域时便会邂逅的算法之一，其原理与应用广泛渗透于各个领域。无论是预测房价走势、剖析股票市场波动，还是钻研生物医学数据、优化工业生产流程，线性回归皆能大显身手。本质上，线性回归是一种用于构建变量间线性关系的统计模型。它试图寻觅一条最佳拟合直线（或超平面），以使预测值与实际观测值之间的误差降
  • AI环境初识 网络飞鸥 AI人工智能
    在搭建AI环境时，当前流行的技术涉及多个方面，包括开发框架、深度学习库、硬件支持以及具体的应用技术等。以下是一些主要的技术趋势和流行技术：一、开发框架与深度学习库TensorFlow：由谷歌开发的一个开源机器学习库，广泛用于研究和生产环境。它提供了强大的张量计算能力和灵活的架构，支持广泛的机器学习和深度学习算法。PyTorch：由Facebook推出，也是一个广受欢迎的开源机器学习库。PyTorc
  • 杰和推出面向人工智能应用的AI服务器 weixin_34211761
    在这个数据爆炸的年代，我们获取数据的难度大大降低，但要获取数据的价值仅依靠简单的数据分析是不可行的。如果将大数据看作一个产业，那么数据深挖（挖掘）就是其中一项核心技术，数据深挖（挖掘）通常与计算机科学有关，如数据统计、数据检索、分析处理、机器学习等技术，而这些恰好是人工智能技术的优势。人工智能一直都是备受关注的热门领域，更是被认为是第四次工业革命。随着技术的不断开发及深入优化，人工智能以迅雷不及掩
  • 机器学习数学通关指南——微积分基本概念 Shockang 机器学习数学通关指南机器学习微积分数学
    前言本文隶属于专栏《机器学习数学通关指南》，该专栏为笔者原创，引用请注明来源，不足和错误之处请在评论区帮忙指出，谢谢！本专栏目录结构和参考文献请见《机器学习数学通关指南》正文函数一、函数的定义与本质映射关系：函数是实数集到实数集的映射（或更一般地，非空数集到数集的映射）。规范形式：f:D→Rf:D\to\mathbb{R}f:D→R，其中D⊆RD\subseteq\mathbb{R}D⊆R为定义域
  • SVM(支持向量机)原理及数学推导全过程详解 子木呀 支持向量机人工智能分类算法SVM
    由于格式问题，为方便阅读，请点击下方链接访问原文点击此处访问原文点击此处访问原文点击此处访问原文点击此处访问原文关于SVM网上已经有很多很多的前辈有过讲解，这两天自己在网上看了看资料，结合前辈们的文章对SVM进行了一个整理，把看的过程中产生的一些问题也进行了解答。本来想着总结得简洁明了又易懂，但SVM本就有严格的数学理论支撑，不像其他机器学习算法是一个黑箱，写完发现要尽量让小白也懂少不了具体的论述
  • 【机器学习】支持向量机（SVM）详解：原理与优化 宸码 机器学习模式识别支持向量机机器学习算法人工智能数据挖掘python
    支持向量机（SVM）详解：原理与优化支持向量机(SVM)详解1.基本概念2.数学原理2.1线性可分情况2.2最优化问题2.3拉格朗日对偶问题2.4核函数技巧（KernelTrick）2.5非线性分类与支持向量3.优缺点分析3.1优点3.2缺点4.SVM与其他算法的比较5.总结支持向量机(SVM)详解1.基本概念支持向量机（SupportVectorMachine,SVM）是一种强大的监督学习算法，
  • 智能边缘计算：开启智能新时代 livefan 人工智能
    什么是智能边缘计算？在当今数字化浪潮中，边缘计算已成为一个热门词汇。简单来说，边缘计算是一种分布式计算架构，它将数据处理和存储更靠近数据源的位置，而不是集中于远程数据中心。通过这种方式，边缘计算可以减少数据传输的延迟，提高响应速度，增强数据处理的实时性和效率。而智能边缘计算，是边缘计算架构在涉及数据分析、机器学习或人工智能的工作负载中的应用。一般来说，边缘架构是一种将数据或应用程序放置在网络边缘的
  • Spring中@Value注解，需要注意的地方 无量 springbean@Valuexml
    Spring 3以后,支持@Value注解的方式获取properties文件中的配置值，简化了读取配置文件的复杂操作 1、在applicationContext.xml文件(或引用文件中)中配置properties文件 <bean id="appProperty" class="org.springframework.beans.fac
  • mongoDB 分片 开窍的石头 mongodb
        mongoDB的分片。要mongos查询数据时候 先查询configsvr看数据在那台shard上，configsvr上边放的是metar信息，指的是那条数据在那个片上。由此可以看出mongo在做分片的时候咱们至少要有一个configsvr,和两个以上的shard（片）信息。     第一步启动两台以上的mongo服务 &nb
  • OVER(PARTITION BY)函数用法 0624chenhong oracle
    这篇写得很好，引自 http://www.cnblogs.com/lanzi/archive/2010/10/26/1861338.html OVER(PARTITION BY)函数用法 2010年10月26日 OVER(PARTITION BY)函数介绍 开窗函数        &nb
  • Android开发中，ADB server didn't ACK 解决方法 一炮送你回车库 Android开发
    首先通知：凡是安装360、豌豆荚、腾讯管家的全部卸载，然后再尝试。   一直没搞明白这个问题咋出现的，但今天看到一个方法，搞定了！原来是豌豆荚占用了 5037 端口导致。 参见原文章：一个豌豆荚引发的血案——关于ADB server didn't ACK的问题 简单来讲，首先将Windows任务进程中的豌豆荚干掉，如果还是不行，再继续按下列步骤排查。 &nb
  • canvas中的像素绘制问题 换个号韩国红果果 JavaScriptcanvas
    pixl的绘制，1.如果绘制点正处于相邻像素交叉线，绘制x像素的线宽，则从交叉线分别向前向后绘制x/2个像素，如果x/2是整数，则刚好填满x个像素，如果是小数，则先把整数格填满，再去绘制剩下的小数部分，绘制时，是将小数部分的颜色用来除以一个像素的宽度，颜色会变淡。所以要用整数坐标来画的话（即绘制点正处于相邻像素交叉线时），线宽必须是2的整数倍。否则会出现不饱满的像素。 2.如果绘制点为一个像素的
  • 编码乱码问题 灵静志远 javajvmjsp编码
    1、JVM中单个字符占用的字节长度跟编码方式有关，而默认编码方式又跟平台是一一对应的或说平台决定了默认字符编码方式；2、对于单个字符：ISO-8859-1单字节编码，GBK双字节编码，UTF-8三字节编码；因此中文平台(中文平台默认字符集编码GBK)下一个中文字符占2个字节，而英文平台(英文平台默认字符集编码Cp1252(类似于ISO-8859-1))。 3、getBytes()、getByte
  • java 求几个月后的日期 darkranger calendargetinstance
    Date plandate = planDate.toDate(); SimpleDateFormat df = new SimpleDateFormat("yyyy-MM-dd"); Calendar cal = Calendar.getInstance(); cal.setTime(plandate); // 取得三个月后时间 cal.add(Calendar.M
  • 数据库设计的三大范式（通俗易懂） aijuans 数据库复习
    关系数据库中的关系必须满足一定的要求。满足不同程度要求的为不同范式。数据库的设计范式是数据库设计所需要满足的规范。只有理解数据库的设计范式，才能设计出高效率、优雅的数据库，否则可能会设计出错误的数据库. 目前，主要有六种范式：第一范式、第二范式、第三范式、BC范式、第四范式和第五范式。满足最低要求的叫第一范式，简称1NF。在第一范式基础上进一步满足一些要求的为第二范式，简称2NF。其余依此类推。
  • 想学工作流怎么入手 atongyeye jbpm
    工作流在工作中变得越来越重要，很多朋友想学工作流却不知如何入手。 很多朋友习惯性的这看一点，那了解一点，既不系统，也容易半途而废。好比学武功，最好的办法是有一本武功秘籍。研究明白，则犹如打通任督二脉。 系统学习工作流，很重要的一本书《JBPM工作流开发指南》。 本人苦苦学习两个月，基本上可以解决大部分流程问题。整理一下学习思路，有兴趣的朋友可以参考下。 1  首先要
  • Context和SQLiteOpenHelper创建数据库 百合不是茶 androidContext创建数据库
           一直以为安卓数据库的创建就是使用SQLiteOpenHelper创建,但是最近在android的一本书上看到了Context也可以创建数据库,下面我们一起分析这两种方式创建数据库的方式和区别,重点在SQLiteOpenHelper     一:SQLiteOpenHelper创建数据库:   1,SQLi
  • 浅谈group by和distinct bijian1013 oracle数据库group bydistinct
            group by和distinct只了去重意义一样，但是group by应用范围更广泛些，如分组汇总或者从聚合函数里筛选数据等。         譬如：统计每id数并且只显示数大于3 select id ,count(id) from ta
  • vi opertion 征客丶 macoprationvi
    进入 command mode （命令行模式） 按 esc 键 再按 shift + 冒号 注：以下命令中 带 $ 【在命令行模式下进行】，不带 $ 【在非命令行模式下进行】 一、文件操作 1.1、强制退出不保存 $ q! 1.2、保存 $ w 1.3、保存并退出 $ wq 1.4、刷新或重新加载已打开的文件 $ e 二、光标移动 2.1、跳到指定行 数字
  • 【Spark十四】深入Spark RDD第三部分RDD基本API bit1129 spark
      对于K/V类型的RDD,如下操作是什么含义？   val rdd = sc.parallelize(List(("A",3),("C",6),("A",1),("B",5)) rdd.reduceByKey(_+_).collect  reduceByKey在这里的操作，是把
  • java类加载机制 BlueSkator java虚拟机
    java类加载机制 1.java类加载器的树状结构 引导类加载器 ^ | 扩展类加载器 ^ | 系统类加载器 java使用代理模式来完成类加载，java的类加载器也有类似于继承的关系，引导类是最顶层的加载器，它是所有类的根加载器，它负责加载java核心库。当一个类加载器接到装载类到虚拟机的请求时，通常会代理给父类加载器，若已经是根加载器了，就自己完成加载。 虚拟机区分一个Cla
  • 动态添加文本框 BreakingBad 文本框
      <script>     var num=1; function AddInput() {      var str="";     str+="<input 
  • 读《研磨设计模式》-代码笔记-单例模式 bylijinnan java设计模式
    声明： 本文只为方便我个人查阅和理解，详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/ public class Singleton { } /* * 懒汉模式。注意，getInstance如果在多线程环境中调用，需要加上synchronized，否则存在线程不安全问题 */ class LazySingleton
  • iOS应用打包发布常见问题 chenhbc iosiOS发布iOS上传iOS打包
    这个月公司安排我一个人做iOS客户端开发，由于急着用，我先发布一个版本，由于第一次发布iOS应用，期间出了不少问题，记录于此。   1、使用Application Loader 发布时报错：Communication error.please use diagnostic mode to check connectivity.you need to have outbound acc
  • 工作流复杂拓扑结构处理新思路 comsci 设计模式工作算法企业应用OO
    我们走的设计路线和国外的产品不太一样，不一样在哪里呢？  国外的流程的设计思路是通过事先定义一整套规则(类似XPDL)来约束和控制流程图的复杂度(我对国外的产品了解不够多，仅仅是在有限的了解程度上面提出这样的看法)，从而避免在流程引擎中处理这些复杂的图的问题，而我们却没有通过事先定义这样的复杂的规则来约束和降低用户自定义流程图的灵活性，这样一来，在引擎和流程流转控制这一个层面就会遇到很
  • oracle 11g新特性Flashback data archive daizj oracle
    1. 什么是flashback data archive Flashback data archive是oracle 11g中引入的一个新特性。Flashback archive是一个新的数据库对象，用于存储一个或多表的历史数据。Flashback archive是一个逻辑对象，概念上类似于表空间。实际上flashback archive可以看作是存储一个或多个表的所有事务变化的逻辑空间。
  • 多叉树:2-3-4树 dieslrae 树
        平衡树多叉树,每个节点最多有4个子节点和3个数据项,2,3,4的含义是指一个节点可能含有的子节点的个数,效率比红黑树稍差.一般不允许出现重复关键字值.2-3-4树有以下特征:     1、有一个数据项的节点总是有2个子节点(称为2-节点)     2、有两个数据项的节点总是有3个子节点(称为3-节
  • C语言学习七动态分配 malloc的使用 dcj3sjt126com clanguagemalloc
    /* 2013年3月15日15:16:24 malloc 就memory(内存) allocate(分配)的缩写 本程序没有实际含义，只是理解使用 */ # include <stdio.h> # include <malloc.h> int main(void) { int i = 5; //分配了4个字节 静态分配 int * p
  • Objective-C编码规范[译] dcj3sjt126com 代码规范
      原文链接 : The official raywenderlich.com Objective-C style guide 原文作者 : raywenderlich.com Team 译文出自 : raywenderlich.com Objective-C编码规范 译者 : Sam Lau
  • 0.性能优化-目录 frank1234 性能优化
    从今天开始笔者陆续发表一些性能测试相关的文章，主要是对自己前段时间学习的总结，由于水平有限，性能测试领域很深，本人理解的也比较浅，欢迎各位大咖批评指正。 主要内容包括： 一、性能测试指标 吞吐量、TPS、响应时间、负载、可扩展性、PV、思考时间 http://frank1234.iteye.com/blog/2180305 二、性能测试策略 生产环境相同 基准测试 预热等 htt
  • Java父类取得子类传递的泛型参数Class类型 happyqing java泛型父类子类Class
      import java.lang.reflect.ParameterizedType; import java.lang.reflect.Type; import org.junit.Test; abstract class BaseDao<T> { public void getType() { //Class<E> clazz =
  • 跟我学SpringMVC目录汇总贴、PDF下载、源码下载 jinnianshilongnian springMVC
      ----广告-------------------------------------------------------------- 网站核心商详页开发 掌握Java技术，掌握并发/异步工具使用，熟悉spring、ibatis框架； 掌握数据库技术，表设计和索引优化，分库分表/读写分离； 了解缓存技术，熟练使用如Redis/Memcached等主流技术； 了解Ngin
  • the HTTP rewrite module requires the PCRE library 流浪鱼 rewrite
    ./configure: error: the HTTP rewrite module requires the PCRE library. 模块依赖性Nginx需要依赖下面3个包 1. gzip 模块需要 zlib 库 ( 下载: http://www.zlib.net/ ) 2. rewrite 模块需要 pcre 库 ( 下载: http://www.pcre.org/ ) 3. s
  • 第12章 Ajax（中） onestopweb Ajax
    index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
  • Optimize query with Query Stripping in Web Intelligence blueoxygen BO
    http://wiki.sdn.sap.com/wiki/display/BOBJ/Optimize+query+with+Query+Stripping+in+Web+Intelligence and a very straightfoward video http://www.sdn.sap.com/irj/scn/events?rid=/library/uuid/40ec3a0c-936
  • Java开发者写SQL时常犯的10个错误 tomcat_oracle javasql
    1、不用PreparedStatements 　　有意思的是，在JDBC出现了许多年后的今天，这个错误依然出现在博客、论坛和邮件列表中，即便要记住和理解它是一件很简单的事。开发者不使用PreparedStatements的原因可能有如下几个： 　　他们对PreparedStatements不了解 　　他们认为使用PreparedStatements太慢了 　　他们认为写Prepar
  • 世纪互联与结盟有感 阿尔萨斯
    10月10日，世纪互联与（Foxcon）签约成立合资公司，有感。 全球电子制造业巨头（全球500强企业）与世纪互联共同看好IDC、云计算等业务在中国的增长空间，双方迅速果断出手，在资本层面上达成合作，此举体现了全球电子制造业巨头对世纪互联IDC业务的欣赏与信任，另一方面反映出世纪互联目前良好的运营状况与广阔的发展前景。 众所周知，精于电子产品制造（世界第一），对于世纪互联而言，能够与结盟
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他