一大盘洋芋
一大盘洋芋

f分布k阶矩推导

Y=\frac{X_{1}/n_{1}}{X_{2}/n_{2}}

其中，X\sim \chi^{2}(n)\sim Ga(\frac{n}{2},\frac{1}{2})

f(x)=\frac{\lambda^{\alpha}}{\Gamma(\alpha)}x^{\alpha-1}e^{-\lambda x},x> 0

转换的雅可比式：\left | \frac{\varphi (x_{1},x_{2})}{\varphi (y,x_{2})} \right |=\begin{vmatrix} \frac{n_{1}x_{2}}{n_{2}} &\,\,\frac{n_{1}y}{n_{2}} \\ 0 & 1 \end{vmatrix}=\left |\frac{n_{1}x_{2}}{n_{2}} \right |

\begin{aligned} f_{Y}(y)=&\int_{0}^{\infty} \frac{n_{1}x_{2}}{n_{2}}f_{X_{1}}(yx_{2}\frac{n_{1}}{n_{2}})f_{X_{2}}(x_{2})dx_{2}\\ =&\int_{0}^{\infty} \frac{n_{1}x_{2}}{n_{2}}\frac{1}{\Gamma(\frac{n_{1}}{2})\Gamma(\frac{n_{2}}{2})2^{\frac{n_{1}+n_{2}}{2}}}\left ( \frac{n_{1}}{n_{2}} \right )^{\frac{n_{1}}{2}}y^{\frac{n_{1}}{2}-1}\\&\,\,\,\,\,\,\,x_{2}^{\frac{n_{1}+n_{2}}{2}-1}e^{-\frac{x_{2}}{2}(1+\frac{n_{1}}{n_{2}}y)}dx_{2}\\ &t=\frac{x_{2}}{2}(1+\frac{n_{1}}{n_{2}}y) \\=&\int_{0}^{\infty} \frac{1}{\Gamma(\frac{n_{1}}{2})\Gamma(\frac{n_{2}}{2})2^{\frac{n_{1}+n_{2}}{2}}}\left ( \frac{n_{1}}{n_{2}} \right )^{\frac{n_{1}}{2}}y^{\frac{n_{1}}{2}-1}\\&\,\,\,\,\,\,\,t^{\frac{n_{1}+n_{2}}{2}-1}e^{-t}\left ( \frac{1}{2}\left(1+\frac{n_{1}}{n_{2}}y\right) \right )^{-\frac{n_{1}+n_{2}}{2}}dt\\ =&\frac{\Gamma(\frac{n_{1}+n_{2}}{2})}{\Gamma(\frac{n_{1}}{2})\Gamma(\frac{n_{2}}{2})}\left ( \frac{n_{1}}{n_{2}} \right )^{\frac{n_{1}}{2}}y^{\frac{n_{1}}{2}-1}\left ( 1+\frac{n_{1}}{n_{2}}y \right )^{-\frac{n_{1}+n_{2}}{2}} \end{aligned}

k阶矩E(Y^{k})为：

\int_{0}^{\infty}y^{k}\frac{\Gamma(\frac{n_{1}+n_{2}}{2})}{\Gamma(\frac{n_{1}}{2})\Gamma(\frac{n_{2}}{2})}\left ( \frac{n_{1}}{n_{2}} \right )^{\frac{n_{1}}{2}}y^{\frac{n_{1}}{2}-1}\left ( 1+\frac{n_{1}}{n_{2}}y \right )^{-\frac{n_{1}+n_{2}}{2}}dy

上式中积分变换难以直接看出怎么解，先利用f分布和其他分布关系来求：

E(Y^{k})=\left(\frac{n_{2}}{n_{1}} \right )^{k}EX_{1}^{k}E\left(\frac{1}{X_{2}} \right )^{k}

\begin{aligned} E(X^{k})=&\int_{0}^{\infty}\frac{1}{\Gamma(\frac{n}{2})2^{\frac{n}{2}}}x^{\frac{n}{2}+k-1}e^{-\frac{1}{2}x}dx\\ &t=\frac{x}{2}\\ =&\int_{0}^{\infty}\frac{2^{k}}{\Gamma(\frac{n}{2})}t^{\frac{n}{2}+k-1}e^{-t}dt\\ =&\frac{2^{k}\Gamma(\frac{n}{2}+k)}{\Gamma(\frac{n}{2})}\\ =&2^{k}(\frac{n}{2}+k-1)(\frac{n}{2}+k-2)...\frac{n}{2}\\ =&(n+2k-2)(n+2k-4)...n\\ =&\frac{(n+2k-2)!!}{(n-2)!!} \end{aligned}

则，

\begin{aligned} E(Y^{k})=&\left(\frac{n_{2}}{n_{1}} \right )^{k}\frac{2^{k}\Gamma(\frac{n_{1}}{2}+k)}{\Gamma(\frac{n_{1}}{2})}\frac{2^{-k}\Gamma(\frac{n_{2}}{2}-k)}{\Gamma(\frac{n_{2}}{2})}\\ =&\left(\frac{n_{2}}{n_{1}} \right )^{k}\frac{\Gamma(\frac{n_{1}}{2}+k)\Gamma(\frac{n_{2}}{2}-k)}{\Gamma(\frac{n_{1}}{2})\Gamma(\frac{n_{2}}{2})} \end{aligned}

对比上式与密度函数积分式的区别：

\frac{\Gamma(\frac{n_{1}}{2}+k)\Gamma(\frac{n_{2}}{2}-k)}{\Gamma(\frac{n_{1}}{2})\Gamma(\frac{n_{2}}{2})}=\frac{\Gamma(\frac{n_{1}+n_{2}}{2})}{\Gamma(\frac{n_{1}}{2})\Gamma(\frac{n_{2}}{2})}\cdot B(\frac{n_{1}}{2}+k,\frac{n_{2}}{2}-k)

所以证明下式等于上式右侧贝塔函数即可：

\int_{0}^{\infty}y^{k}\left ( \frac{n_{1}}{n_{2}} \right )^{\frac{n_{1}}{2}+k}y^{\frac{n_{1}}{2}-1}\left ( 1+\frac{n_{1}}{n_{2}}y \right )^{-\frac{n_{1}+n_{2}}{2}}dy

试图凑出与贝塔函数相似的元素，

设\frac{1}{1-t}=1+\frac{n_{1}}{n_{2}}y，则t=\frac{\frac{n_{1}}{n_{2}}y}{1+\frac{n_{1}}{n_{2}}y}范围是(0,1)

\begin{aligned} &\int_{0}^{\infty}\left ( \frac{n_{1}}{n_{2}} \right )^{\frac{n_{1}}{2}+k}y^{\frac{n_{1}}{2}+k-1}\left ( 1+\frac{n_{1}}{n_{2}}y \right )^{-\frac{n_{1}+n_{2}}{2}}dy\\ &y=\frac{n_{2}}{n_{1}}\frac{t}{1-t},\left ( 1+\frac{n_{1}}{n_{2}}y \right )=\frac{1}{1-t}\\ =&\int_{0}^{1}\left ( \frac{n_{1}}{n_{2}} \right )^{-1}(\frac{t}{1-t})^{\frac{n_{1}}{2}+k-1}\left ( 1-t \right )^{\frac{n_{1}+n_{2}}{2}}\frac{n_{1}}{n_{2}}(1-t)^{-2}dt\\ =&\int_{0}^{1}t^{\frac{n_{1}}{2}+k-1}\left ( 1-t \right )^{\frac{n_{2}}{2}-k-1}dt\\ =&B(\frac{n_{1}}{2}+k,\frac{n_{2}}{2}-k) \end{aligned}

另，用上述结果可得f分布期望和方差为：

E(X)=\frac{n_{2}}{n_{2}-2}

D(X)=\frac{2n_{2}^{2}(n_{1}+n_{2}-2)}{n_{1}(n_{2}-2)^{2}(n_{2}-4)}

你可能感兴趣的:(概率论)

  • 如何有效的学习AI大模型？ Python程序员罗宾 学习人工智能语言模型自然语言处理架构
    学习AI大模型是一个系统性的过程，涉及到多个学科的知识。以下是一些建议，帮助你更有效地学习AI大模型：基础知识储备：数学基础：学习线性代数、概率论、统计学和微积分等，这些是理解机器学习算法的数学基础。编程技能：掌握至少一种编程语言，如Python，因为大多数AI模型都是用Python实现的。理论学习：机器学习基础：了解监督学习、非监督学习、强化学习等基本概念。深度学习：学习神经网络的基本结构，如卷
  • 日记2021-3-8 思考z
    今天开课第一天，对于今天的目标完成的还不错早上起床赖了一下，下午去图书馆呆了2个多小时，晚自习看了概率论与统计学，单词：talent天赋，才能，thick厚的，obstacleto对……障碍，introduce介绍，传入，thin瘦的，稀薄的，thorough彻底的，完全的，occurredto想到，invent发明，throat喉咙，ofcourse当然，thunder雷，雷声，tide潮汐，o
  • PDF和CDF 薛定谔的猫_大雪 概率论
    在概率论和统计学中，PDF和CDF是两种描述随机变量分布的重要函数：ProbabilityDensityFunction(PDF)：概率密度函数是用来描述连续随机变量可能取值的概率分布的函数。对于一个连续型随机变量X，其PDFf(x)定义为在某个取值x处的概率密度，即X在该值附近出现的概率密度。PDF的积分可以得到概率，即在某个区间内随机变量出现的概率。CumulativeDensityFunct
  • Python 数学建模——方差分析 Desire.984 Python数学建模数学建模python概率论
    文章目录前言单因素方差分析原理核心代码双因素方差分析数学模型分析依据典型代码前言  方差分析也是概率论中非常重要的内容，有时数学建模需要用到。方差分析是干什么的？如果说假设检验用于分析两个总体之间的均值μ1,μ2\mu_1,\mu_2μ1,μ2是否存在显著的差别，那么方差分析就是分析两个以上总体之间的均值是否存在显著的差别。单因素方差分析用途：已知一个量AAA可能会影响XXX，AAA的不同取值可能
  • 数据分析面试【概率论与统计学】总结之-----统计学常见面试题整理 天阑的芋头 #数据分析—统计学知识数据分析统计学数据分析面试
    阅读之前看这里：博主是正在学习数据分析的一员，博客记录的是在学习过程中一些总结，也希望和大家一起进步，在记录之时，未免存在很多疏漏和不全，如有问题，还请私聊博主指正。博客地址：天阑之蓝的博客，学习过程中不免有困难和迷茫，希望大家都能在这学习的过程中肯定自己，超越自己，最终创造自己。目录1.用简洁的话语阐述随机变量的含义2.划分连续型随机变量和离散型随机变量的依据3.常见的分布函数/概率密度函数，以
  • 感悟文是很容易写的 林天歌
    生活感悟是很容易写的，只要你生活中稍稍关注一下周围在发生什么，随便什么事情都可以，甚至编一件事都可以，然后为之赋予一个意义。举例子的话，比如说我可以写我的概率论老师，每节课三小时，两小时都是在讲课堂无关的事情，都是在讲一些她以为的人生道理，却不知道因为她讲得太多，加上她使用互联网的能力不足，她讲得已经完全不能触动到学生的神经，反倒还促进了一些学生的逃课。这就是典型的以己度人，她以为她在分享自己认为
  • 深度学习算法，该如何深入，举例说明 liyy614 深度学习
    深度学习算法的深入学习可以从理论和实践两个方面进行。理论上，深入理解深度学习需要掌握数学基础（如线性代数、概率论、微积分）、机器学习基础和深度学习框架原理。实践上，可以通过实现和优化深度学习模型来提升技能。理论深入数学基础线性代数：理解向量、矩阵、特征值和特征向量等，对于理解神经网络的权重和偏置矩阵至关重要。概率论：用于理解模型的不确定性，如Dropout等正则化技术。微积分：理解梯度下降等优化算
  • 机械学习—零基础学习日志（概率论总笔记5） 学长小陈来帮你 学习笔记概率论算法深度学习机器学习
    引言——“黑天鹅”要获得95%以上置信度的统计结果，需要被统计的对象出现上千次，但是如果整个样本只有几千字，被统计的对象能出现几次就不错了。这样得到的数据可能和真实的概率相差很远。怎么避免“黑天鹅”？古德-图灵折扣估计法在词语统计中，有点词语虽然是出现0次，但是实际的出现概率并不是永远不可能的零。那需要把一些概率转移给到这些词语。古德的做法实际上就是把出现1次的单词的总量，给了出现0次的，出现2次
  • Python 数学建模——假设检验 Desire.984 Python数学建模python数学建模概率论
    文章目录前言参数假设检验单个总体均值的假设检验σ\sigmaσ已知σ\sigmaσ未知两个总体均值的假设检验参考代码非参数假设检验分布拟合检验——卡方检验KS检验（Kolmogorov-Smirnov检验）Wilcoxon检验Wilcoxon符号秩检验Wilcoxon秩和检验前言  假设检验是概率论中相当重要的内容。一般是先提出一个原假设H0H_0H0和一个对立的备择假设H1H_1H1，通过数学方
  • 非理工科院校怎么打好数学建模比赛 | 南川笔记 南川笔记
    Proposition1非理工科院校最好不要打数学建模比赛。虽说“一次建模，终身受益”，但毕竟数学建模既要数学理论的支撑（不仅仅是大学里的微积分、线性代数和概率论与统计，更多的是基于微积分的常偏微分方程、基于线性代数的运筹学和基于概率论与统计的统计分析内容），还要编程的支撑（不是常规的C语言或者Java程序，也不是这几年很火的Python编程，而是基于数值运算的Matlab和基于统计的R），这在一
  • Python的图形化界面编程 iteye_20668 Pythonpython
    2017.2.14好久没有写代码了，感觉过一个年弄的什么也没有干成，好像看了下c++,突然发现现在来看C++,要简单了好多，并且指针也没有那么难了，然后就是看了下机器学习，感觉有点小难，现在发现好多都涉及到高数，概率论和线性代数的知识，想想当初把这些学的是一塌糊涂。然后上次和胡杨大大聊天的时候，他说好多东西都是在实践中去学习的。好了，继续我的Python吧，Python的图形化界面编程。impor
  • python机器学习算法--贝叶斯算法 在下小天n 机器学习python机器学习算法
    1.贝叶斯定理在20世纪60年代初就引入到文字信息检索中，仍然是文字分类的一种热门（基准）方法。文字分类是以词频为特征判断文件所属类型或其他（如垃圾邮件、合法性、新闻分类等）的问题。原理牵涉到概率论的问题，不在详细说明。sklearn.naive_bayes.GaussianNB(priors=None,var_smoothing=1e-09)#Bayes函数·priors：矩阵，shape=[n
  • 【概率论】理解贝叶斯（Bayes）公式：为什么疾病检测呈阳性，得这种病的概率却不高？ seh_sjlj 概率论概率论学习数学经验分享
    先说结论：因为假阳性的人数相比于真阳性太多了。具体是怎么回事呢？咱们慢慢分析。文章目录一、贝叶斯公式二、典例分析三、贝叶斯公式的本质思考（摘自教材）一、贝叶斯公式定理1（贝叶斯公式）设有事件A,BA,BA,B，P(A)>0P(A)>0P(A)>0，P(B)>0P(B)>0P(B)>0，则P(B∣A)=P(B)P(A∣B)P(A)P(B|A)=\frac{P(B)P(A|B)}{P(A)}P(B∣A
  • 愚者才悲观｜每日复盘D32 _李子昂
    我是李子昂，一个热爱生活、积极向上的“人生梦想家”。爱阅读、记录生活，这是我的第三十二天复盘❤2019.12.1232/3651.感恩创造的不可思议的今天早起一件事：打卡✔（每天比昨天早起两分钟）早读任务：第一课，课文两段✔马原第一章大题背诵✘古诗词一首✘三只青蛙:阅读一小时✔概率论前三章✘图片发自App2.今日小确幸感恩YCX送我的奶茶，紫薯和冬天很配❤感恩早上的挣扎顺利的早起了两分钟，明天加油
  • 【晨间日记】 2020年9月23日 语瞳SAMA
    2020年9月23日天气：小雨【90天践行目标】（108/120）①5：30早起②22：30早睡③写晨间日记【昨日践行】①5：41起床②22：29入睡③晨间日记已达成【今日青蛙】①完成概率论和离散数学作业②午间冥想③洗衣服*昨日三只青蛙已达成【反思日志】①早晨听这门Java课，真的有种“虽然是使用中文教学，但是上起来却和外语课一样”的感觉，好多未知的术语糅杂在一起，整堂课听着就跟猜谜似的，太离谱了
  • 2.1概率统计的世界 极客探索者 量化交易概率论
    欢迎来到概率统计的世界！在量化交易中，概率统计是至关重要的工具。通过理解概率，我们可以用数学的方法来描述市场行为，预测未来走势，并制定交易策略。让我们一起从基础概念开始，逐步深入，揭开概率统计的神秘面纱。1.1概率论的基本概念与应用概率是用来描述某个事件发生可能性的数值。例如，丢一枚硬币，正面朝上的概率是50%。这个概率可以用数学公式表示为：在量化交易中，我们常常需要计算各种事件的概率，例如股票价
  • Matlab实现多传感器信息融合（D-S证据推论） 冬天都会过去
    D-S证据理论是对贝叶斯推理方法推广，主要是利用概率论中贝叶斯条件概率来进行的，贝叶斯条件概率需要知道先验概率。而D-S证据理论不需要知道先验概率，能够很好地表示“不确定”，被广泛用来处理不确定数据。（对来自多传感器数据的融合处理）适用于：信息融合、专家系统、情报分析、法律案件分析、多属性决策分析1、D-S证据理论知识介绍（1）四大定义基本概率分配、信任函数、似然函数、信任区间其中，函数m为识别框
  • 概率论中的卷积公式 Ctrl+CV九段手 概率论卷积公式卷积神经网络概率论概率论与数理统计笔记经验分享
    目录简介卷积公式的推导与应用实际例子卷积公式在多维情况下的推导和应用是什么？多维卷积的推导多维卷积的应用延伸拓展如何使用卷积公式解决实际问题，例如信号处理中的噪声消除？在统计学中，卷积公式是如何应用于样本量估计和假设检验的？卷积公式在量子力学中的应用有哪些例子？如何证明卷积公式对于独立随机变量之和的概率密度函数的重要性？简介在概率论中，卷积公式是用于计算两个独立随机变量之和的概率密度函数的重要工具
  • 亦菲喊你来学机器学习（14） --贝叶斯算法 方世恩 机器学习算法人工智能pythonscikit-learn
    文章目录贝叶斯一、贝叶斯定理二、贝叶斯算法的核心概念三、贝叶斯算法的优点与局限优点：局限：四、构建模型训练模型测试模型总结贝叶斯贝叶斯算法（Bayesianalgorithm）是一种基于贝叶斯定理的机器学习方法，主要用于估计模型参数和进行概率推断。以下是对贝叶斯算法的详细解析：一、贝叶斯定理贝叶斯定理是概率论中的一个基本定理，它描述了条件概率之间的关系。该定理的数学表达式为：P(A∣B)=P(B)
  • AI大模型副业变现之路，有技术就有收入！ AI大模型-王哥 人工智能AI大模型大模型大模型学习大模型教程大模型入门
    在当今时代，AI大模型的应用越来越广泛，利用这些技术开展副业赚钱已成为可能。以下是一份详细的指南，帮助你了解需要学习的内容以及如何操作。一、需要学习的内容基础知识储备（1）数学知识：线性代数、概率论与数理统计、微积分等，这些是理解AI算法的基础。（2）编程技能：掌握Python编程语言，因为Python在AI领域有丰富的库和框架支持。（3）机器学习原理：了解常见的机器学习算法，如线性回归、决策树、
  • 小琳 AI 课堂：机器学习 小琳ai 小琳AI课堂人工智能机器学习
    嘿，朋友们！欢迎来到小琳AI课堂机器学习：如同让计算机拥有超能力的神奇魔法机器学习，这门超酷的多领域交叉学科，居然融合了概率论、统计学、逼近论、凸分析、算法复杂度理论等等好多学科。它的关键就在于让计算机凭借数据和算法去学习，然后像个小超人似的，拥有预测和决策的超强能力！从技术实现的层面来讲，主要分成监督学习、无监督学习和强化学习这三大类别监督学习：在有标记的数据集上展开学习。打个比方哈，根据已知的
  • 计算机保研/考研面试题——数学篇 安晴晚风 计算机保研/考研专业课面试考研面试
    笔者在2023年参加了部分985和华五计算机夏令营和预推免面试，遇到了不少数学问题，以下是笔者的一些总结，从高数、线代、概率论三个方面讨论。（对保研er和考研er均适用，如需要其他学科的问题请关注我~）相关文章：计算机保研/考研面试题——数据结构与算法篇-CSDN博客计算机保研/考研面试题——操作系统篇-CSDN博客计算机保研/考研面试题——计算机网络篇-CSDN博客计算机保研/考研面试题——编程
  • 中心极限定理 不倒的不倒翁先森 概率论
    中心极限定理（CentralLimitTheorem，CLT）是概率论中的一个重要定理，它说明了在某些条件下，独立随机变量的和（或平均值）趋向于正态分布的性质。具体来说，中心极限定理可以描述为：定理表述：设(X1,X2,…,Xn)(X_1,X_2,\dots,X_n)(X1,X2,…,Xn)是一组相互独立、服从相同分布的随机变量，其数学期望为μ\muμ，方差为σ2\sigma^2σ2（有限且不为零
  • 2019-03-20记录及学习计划更正 逆风飞翔的鸟
    今天早晨早早的就坐上了返回学校的高铁，自己复习的进度稍慢了一些，不过没关系，这几天再追回来，最近发现虽然自己数学的做题能力有所提升，但是熟练程度还差很多，所以接下来高等数学要多做题，线性代数基础已经复习完毕，不能丢下，每天要做一定量的练习来保持住自己的水平。概率论与数理统计自己感觉有些困难，需要从课本开始认真的复习。关于英语我已经用百词斩背了有400左右的单词了，但是不是很扎实，所以自己要提升自己
  • 深度学习如何入门？ 科学的N次方 深度学习
    入门深度学习需要系统性的学习和实践经验积累，以下是一份详细的入门指南，包含了关键的学习步骤和资源：预备知识：•编程基础：熟悉Python编程语言，它是深度学习领域最常用的编程语言。确保掌握变量、条件语句、循环、函数等基本概念，并学习如何使用Python处理数据和文件操作。•数学基础：理解线性代数（矩阵运算、向量空间等）、微积分（导数、梯度求解等）、概率论与统计学（期望、方差、概率分布、最大似然估计
  • 2022-05-14 败者食尘_40a0
    本文结构速览：一、SQL题二、机器学习&概率论三、开放性问题01SQL题面试真题：现有一张用户签到表（user_sign_d）,标记用户每日是否签到，表结构如下sign_date:日期user_id:用户IDif_sign:当日是否签到,1表示签到，0表示未签到问题①：请计算截止到当前每个用户已经连续签到的天数（输出表仅包含当天签到的所有用户，计算其连续签到的天数）输出表结构如下：user_id:
  • 深度学习如何入门？ nanshaws yolov5深度学习
    深度学习是机器学习的一个子领域，它基于人工神经网络的研究。入门深度学习可以分为以下几个步骤：基础知识准备：（1）掌握基础数学知识，特别是线性代数、概率论和统计学、微积分。（2）学习编程语言，Python是目前最流行的深度学习语言，因其简洁易学且有大量的库支持。（3）了解机器学习基础，包括监督学习和非监督学习的概念、模型评估与选择等。学习深度学习理论：（1）理解神经网络的基本组成，如神经元、激活函数
  • 【个人学习笔记】概率论与数理统计知识梳理【五】 已经是全速前进了 概率论
    文章目录第五章、大数定律及中心极限定理一、大数定律1.1基本概念1.2弱大数定理二、中心极限定理独立同分布的中心极限定理定理总结第五章、大数定律及中心极限定理写博客比想象中费劲得多，公式得敲好久，所以只得随缘更更了，想写一些机器学习相关的东西，但是强迫症又不允许我把这个扔掉不管，我太难了Orz这一节的内容比较深，即使我是一个喜欢数学的工科生，也没有精力再去深究了，各式各样的大数定律及中心极限定理我
  • 机器学习笔记 rl染离 机器学习笔记人工智能
    什么是机器学习：机器学习是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。机器学习有下面几种定义：（1）机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。（2）机器学习是对能通过经验自动改进的计算机算法的研究。（3）
  • 机器学习是什么 MarkHD 机器学习
    机器学习是一门跨学科的学科，它使用计算机模拟或实现人类学习行为，通过不断地获取新的知识和技能，重新组织已有的知识结构，从而提高自身的性能。机器学习涉及多个学科，如概率论、统计学、逼近论、凸分析、算法复杂度理论等。机器学习的主要任务是指导计算机从数据中学习，然后利用经验来改善自身的性能，不需要进行明确的编程。机器学习算法会不断进行训练，从大型数据集中发现模式和相关性，然后利用这些模式来预测新数据的结
  • java责任链模式 3213213333332132 java责任链模式村民告县长
    责任链模式，通常就是一个请求从最低级开始往上层层的请求，当在某一层满足条件时，请求将被处理，当请求到最高层仍未满足时，则请求不会被处理。 就是一个请求在这个链条的责任范围内，会被相应的处理，如果超出链条的责任范围外，请求不会被相应的处理。 下面代码模拟这样的效果： 创建一个政府抽象类,方便所有的具体政府部门继承它。 package 责任链模式; /** *
  • linux、mysql、nginx、tomcat 性能参数优化 ronin47
    一、linux 系统内核参数 /etc/sysctl.conf文件常用参数 net.core.netdev_max_backlog = 32768 #允许送到队列的数据包的最大数目 net.core.rmem_max = 8388608 #SOCKET读缓存区大小 net.core.wmem_max = 8388608 #SOCKET写缓存区大
  • php命令行界面 dcj3sjt126com PHPcli
    常用选项 php -v php -i PHP安装的有关信息 php -h 访问帮助文件 php -m 列出编译到当前PHP安装的所有模块 执行一段代码 php -r 'echo "hello, world!";' php -r 'echo "Hello, World!\n";' php -r '$ts = filemtime("
  • Filter&Session 171815164 session
    Filter HttpServletRequest requ = (HttpServletRequest) req; HttpSession session = requ.getSession(); if (session.getAttribute("admin") == null) { PrintWriter out = res.ge
  • 连接池与Spring,Hibernate结合 g21121 Hibernate
            前几篇关于Java连接池的介绍都是基于Java应用的，而我们常用的场景是与Spring和ORM框架结合，下面就利用实例学习一下这方面的配置。         1.下载相关内容：     &nb
  • [简单]mybatis判断数字类型 53873039oycg mybatis
           昨天同事反馈mybatis保存不了int类型的属性,一直报错，错误信息如下:       Caused by: java.lang.NumberFormatException: For input string: "null" at sun.mis
  • 项目启动时或者启动后ava.lang.OutOfMemoryError: PermGen space 程序员是怎么炼成的 eclipsejvmtomcatcatalina.sheclipse.ini
       在启动比较大的项目时，因为存在大量的jsp页面，所以在编译的时候会生成很多的.class文件，.class文件是都会被加载到jvm的方法区中，如果要加载的class文件很多，就会出现方法区溢出异常 java.lang.OutOfMemoryError: PermGen space.     解决办法是点击eclipse里的tomcat，在
  • 我的crm小结 aijuans crm
    各种原因吧，crm今天才完了。主要是接触了几个新技术： Struts2、poi、ibatis这几个都是以前的项目中用过的。 Jsf、tapestry是这次新接触的，都是界面层的框架，用起来也不难。思路和struts不太一样，传说比较简单方便。不过个人感觉还是struts用着顺手啊，当然springmvc也很顺手，不知道是因为习惯还是什么。jsf和tapestry应用的时候需要知道他们的标签、主
  • spring里配置使用hibernate的二级缓存几步 antonyup_2006 javaspringHibernatexmlcache
    ．在spring的配置文件中 applicationContent.xml，hibernate部分加入 xml 代码 <prop key="hibernate.cache.provider_class">org.hibernate.cache.EhCacheProvider</prop> <prop key="hi
  • JAVA基础面试题 百合不是茶 抽象实现接口String类接口继承抽象类继承实体类自定义异常
    /*   * 栈（stack）：主要保存基本类型（或者叫内置类型）（char、byte、short、   *int、long、 float、double、boolean）和对象的引用，数据可以共享，速度仅次于   * 寄存器（register），快于堆。堆（heap）：用于存储对象。   */  &
  • 让sqlmap文件 "继承" 起来 bijian1013 javaibatissqlmap
            多个项目中使用ibatis , 和数据库表对应的 sqlmap文件（增删改查等基本语句)，dao, pojo 都是由工具自动生成的, 现在将这些自动生成的文件放在一个单独的工程中，其它项目工程中通过jar包来引用 ，并通过"继承"为基础的sqlmap文件，dao,pojo 添加新的方法来满足项
  • 精通Oracle10编程SQL(13)开发触发器 bijian1013 oracle数据库plsql
    /* *开发触发器 */ --得到日期是周几 select to_char(sysdate+4,'DY','nls_date_language=AMERICAN') from dual; select to_char(sysdate,'DY','nls_date_language=AMERICAN') from dual; --建立BEFORE语句触发器 CREATE O
  • 【EhCache三】EhCache查询 bit1129 ehcache
    本文介绍EhCache查询缓存中数据，EhCache提供了类似Hibernate的查询API，可以按照给定的条件进行查询。   要对EhCache进行查询，需要在ehcache.xml中设定要查询的属性   数据准备 @Before public void setUp() { //加载EhCache配置文件 Inpu
  • CXF框架入门实例 白糖_ springWeb框架webserviceservlet
    CXF是apache旗下的开源框架，由Celtix + XFire这两门经典的框架合成，是一套非常流行的web service框架。 它提供了JAX-WS的全面支持，并且可以根据实际项目的需要，采用代码优先（Code First）或者 WSDL 优先（WSDL First）来轻松地实现 Web Services 的发布和使用，同时它能与spring进行完美结合。 在apache cxf官网提供
  • angular.equals boyitech AngularJSAngularJS APIAnguarJS 中文APIangular.equals
    angular.equals   描述: 比较两个值或者两个对象是不是 相等。还支持值的类型，正则表达式和数组的比较。   两个值或对象被认为是 相等的前提条件是以下的情况至少能满足一项： 两个值或者对象能通过=== （恒等） 的比较 两个值或者对象是同样类型，并且他们的属性都能通过angular
  • java-腾讯暑期实习生-输入一个数组A[1,2,...n]，求输入B，使得数组B中的第i个数字B[i]=A[0]*A[1]*...*A[i-1]*A[i+1] bylijinnan java
    这道题的具体思路请参看 何海涛的微博：http://weibo.com/zhedahht import java.math.BigInteger; import java.util.Arrays; public class CreateBFromATencent { /** * 题目：输入一个数组A[1,2,...n]，求输入B，使得数组B中的第i个数字B[i]=A
  • FastDFS 的安装和配置 修订版 Chen.H linuxfastDFS分布式文件系统
    FastDFS Home:http://code.google.com/p/fastdfs/ 1. 安装 http://code.google.com/p/fastdfs/wiki/Setup http://hi.baidu.com/leolance/blog/item/3c273327978ae55f93580703.html 安装libevent (对libevent的版本要求为1.4.
  • [强人工智能]拓扑扫描与自适应构造器 comsci 人工智能
          当我们面对一个有限拓扑网络的时候,在对已知的拓扑结构进行分析之后,发现在连通点之后,还存在若干个子网络,且这些网络的结构是未知的,数据库中并未存在这些网络的拓扑结构数据....这个时候,我们该怎么办呢?       那么,现在我们必须设计新的模块和代码包来处理上面的问题
  • oracle merge into的用法 daizj oraclesqlmerget into
    Oracle中merge into的使用 http://blog.csdn.net/yuzhic/article/details/1896878 http://blog.csdn.net/macle2010/article/details/5980965 该命令使用一条语句从一个或者多个数据源中完成对表的更新和插入数据. ORACLE 9i 中，使用此命令必须同时指定UPDATE 和INSE
  • 不适合使用Hadoop的场景 datamachine hadoop
    转自：http://dev.yesky.com/296/35381296.shtml。 　　Hadoop通常被认定是能够帮助你解决所有问题的唯一方案。 当人们提到“大数据”或是“数据分析”等相关问题的时候，会听到脱口而出的回答：Hadoop!  实际上Hadoop被设计和建造出来，是用来解决一系列特定问题的。对某些问题来说，Hadoop至多算是一个不好的选择，对另一些问题来说，选择Ha
  • YII findAll的用法 dcj3sjt126com yii
    看文档比较糊涂，其实挺简单的： $predictions=Prediction::model()->findAll("uid=:uid",array(":uid"=>10));   第一个参数是选择条件：”uid=10″。其中:uid是一个占位符，在后面的array(“:uid”=>10)对齐进行了赋值； 更完善的查询需要
  • vim 常用 NERDTree 快捷键 dcj3sjt126com vim
    下面给大家整理了一些vim NERDTree的常用快捷键了，这里几乎包括了所有的快捷键了，希望文章对各位会带来帮助。 切换工作台和目录 ctrl + w + h 光标 focus 左侧树形目录ctrl + w + l 光标 focus 右侧文件显示窗口ctrl + w + w 光标自动在左右侧窗口切换ctrl + w + r 移动当前窗口的布局位置 o 在已有窗口中打开文件、目录或书签，并跳
  • Java把目录下的文件打印出来 蕃薯耀 列出目录下的文件文件夹下面的文件目录下的文件
    Java把目录下的文件打印出来 >>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>> 蕃薯耀 2015年7月11日 11:02:
  • linux远程桌面----VNCServer与rdesktop hanqunfeng Desktop
    windows远程桌面到linux，需要在linux上安装vncserver，并开启vnc服务，同时需要在windows下使用vnc-viewer访问Linux。vncserver同时支持linux远程桌面到linux。   linux远程桌面到windows，需要在linux上安装rdesktop，同时开启windows的远程桌面访问。   下面分别介绍，以windo
  • guava中的join和split功能 jackyrong java
    guava库中，包含了很好的join和split的功能，例子如下： 1） 将LIST转换为使用字符串连接的字符串    List<String> names = Lists.newArrayList("John", "Jane", "Adam", "Tom");
  • Web开发技术十年发展历程 lampcy androidWeb浏览器html5
    回顾web开发技术这十年发展历程： Ajax 03年的时候我上六年级，那时候网吧刚在小县城的角落萌生。传奇，大话西游第一代网游一时风靡。我抱着试一试的心态给了网吧老板两块钱想申请个号玩玩，然后接下来的一个小时我一直在，注，册，账，号。 彼时网吧用的512k的带宽，注册的时候，填了一堆信息，提交，页面跳转，嘣，”您填写的信息有误，请重填”。然后跳转回注册页面，以此循环。我现在时常想，如果当时a
  • 架构师之mima-----------------mina的非NIO控制IOBuffer(说得比较好) nannan408 buffer
    1.前言。   如题。 2.代码。   IoService IoService是一个接口，有两种实现：IoAcceptor和IoConnector；其中IoAcceptor是针对Server端的实现，IoConnector是针对Client端的实现；IoService的职责包括： 1、监听器管理 2、IoHandler 3、IoSession
  • ORA-00054:resource busy and acquire with NOWAIT specified Everyday都不同 oraclesessionLock
    [Oracle] 今天对一个数据量很大的表进行操作时，出现如题所示的异常。此时表明数据库的事务处于“忙”的状态，而且被lock了，所以必须先关闭占用的session。   step1，查看被lock的session：   select t2.username, t2.sid, t2.serial#, t2.logon_time from v$locked_obj
  • javascript学习笔记 tntxia JavaScript
      javascript里面有6种基本类型的值:number、string、boolean、object、function和undefined。number：就是数字值，包括整数、小数、NaN、正负无穷。string:字符串类型、单双引号引起来的内容。boolean:true、false object:表示所有的javascript对象，不用多说function:我们熟悉的方法，也就是
  • Java enum的用法详解 xieke90 enum枚举
    Java中枚举实现的分析：     示例：  public static enum SEVERITY{ INFO,WARN,ERROR }     enum很像特殊的class，实际上enum声明定义的类型就是一个类。 而这些类都是类库中Enum类的子类      (java.l
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他