- 转换器与预估器,KNN算法,朴素贝叶斯算法,决策树,随机森林的特点,优缺点
qq_43625764
笔记KNN算法随机森林朴素贝叶斯算法机器学习算法决策树
转换器与预估器,KNN算法,朴素贝叶斯算法,决策树,随机森林的特点,优缺点1转换器与预估器实例化转换器fit_transform转换实例化预估器fit将训练集的特征值和目标值传进来fit运行完后,已经把这个模型训练出来了2KNN算法根据你的邻居来推测你的类别,如何确定谁是你的邻居(用距离公式,最常用的是欧式距离)还有曼哈顿距离–求绝对值,明可夫斯基距离(欧式距离和曼哈顿距离的一个退p=1曼哈顿距离
- 决策树、朴素贝叶斯、随机森林、支持向量机、XGBoost 和 LightGBM算法的R语言实现
生信与基因组学
生信分析项目进阶技能合集算法机器学习r语言
基本逻辑(1)使用rnorm函数生成5个特征变量x1到x5,并根据这些特征变量的线性组合生成一个二分类的响应变量y;(2)将生成的数据存储在数据框中,处理缺失值,并将响应变量转换为因子类型;(3)使用决策树、朴素贝叶斯、随机森林、支持向量机、XGBoost和LightGBM六种机器学习模型算法对数据进行训练和评估;(4)将各个模型的准确率和AUC值存储在结果数据框中,并通过柱状图展示结果。1.R包
- 使用Python和机器学习技术对高中物理题目进行分类的示例代码
max500600
python机器学习python分类
以下是一个使用Python和机器学习技术对高中物理题目进行分类的示例代码。我们将使用自然语言处理(NLP)技术处理题目的文本信息,并使用朴素贝叶斯分类器进行分类。步骤概述数据准备:准备包含高中物理题目的数据集,每个题目都有对应的类别标签。文本预处理:对题目文本进行清洗和特征提取。模型训练:使用训练数据训练分类模型。模型评估:使用测试数据评估模型的性能。预测:使用训练好的模型对新的物理题目进行分类。
- 第0节 机器学习与深度学习介绍
汉堡go
李哥深度学习专栏人工智能机器学习神经网络
人工智能:能够感知、推理、行动和适应的程序机器学习:能够随着数据量的增加而不断改进性能的算法(数学上的可解释性但准确率不是百分百,灵活度不高)深度学习:机器学习的一个子集:利用多层神经网络从大量数据中进行学习(设计一个很深的网络架构让机器自己学)(深度学习就是找一个函数f)机器学习算法简介(狭义)一般是基于数学,或者统计学的方法,具有很强的可解释性经典传统机器学习算法:KNN、决策树、朴素贝叶斯一
- 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
- 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
- 朴素贝叶斯原理及sklearn中代码实战
Lewis@
sklearn概率论机器学习
朴素贝叶斯(NaiveBayes)是一类基于贝叶斯定理的简单而有效的分类算法。它假设特征之间是相互独立的,即在给定目标变量的情况下,每个特征都不依赖于其他特征。尽管这个假设在实际中很难成立,朴素贝叶斯在许多场景下仍表现得非常好,特别是对于文本分类等高维数据的应用。1.贝叶斯定理贝叶斯定理表明给定一个事件发生的条件下另一个事件发生的概率:P(A∣B)=P(B∣A)⋅P(A)P(B){P(A|B)=\
- 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
- 机器学习:朴素贝叶斯
小源学AI
人工智能机器学习人工智能朴素贝叶斯
概率1.1定义概率表示随机事件发生可能性大小的一个数值,随机事件指在相同条件下,可能出现也可能不出现的事件。例如:抛硬币:当我们抛硬币时,可以正面朝上也可以反面朝上,正面或反面朝上的可能性被称为概率。理想状态下正反概率都是0.5。掷骰子:掷一个六面的骰子,每个点出现的概率是1/6,因为每个面出现的机会是均等的。抽取商品:一批商品包含良品和次品,随机抽取一件,抽取良品或次品是一个随机事件,经过大量实
- 朴素贝叶斯模型在文本分类中的应用
Ash Butterfield
nlp分类数据挖掘人工智能
朴素贝叶斯(NaiveBayes)是一种基于贝叶斯定理的概率分类算法,广泛应用于文本分类任务中。它的核心思想是根据训练数据中不同类别的条件概率,预测新文本属于哪个类别。尽管其假设条件较为简单(假设特征之间相互独立),但朴素贝叶斯在许多实际应用中仍表现出色,特别是在处理文本分类任务时。本文将介绍朴素贝叶斯模型的基本原理、在文本分类中的应用以及其优缺点,并通过示例说明其具体实现。1.朴素贝叶斯模型的基
- 机器学习算法 —— 朴素贝叶斯
ZShiJ
机器学习算法机器学习算法分类贝叶斯
欢迎来到我的博客——探索技术的无限可能!博客的简介(文章目录)目录朴素贝叶斯朴素贝叶斯的介绍朴素贝叶斯的优点朴素贝叶斯的缺点朴素贝叶斯的应用实战(贝叶斯分类)莺尾花数据库函数导入数据导入和分析模型训练模型预测原理简析模拟离散数据集朴素贝叶斯朴素贝叶斯的介绍朴素贝叶斯法=贝叶斯定理+特征条件独立。朴素贝叶斯(NaiveBayes)是基于贝叶斯定理的概率分类算法。该算法假设特征之间相互独立,即某个特征
- 【机器学习理论】朴素贝叶斯网络
SUNX-T
机器学习机器学习概率论人工智能
基础知识:先验概率:对某个事件发生的概率的估计。可以是基于历史数据的估计,可以由专家知识得出等等。一般是单独事件概率。后验概率:指某件事已经发生,计算事情发生是由某个因素引起的概率。一般是一个条件概率。条件概率:条件事件发生后,另一个事件发生的概率。一般的形式为P(B∣A)P(B|A)P(B∣A),表示AAA发生的条件下BBB发生的概率。P(B∣A)=P(AB)P(A)P(B|A)=\frac{P
- 机器学习day8
ኈ ቼ ዽ
机器学习numpypython
自定义数据集,使用朴素贝叶斯对其进行分类代码importnumpyasnpimportmatplotlib.pyplotaspltclass1_points=np.array([[2.1,2.2],[2.4,2.5],[2.2,2.0],[2.0,2.1],[2.3,2.3],[2.6,2.4],[2.5,2.1]])class2_points=np.array([[4.0,3.5],[4.2,3
- 自定义数据集 ,使用朴素贝叶斯对其进行分类
sirius12345123
分类numpypython
importnumpyasnpimportmatplotlib.pyplotaspltclass1_points=np.array([[1.9,1.2],[1.5,2.1],[1.9,0.5],[1.5,0.9],[0.9,1.2],[1.1,1.7],[1.4,1.1]])class2_points=np.array([[3.2,3.2],[3.7,2.9],[3.2,2.6],[1.7,3.3
- 自定义数据集 ,使用朴素贝叶斯对其进行分类
知识鱼丸
machinelearning机器学习
数据集定义:-data列表包含了文本样本及其对应的情感标签。每个元素是一个元组,第一个元素是文本,第二个元素是标签。特征提取:-使用CountVectorizer将文本转换为词频向量。fit_transform方法在训练数据上拟合向量器并进行转换。模型训练:-初始化MultinomialNB模型,这是适用于离散数据(如词频)的朴素贝叶斯分类器。-使用fit方法在提取的特征和标签上训练模型。预测:-
- 自定义数据集 ,使用朴素贝叶斯对其进行分类
〖是♂我〗
pythonnumpy开发语言
代码:#导入必要的库importnumpyasnpimportmatplotlib.pyplotasplt#定义类1的数据点,每个数据点是二维的坐标class1_points=np.array([[1.9,1.2],[1.5,2.1],[1.9,0.5],[1.5,0.9],[0.9,1.2],[1.1,1.7],[1.4,1.1]])#定义类2的数据点,每个数据点是二维的坐标class2_poi
- 自定义数据集 ,使用朴素贝叶斯对其进行分类
Z211613347
python
importnumpyasnpimportmatplotlib.pyplotasplt#1.散点输入class1_points=np.array([[1.9,1.2],[1.5,2.1],[1.9,0.5],[1.5,0.9],[0.9,1.2],[1.1,1.7],[1.4,1.1]])class2_points=np.array([[3.2,3.2],[3.7,2.9],[3.2,2.6],[
- 模式识别与机器学习(Python实现):基于sklearn朴素贝叶斯模型实现男女分类
CV视界
模式识别机器学习与图像处理机器学习python人工智能
模式识别与机器学习(Python实现):基于sklearn朴素贝叶斯模型和pazen窗方法实现男女分类欢迎大家来到安静到无声的《模式识别与人工智能(程序与算法)》,如果对所写内容感兴趣请看模式识别与人工智能(程序与算法)系列讲解-总目录,同时这也可以作为大家学习的参考。欢迎订阅,优惠价只需9.9元,请多多支持!目录标题模式识别与机器学习(Python实现):基于sklearn朴素贝叶斯模型和paz
- 使用朴素贝叶斯对自定义数据集进行分类
Luzem0319
人工智能机器学习
准备自定义数据集首先,需要一个自定义数据集来进行分类。创建一个简单的二维数据集,其中每个样本有两个特征,并且属于两个类别之一。importnumpyasnpimportpandasaspd#创建自定义数据集np.random.seed(42)num_samples=100#生成特征数据X=np.random.rand(num_samples,2)#生成标签数据(0或1)y=np.where(X[:
- 使用支持向量机和朴素贝叶斯对文本分类
SSeaflower
支持向量机分类算法机器学习python
一、支持向量机文本分类1.1支持向量机分类器(SVC)支持向量机分类器(SupportVectorClassifier),缩写为SVC。SVC是sklearn.svm模块的一部分,提供了对支持向量机(SVM)算法的实现。SVM是一种监督学习模型,用于分类和回归任务。SVC是SVM用于分类的实现。1.2SVC的用法及参数通过以下方式创建SVC对象并进行训练:fromsklearn.svmimport
- Scikit-learn提供了哪些机器学习算法以及如何使用Scikit-learn进行模型训练和评估
Java资深爱好者
机器学习scikit-learn算法
Scikit-learn库的使用一、Scikit-learn提供的机器学习算法Scikit-learn(通常简称为sklearn)是一个广泛使用的Python机器学习库,它提供了多种用于数据挖掘和数据分析的算法。Scikit-learn支持的机器学习算法可以大致分为以下几类:分类算法:支持向量机(SVM)随机森林(RandomForest)逻辑回归(LogisticRegression)朴素贝叶斯
- 细说机器学习算法之ROC曲线用于模型评估
Melancholy 啊
机器学习算法人工智能数据挖掘python
系列文章目录第一章:Pyhton机器学习算法之KNN第二章:Pyhton机器学习算法之K—Means第三章:Pyhton机器学习算法之随机森林第四章:Pyhton机器学习算法之线性回归第五章:Pyhton机器学习算法之有监督学习与无监督学习第六章:Pyhton机器学习算法之朴素贝叶斯第七章:Pyhton机器学习算法之XGBoost第八章:Pyhton机器学习算法之GBDT第九章:Pyhton机器学
- 情感分析常见算法与模型及实现步骤
计算机软件程序设计
知识科普算法情感分析机器学习
【1】常见算法与模型情感分析(SentimentAnalysis)是一种自然语言处理(NLP)技术,用于识别和提取文本中的主观信息,如情绪、态度和意见。常见的算法和模型包括以下几种:传统机器学习方法朴素贝叶斯(NaiveBayes)基于贝叶斯定理,假设特征之间相互独立。计算简单,适用于大规模数据集。常用于文本分类任务。支持向量机(SVM)通过寻找最优超平面来划分不同的类别。在高维空间中表现良好,适
- 广义加性模型的参数、半参数、非参数形式
智识小站
可解释机器学习算法
简要介绍在统计学中,广义加性模型(GAM)是一种广义线性模型,其中线性响应变量线性地依赖于一些预测变量的未知光滑函数,并且人们对这些光滑函数的推理很感兴趣。GAM最初由TrevorHastie和RobertTibshirani[1]开发,用于将广义线性模型的性质与加性模型相结合。它们可以被解释为朴素贝叶斯生成模型的判别推广。该模型将一个单变量响应变量Y和一些预测变量联系起来。为Y指定指数族分布,例
- 后端架构师技术图谱
dreamcasher
架构师后端
《后端架构师技术图谱》(转)数据结构队列集合链表、数组字典、关联数组栈树二叉树完全二叉树平衡二叉树二叉查找树(BST)红黑树B-,B+,B*树LSM树BitSet常用算法排序、查找算法选择排序冒泡排序插入排序快速排序归并排序希尔排序堆排序计数排序桶排序基数排序二分查找Java中的排序工具布隆过滤器字符串比较KMP算法深度优先、广度优先贪心算法回溯算法剪枝算法动态规划朴素贝叶斯推荐算法最小生成树算法
- 【机器学习】朴素贝叶斯
可口的冰可乐
机器学习机器学习概率论
3.朴素贝叶斯素贝叶斯算法(NaiveBayes)是一种基于贝叶斯定理的简单而有效的分类算法。其“朴素”之处在于假设各特征之间相互独立,即在给定类别的条件下,各个特征是独立的。尽管这一假设在实际中不一定成立,合理的平滑技术和数据预处理仍能使其在许多任务中表现良好。优点:速度快:由于朴素贝叶斯仅需计算简单的概率,训练和预测的速度非常快。适用于高维数据:即使在特征数量多的情况下,朴素贝叶斯仍然表现良好
- 【统计学习方法读书笔记】(四)朴素贝叶斯法
Y.G Bingo
统计学习方法人工智能统计学习概率概率论
终于到了贝叶斯估计这章了,贝叶斯估计在我心中一直是很重要的地位,不过发现书中只用了不到10页介绍这一章,深度内容后,发现贝叶斯估计的基础公式确实不多,但是由于正态分布在生活中的普遍性,贝叶斯估计才应用的非常多吧!默认输入变量用XXX表示,输出变量用YYY表示概率公式描述:P(X=x)P(X=x)P(X=x):表示当X=xX=xX=x时的概率P(X=x∣Y=ck)P(X=x|Y=c_k)P(X=x∣
- 【机器学习】朴素贝叶斯方法的概率图表示以及贝叶斯统计中的共轭先验方法
Lossya
机器学习概率论人工智能朴素贝叶斯共轭先验
引言朴素贝叶斯方法是一种基于贝叶斯定理的简单概率模型,它假设特征之间相互独立。文章目录引言一、朴素贝叶斯方法的概率图表示1.1节点表示1.2边表示1.3无其他连接1.4总结二、朴素贝叶斯的应用场景2.1文本分类2.2推荐系统2.3医疗诊断2.4欺诈检测2.5情感分析2.6邮件过滤2.7信息检索2.8生物信息学三、朴素贝叶斯的优点四、朴素贝叶斯的局限性4.1特征独立性假设4.2敏感于输入数据的表示4
- 【机器学习】朴素贝叶斯网络的基本概念以及朴素贝叶斯网络在python中的实例
Lossya
机器学习python人工智能算法朴素贝叶斯
引言文章目录引言一、朴素贝叶斯网络1.1基本概念1.1.1节点1.1.2边(Edges)1.1.3条件独立性1.2特点1.2.1结构简单1.2.2易于理解和实现1.2.3计算效率高1.3应用1.4数学表示1.5局限性二、朴素贝叶斯网络在python中的实例2.1实例背景2.2实现步骤2.3python代码2.4代码解释三、概率推断在医疗领域中的使用3.1概率推断在医疗领域的使用3.2自动化推断的优
- 人工智能与机器学习原理精解【17】
叶绿先锋
基础数学与应用数学人工智能机器学习概率论
文章目录贝叶斯贝叶斯定理的公式推导一、条件概率的定义二、联合概率的分解三、贝叶斯定理的推导四、全概率公式的应用五、总结全概率公式推导一、全概率公式的定义二、全概率公式的推导三、全概率公式的应用贝叶斯定理的原理一、基本原理二、核心概念三、数学表达式四、原理应用五、原理特点朴素贝叶斯定理一、贝叶斯定理基础二、朴素贝叶斯的原理三、朴素贝叶斯的特点朴素贝叶斯公式一、贝叶斯定理二、特征独立性假设三、朴素贝叶
- 项目中 枚举与注解的结合使用
飞翔的马甲
javaenumannotation
前言:版本兼容,一直是迭代开发头疼的事,最近新版本加上了支持新题型,如果新创建一份问卷包含了新题型,那旧版本客户端就不支持,如果新创建的问卷不包含新题型,那么新旧客户端都支持。这里面我们通过给问卷类型枚举增加自定义注解的方式完成。顺便巩固下枚举与注解。
一、枚举
1.在创建枚举类的时候,该类已继承java.lang.Enum类,所以自定义枚举类无法继承别的类,但可以实现接口。
- 【Scala十七】Scala核心十一:下划线_的用法
bit1129
scala
下划线_在Scala中广泛应用,_的基本含义是作为占位符使用。_在使用时是出问题非常多的地方,本文将不断完善_的使用场景以及所表达的含义
1. 在高阶函数中使用
scala> val list = List(-3,8,7,9)
list: List[Int] = List(-3, 8, 7, 9)
scala> list.filter(_ > 7)
r
- web缓存基础:术语、http报头和缓存策略
dalan_123
Web
对于很多人来说,去访问某一个站点,若是该站点能够提供智能化的内容缓存来提高用户体验,那么最终该站点的访问者将络绎不绝。缓存或者对之前的请求临时存储,是http协议实现中最核心的内容分发策略之一。分发路径中的组件均可以缓存内容来加速后续的请求,这是受控于对该内容所声明的缓存策略。接下来将讨web内容缓存策略的基本概念,具体包括如如何选择缓存策略以保证互联网范围内的缓存能够正确处理的您的内容,并谈论下
- crontab 问题
周凡杨
linuxcrontabunix
一: 0481-079 Reached a symbol that is not expected.
背景:
*/5 * * * * /usr/IBMIHS/rsync.sh
- 让tomcat支持2级域名共享session
g21121
session
tomcat默认情况下是不支持2级域名共享session的,所有有些情况下登陆后从主域名跳转到子域名会发生链接session不相同的情况,但是只需修改几处配置就可以了。
打开tomcat下conf下context.xml文件
找到Context标签,修改为如下内容
如果你的域名是www.test.com
<Context sessionCookiePath="/path&q
- web报表工具FineReport常用函数的用法总结(数学和三角函数)
老A不折腾
Webfinereport总结
ABS
ABS(number):返回指定数字的绝对值。绝对值是指没有正负符号的数值。
Number:需要求出绝对值的任意实数。
示例:
ABS(-1.5)等于1.5。
ABS(0)等于0。
ABS(2.5)等于2.5。
ACOS
ACOS(number):返回指定数值的反余弦值。反余弦值为一个角度,返回角度以弧度形式表示。
Number:需要返回角
- linux 启动java进程 sh文件
墙头上一根草
linuxshelljar
#!/bin/bash
#初始化服务器的进程PId变量
user_pid=0;
robot_pid=0;
loadlort_pid=0;
gateway_pid=0;
#########
#检查相关服务器是否启动成功
#说明:
#使用JDK自带的JPS命令及grep命令组合,准确查找pid
#jps 加 l 参数,表示显示java的完整包路径
#使用awk,分割出pid
- 我的spring学习笔记5-如何使用ApplicationContext替换BeanFactory
aijuans
Spring 3 系列
如何使用ApplicationContext替换BeanFactory?
package onlyfun.caterpillar.device;
import org.springframework.beans.factory.BeanFactory;
import org.springframework.beans.factory.xml.XmlBeanFactory;
import
- Linux 内存使用方法详细解析
annan211
linux内存Linux内存解析
来源 http://blog.jobbole.com/45748/
我是一名程序员,那么我在这里以一个程序员的角度来讲解Linux内存的使用。
一提到内存管理,我们头脑中闪出的两个概念,就是虚拟内存,与物理内存。这两个概念主要来自于linux内核的支持。
Linux在内存管理上份为两级,一级是线性区,类似于00c73000-00c88000,对应于虚拟内存,它实际上不占用
- 数据库的单表查询常用命令及使用方法(-)
百合不是茶
oracle函数单表查询
创建数据库;
--建表
create table bloguser(username varchar2(20),userage number(10),usersex char(2));
创建bloguser表,里面有三个字段
&nbs
- 多线程基础知识
bijian1013
java多线程threadjava多线程
一.进程和线程
进程就是一个在内存中独立运行的程序,有自己的地址空间。如正在运行的写字板程序就是一个进程。
“多任务”:指操作系统能同时运行多个进程(程序)。如WINDOWS系统可以同时运行写字板程序、画图程序、WORD、Eclipse等。
线程:是进程内部单一的一个顺序控制流。
线程和进程
a. 每个进程都有独立的
- fastjson简单使用实例
bijian1013
fastjson
一.简介
阿里巴巴fastjson是一个Java语言编写的高性能功能完善的JSON库。它采用一种“假定有序快速匹配”的算法,把JSON Parse的性能提升到极致,是目前Java语言中最快的JSON库;包括“序列化”和“反序列化”两部分,它具备如下特征:  
- 【RPC框架Burlap】Spring集成Burlap
bit1129
spring
Burlap和Hessian同属于codehaus的RPC调用框架,但是Burlap已经几年不更新,所以Spring在4.0里已经将Burlap的支持置为Deprecated,所以在选择RPC框架时,不应该考虑Burlap了。
这篇文章还是记录下Burlap的用法吧,主要是复制粘贴了Hessian与Spring集成一文,【RPC框架Hessian四】Hessian与Spring集成
 
- 【Mahout一】基于Mahout 命令参数含义
bit1129
Mahout
1. mahout seqdirectory
$ mahout seqdirectory
--input (-i) input Path to job input directory(原始文本文件).
--output (-o) output The directory pathna
- linux使用flock文件锁解决脚本重复执行问题
ronin47
linux lock 重复执行
linux的crontab命令,可以定时执行操作,最小周期是每分钟执行一次。关于crontab实现每秒执行可参考我之前的文章《linux crontab 实现每秒执行》现在有个问题,如果设定了任务每分钟执行一次,但有可能一分钟内任务并没有执行完成,这时系统会再执行任务。导致两个相同的任务在执行。
例如:
<?
//
test
.php
- java-74-数组中有一个数字出现的次数超过了数组长度的一半,找出这个数字
bylijinnan
java
public class OcuppyMoreThanHalf {
/**
* Q74 数组中有一个数字出现的次数超过了数组长度的一半,找出这个数字
* two solutions:
* 1.O(n)
* see <beauty of coding>--每次删除两个不同的数字,不改变数组的特性
* 2.O(nlogn)
* 排序。中间
- linux 系统相关命令
candiio
linux
系统参数
cat /proc/cpuinfo cpu相关参数
cat /proc/meminfo 内存相关参数
cat /proc/loadavg 负载情况
性能参数
1)top
M:按内存使用排序
P:按CPU占用排序
1:显示各CPU的使用情况
k:kill进程
o:更多排序规则
回车:刷新数据
2)ulimit
ulimit -a:显示本用户的系统限制参
- [经营与资产]保持独立性和稳定性对于软件开发的重要意义
comsci
软件开发
一个软件的架构从诞生到成熟,中间要经过很多次的修正和改造
如果在这个过程中,外界的其它行业的资本不断的介入这种软件架构的升级过程中
那么软件开发者原有的设计思想和开发路线
- 在CentOS5.5上编译OpenJDK6
Cwind
linuxOpenJDK
几番周折终于在自己的CentOS5.5上编译成功了OpenJDK6,将编译过程和遇到的问题作一简要记录,备查。
0. OpenJDK介绍
OpenJDK是Sun(现Oracle)公司发布的基于GPL许可的Java平台的实现。其优点:
1、它的核心代码与同时期Sun(-> Oracle)的产品版基本上是一样的,血统纯正,不用担心性能问题,也基本上没什么兼容性问题;(代码上最主要的差异是
- java乱码问题
dashuaifu
java乱码问题js中文乱码
swfupload上传文件参数值为中文传递到后台接收中文乱码 在js中用setPostParams({"tag" : encodeURI( document.getElementByIdx_x("filetag").value,"utf-8")});
然后在servlet中String t
- cygwin很多命令显示command not found的解决办法
dcj3sjt126com
cygwin
cygwin很多命令显示command not found的解决办法
修改cygwin.BAT文件如下
@echo off
D:
set CYGWIN=tty notitle glob
set PATH=%PATH%;d:\cygwin\bin;d:\cygwin\sbin;d:\cygwin\usr\bin;d:\cygwin\usr\sbin;d:\cygwin\us
- [介绍]从 Yii 1.1 升级
dcj3sjt126com
PHPyii2
2.0 版框架是完全重写的,在 1.1 和 2.0 两个版本之间存在相当多差异。因此从 1.1 版升级并不像小版本间的跨越那么简单,通过本指南你将会了解两个版本间主要的不同之处。
如果你之前没有用过 Yii 1.1,可以跳过本章,直接从"入门篇"开始读起。
请注意,Yii 2.0 引入了很多本章并没有涉及到的新功能。强烈建议你通读整部权威指南来了解所有新特性。这样有可能会发
- Linux SSH免登录配置总结
eksliang
ssh-keygenLinux SSH免登录认证Linux SSH互信
转载请出自出处:http://eksliang.iteye.com/blog/2187265 一、原理
我们使用ssh-keygen在ServerA上生成私钥跟公钥,将生成的公钥拷贝到远程机器ServerB上后,就可以使用ssh命令无需密码登录到另外一台机器ServerB上。
生成公钥与私钥有两种加密方式,第一种是
- 手势滑动销毁Activity
gundumw100
android
老是效仿ios,做android的真悲催!
有需求:需要手势滑动销毁一个Activity
怎么办尼?自己写?
不用~,网上先问一下百度。
结果:
http://blog.csdn.net/xiaanming/article/details/20934541
首先将你需要的Activity继承SwipeBackActivity,它会在你的布局根目录新增一层SwipeBackLay
- JavaScript变换表格边框颜色
ini
JavaScripthtmlWebhtml5css
效果查看:http://hovertree.com/texiao/js/2.htm代码如下,保存到HTML文件也可以查看效果:
<html>
<head>
<meta charset="utf-8">
<title>表格边框变换颜色代码-何问起</title>
</head>
<body&
- Kafka Rest : Confluent
kane_xie
kafkaRESTconfluent
最近拿到一个kafka rest的需求,但kafka暂时还没有提供rest api(应该是有在开发中,毕竟rest这么火),上网搜了一下,找到一个Confluent Platform,本文简单介绍一下安装。
这里插一句,给大家推荐一个九尾搜索,原名叫谷粉SOSO,不想fanqiang谷歌的可以用这个。以前在外企用谷歌用习惯了,出来之后用度娘搜技术问题,那匹配度简直感人。
环境声明:Ubu
- Calender不是单例
men4661273
单例Calender
在我们使用Calender的时候,使用过Calendar.getInstance()来获取一个日期类的对象,这种方式跟单例的获取方式一样,那么它到底是不是单例呢,如果是单例的话,一个对象修改内容之后,另外一个线程中的数据不久乱套了吗?从试验以及源码中可以得出,Calendar不是单例。
测试:
Calendar c1 =
- 线程内存和主内存之间联系
qifeifei
java thread
1, java多线程共享主内存中变量的时候,一共会经过几个阶段,
lock:将主内存中的变量锁定,为一个线程所独占。
unclock:将lock加的锁定解除,此时其它的线程可以有机会访问此变量。
read:将主内存中的变量值读到工作内存当中。
load:将read读取的值保存到工作内存中的变量副本中。
- schedule和scheduleAtFixedRate
tangqi609567707
javatimerschedule
原文地址:http://blog.csdn.net/weidan1121/article/details/527307
import java.util.Timer;import java.util.TimerTask;import java.util.Date;
/** * @author vincent */public class TimerTest {
 
- erlang 部署
wudixiaotie
erlang
1.如果在启动节点的时候报这个错 :
{"init terminating in do_boot",{'cannot load',elf_format,get_files}}
则需要在reltool.config中加入
{app, hipe, [{incl_cond, exclude}]},
2.当generate时,遇到:
ERROR