scottzcw
scottzcw

xgboost安装记录

1，XGBoost是Gradient Boosting算法的一种高级实现，比sklearn的效率要高

2，如果python是3.5的，可以直接下载whl，安装很方便http://www.lfd.uci.edu/~gohlke/pythonlibs/#xgboost

3，python是2.7的话就需要自己下载编译了，也可以找别人编译好的包，可以省去这一步，https://drive.google.com/file/d/0B6HXvVF1p1HWcTdwZ2dGYkVyZG8/view

4，下载完后只需要将文件解压到python path\Lib\site-packages

xgboost安装记录_第1张图片

5，在python-package目录下执行安装命令 python setup.py install

6，验证安装 import xgboost结果报错：WindowsError: [Error 126]


xgboost安装记录_第2张图片

是因为没有安装mingw-64

7安装mingw-64

xgboost安装记录_第3张图片

再把安装路径C:\Program Files\mingw-w64\x86_64-7.1.0-posix-seh-rt_v5-rev0\bin配置到环境变量,要放在path的前面，不然可能会报WindowsError: [Error 127]的错误，因为其中有dll在别的路径中存在

你可能感兴趣的:(xgboost安装记录)

  • xgboost原理 茶尽
    阅读XGBoost与BoostedTree基学习器：CART每个叶子节点上面有一个分数不够厉害，所以找一个更强的模型treeensemble对每个样本的预测结果是每棵树预测分数的和目标函数采用boosting（additivetraining）方法，每一次都加入一个新的函数。依赖每个数据点上的误差函数的一阶导数和二阶导（区别于GBDT）。树的复杂度复杂度包含了一棵树里面的叶子个数和输出分数的L2模
  • 机器学习-XGBoost和SHAP解析数据 python机器学习ML 机器学习人工智能数据分析python
    一、引言在机器学习领域，XGBoost表现出色，具有高效性、准确性、灵活性和良好的防过拟合能力。高效性使其能快速处理大规模复杂数据，降低训练时间成本。通过组合弱学习器提高准确性和泛化能力。其支持多种任务和自定义指标，参数调优选项丰富。内置正则化机制防止过拟合。同时，SHAP对模型解释起关键作用，能计算特征的SHAP值来明确特征对预测结果的贡献，帮助理解模型决策。二、数据准备和模型训练1.导入所需库
  • 机器学习算法解析:XGBoost与LightGBM AI天才研究院 AI人工智能与大数据AI大模型应用入门实战与进阶AI大模型企业级应用开发实战计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    机器学习算法解析:XGBoost与LightGBM作者：禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming关键词：XGBoost,LightGBM,高效特征选择,并行化训练,自动调参,弱分类器集成1.背景介绍1.1问题的由来随着数据科学和人工智能技术的发展，越来越多的问题需要利用机器学习算法进行解决。传统的一维决策树虽然直观且易于理解，但在面对高维度数据集时
  • 数据处理和分析之分类算法：XGBoost：机器学习基础理论 kkchenkx 数据挖掘机器学习分类数据挖掘
    数据处理和分析之分类算法：XGBoost：机器学习基础理论数据预处理与特征工程数据清洗数据清洗是数据预处理的第一步，旨在去除数据集中的噪声、不一致性和缺失值，确保数据的质量。这包括处理空值、异常值、重复数据和不一致的数据格式。示例：处理缺失值假设我们有一个包含用户年龄、性别和收入的数据集，其中年龄和收入字段存在缺失值。importpandasaspdimportnumpyasnp#创建示例数据集d
  • 【独家原创】基于XGBoost+SHAP可解释性分析的分类预测 Matlab代码(多输入单输出) 机器学习和优化算法 SHAP（Matlab）机器学习分类XGBoostSHAPshap分析可解释性分析
    目录1、代码简介2、代码运行结果展示3、代码获取1、代码简介(XGBoost+SHAP)基于XGBoost的数据多输入单输出+SHAP可解释性分析的分类预测模型由于XGBoost在使用SHAP分析时速度较慢，程序中附带两种SHAP的计算文件(正常版和提速版本)，具体使用教程见使用步骤文件(你的数据适合哪种均有说明)，十分简单用哪个调用哪个即可！！！1、在机器学习和深度学习领域，模型复杂度的不断攀升
  • LNMP的安装记录 Jay_MIng linuxphp运维nginxmysql
    Linux可以使用虚拟机挂载使用Centos、Debian、Ubunto等的一些镜像，有条件的话可以使用阿里云的系统，本文使用的就是阿里云的x86_64x86_64x86_64GNU/Linux系统，虚拟机安装不做详解，可以自行搜索，或者有疑问可以提出一起探讨安装PHP1、下载解压wgethttp://cn2.php.net/distributions/php-7.2.8.tar.gztar-xz
  • Ubuntu下搜狗输入法安装记录（解决安装好后仍旧无法输入中文的问题）
    主要参考为博客https://blog.csdn.net/fangshuo_light/article/details/123634224以及搜狗官方给到的安装指南https://shurufa.sogou.com/linux/guide遇到问题使用dpkg安装在搜狗官网下载的Linuxdeb安装包sudodpkg-isogoupinyin_4.2.1.145_amd64.deb此时，按照官方的安
  • Python机器学习与深度学习：决策树、随机森林、XGBoost与LightGBM、迁移学习、循环神经网络、长短时记忆网络、时间卷积网络、自编码器、生成对抗网络、YOLO目标检测等 WangYan2022 机器学习/深度学习Python机器学习深度学习随机森林迁移学习
    融合最新技术动态与实战经验，旨在系统提升以下能力：①掌握ChatGPT、DeepSeek等大语言模型在代码生成、模型调试、实验设计、论文撰写等方面的实际应用技巧②深入理解深度学习与经典机器学习算法的关联与差异，掌握其理论基础③熟练运用PyTorch实现各类深度学习模型，包括迁移学习、循环神经网络（RNN）、长短时记忆网络（LSTM）、时间卷积网络（TCN）、自编码器、生成对抗网络（GAN）、YOL
  • 机器学习-三大SOTA Boosting算法总结和调优 小新学习屋 机器学习机器学习boosting集成学习决策树人工智能
    参考书籍：《机器学习公式推导和代码实现》书籍页码：P197～205简介除了深度学习适用的文本、图像、语音、视频等非结构化数据，对于训练样本较少的结构化数据，Boosting算法仍是第一选择。XGBoost、LightGBM、CatBoost是目前经典的SOTABoosting算法算法对比维度XGBoostLightGBMCatBoos说明算法的继承性是对GBDT的改进是对XGBoost的改进是对X
  • 机器学习，支持向量机svm和决策树xgboost介绍 suixinm 支持向量机机器学习决策树
    支持向量机(SVM)和XGBoost都是非常强大且应用广泛的机器学习算法，但它们基于不同的原理，各有其优势和劣势，适用于不同的场景。以下是两者的主要区别和优劣势对比：1.核心思想与模型类型:SVM:核心思想:找到一个最优的超平面（在特征空间中），将不同类别的样本分隔开，并且使得该超平面到两类样本中最近的样本点（支持向量）的距离（间隔）最大化。核心是几何间隔最大化。模型类型:单个模型（虽然是核方法，
  • 【机器学习第四期（Python）】LightGBM 方法原理详解 WW、forever 机器学习原理及代码实现机器学习python人工智能
    LightGBM概述一、LightGBM简介二、LightGBM原理详解⚙️核心原理LightGBM的主要特点三、LightGBM实现步骤（Python）可调参数推荐完整案例代码（回归任务+可视化）参考LightGBM是由微软开源的基于梯度提升框架（GBDT）的机器学习算法，专为高性能、高效率设计，适用于大规模数据处理任务。它在准确率、训练速度和资源使用上都优于传统GBDT实现（如XGBoost）
  • 人工智能大模型原理与应用实战：大模型在金融风控中的应用 AI天才研究院 LLM大模型落地实战指南大数据人工智能语言模型AILLMJavaPython架构设计AgentRPA
    文章目录人工智能大模型原理与应用实战：大模型在金融风控中的应用01.背景介绍1.1金融风控的挑战1.2大模型的优势2.核心概念与联系2.1大模型在金融风控中的应用场景2.2大模型与传统风控技术的结合3.核心算法原理具体操作步骤3.1基于大模型的欺诈检测3.2基于大模型的信用评估4.数学模型和公式详细讲解举例说明4.1逻辑回归模型4.2XGBoost模型5.项目实践：代码实例和详细解释说明5.1基于
  • Python打卡：Day24 剑桥折刀s python打卡python
    importpandasaspdimportnumpyasnpimportreimportxgboostasxgbfromsklearn.model_selectionimporttrain_test_splitfromsklearn.metricsimportclassification_report,confusion_matrix,accuracy_score,precision_score
  • 【机器学习算法】XGBoost原理
    一、基本内容基本内容：GBDT的基础上，在损失函数上加入树模型复杂度的正则项与GBDT一样，也是使用新的弱学习器拟合残差（当前模型负梯度，残差方向）GBDT损失函数Loss=∑i=1NL(yi,yit)Loss=\sum_{i=1}^{N}L(y_i,y_i^{t})Loss=i=1∑NL(yi,yit)XGboost损失函数Loss=∑i=1SL(yi,yit)+∑j=1NΩ(fj))Loss=
  • 【机器学习第二期（Python）】优化梯度提升决策树 XGBoost WW、forever 深度学习原理及代码实现机器学习python决策树
    优化梯度提升决策树XGBoost一、XGBoost简介二、原理详解2.1基础思想：改进版GBDT2.2目标函数2.3二阶泰勒展开优化2.4树结构优化三、XGBoost实现步骤（Python）可调参数推荐完整案例代码（回归任务+可视化）参考梯度提升决策树GBDT的原理及Python代码实现可参考另一博客-【机器学习第一期（Python）】梯度提升决策树GBDT。XGBoost（ExtremeGrad
  • LightGBM：极速梯度提升机——结构化数据建模的终极武器 大千AI助手 人工智能Python#OTHER随机森林算法机器学习决策树人工智能GBDTLightGBM
    基于直方图与Leaf-wise生长的高效GBDT实现，横扫Kaggle与工业场景一、为什么需要LightGBM？GBDT的瓶颈传统梯度提升树（如XGBoost）在处理海量数据时面临两大痛点：训练速度慢：需预排序特征&层次生长（Level-wise）内存消耗高：存储特征值与分裂点信息LightGBM的诞生微软亚洲研究院于2017年开源，核心目标：✅训练效率提升10倍✅内存占用降低50%✅保持与XGB
  • 怎样在pycham上安装XGBoost(windows操作系统) youxiazzz12 综合大数据深度学习xgboost
    搞数据分析、挖掘的时候，网上的代码来了个看到下面的红色下划线，心里一咯噔，最怕这种导入包的问题，又要开始搞配置了。先运行代码看看吧，果然报错：ModuleNotFoundError:Nomodulenamed'xgboost'看来还是得安装这个xgboost。经历了各种痛苦的摸索，终于搞定，还是汇总一下吧。小白的摸索太过痛苦了，汇总一下大家共勉。弯路就不放出来了，全是泪。直接讲正确路径有一些初步准
  • XGBoost算法原理及Python实现 法号清水 算法python开发语言
    一、概述  XGBoost是一种基于梯度提升框架的机器学习算法，它通过迭代地训练一系列决策树来构建模型。核心思想是通过不断地在已有模型的基础上，拟合负梯度方向的残差（真实值与预测值的差）来构建新的弱学习器，达到逐步优化模型的目的。  XGBoost在构建决策树时，利用了二阶导数信息。在损失函数的优化过程中，不仅考虑了一阶导数（梯度），还引入了二阶导数（海森矩阵），这使得算法能够更精确地找到损失函数
  • 如何在Python上安装xgboost？ cda2024 python开发语言
    在数据科学和机器学习领域，XGBoost无疑是一款备受推崇的算法工具。它以其高效、灵活和精确的特点，成为了众多数据科学家和工程师的首选。然而，对于初学者来说，如何在Python环境中成功安装XGBoost可能会成为一个挑战。本文将详细指导你在Python上安装XGBoost的过程，帮助你快速上手这一强大的机器学习工具。为什么选择XGBoost？在深入了解安装过程之前，我们先来看看XGBoost为何
  • 如何在Python上安装xgboost？ cda2024 python开发语言
    在数据科学和机器学习领域，XGBoost无疑是一款备受推崇的算法工具。它以其高效、灵活和精确的特点，成为了众多数据科学家和工程师的首选。然而，对于初学者来说，如何在Python环境中成功安装XGBoost可能会成为一个挑战。本文将详细指导你在Python上安装XGBoost的过程，帮助你快速上手这一强大的机器学习工具。为什么选择XGBoost？在深入了解安装过程之前，我们先来看看XGBoost为何
  • 梯度增强与XGBoost算法解析 weixin_47233946 算法算法
    ##一、梯度增强（GradientBoosting）原理###1.1集成学习与Boosting集成学习通过结合多个弱模型提升整体性能，主要包括Bagging（如随机森林）和Boosting两类方法。**梯度增强**属于Boosting家族，核心思想是**串行训练模型，每一步修正前序模型的残差**，最终形成强预测器。###1.2算法核心流程1.**初始化基模型**：用常数（如目标变量均值）预测。2.
  • ubuntu系统下安装显卡驱动及cuda9.0 复古蓝 Ubuntucuda9.0卸载显卡驱动ubuntu下显示器分辨率无法达到最大cuda安装
    安装记录，试了很多个版本，最后重装系统，最后找到正确的解决方案。1、下载并安装显卡驱动，由于需要安装cuda9.0考虑到兼容性，安装384.130版本的显卡驱动下载链接：https://www.geforce.cn/drivers/results/133208设置禁止使用nouveau输入命令：sudogedit/etc/modprobe.d/blacklist-nouveau.conf在gedi
  • 机器学习15-XGBoost 吹风看太阳 机器学习机器人人工智能
    XGBOOST学习笔记一、引言在机器学习的集成学习算法中，XGBoost（eXtremeGradientBoosting）凭借其高效性、可扩展性和卓越的性能，成为数据科学竞赛和工业界应用的热门选择。XGBoost本质上是一种基于梯度提升框架（GradientBoostingFramework）的机器学习算法，它通过不断拟合残差来构建多个弱学习器（通常是决策树），并将这些弱学习器进行累加，从而形成一
  • LightGBM 与 XGBoost 深度解析：从基础原理到实战优化 爱看烟花的码农 ML集成学习机器学习人工智能
    LightGBM与XGBoost深度解析：从基础原理到实战优化引言梯度提升机(GradientBoostingMachine,GBM)及其衍生算法，如XGBoost和LightGBM，是当今机器学习领域中应用最为广泛且效果卓越的监督学习模型之一。然而，许多学习者在初次接触这些算法时，往往对其复杂的内部机制感到困惑，难以形成深刻理解，常常止步于对算法流程的死记硬背。本教程旨在深入浅出地剖析GBDT(
  • CART算法全解析：分类回归双修的决策树之王 大千AI助手 人工智能Python#OTHER算法分类回归决策树数据挖掘CARTDecisionTree
    CART（ClassificationandRegressionTrees）是决策树领域的里程碑算法，由统计学家Breiman等人在1984年提出。作为当今最主流的决策树实现，它革命性地统一了分类与回归任务，其二叉树结构和剪枝技术成为现代集成学习（如随机森林、XGBoost）的基石。本文由「大千AI助手」原创发布，专注用真话讲AI，回归技术本质。拒绝神话或妖魔化。搜索「大千AI助手」关注我，一起撕
  • Day14shap图绘制 m0_62568655 python训练营python
    #作业1importshapimportxgboostimportpandasaspdX,y=shap.datasets.adult()model=xgboost.XGBClassifier(eval_metric='mlogloss').fit(X,y)explainer=shap.TreeExplainer(model)shap_values=explainer.shap_values(X)#
  • 机器学习之集成学习算法 文柏AI共享 机器学习集成学习算法
    集成学习算法一概述二Bagging方法2.1思想2.2代表算法2.3API三Boosting方法3.1AdaBoost3.1.1思想3.1.2API3.2GBDT3.2.1思想3.2.2API3.3XGBoost3.3.1思想3.3.2API机器学习算法很多,今天和大家聊一个很强悍的算法-集成学习算法,基本上是处理复杂问题的首选.话不多说,直奔主题.一概述集成学习（EnsembleLearning
  • Kaggle-Predicting Optimal Fertilizers-(多分类+xgboost+同一特征值多样性) 美少女zss 分类数据挖掘人工智能
    PredictingOptimalFertilizers题意：给出土壤的特性，预测出3种最佳的肥料数据处理：1.有数字型和类别型，类别不能随意换成数字，独热编码。cat可以直接处理category类型。2.构造一些相关土壤特性特征3.由于label是category类型，但是xgb不可以处理category类型，因此需要先编码，最后求出结果之后再解码。建立模型：1.catboost交叉验证、xgb
  • 突然无法调用scikit-learn、xgboost RockyRich pythonscikit-learnpython机器学习
    遇到的错误包含：File"",line3,inFile"/usr/anaconda3/envs/py37/lib/python3.7/site-packages/sklearn/__init__.py",line81,infrom.import__check_build#noqa:F401File"/usr/anaconda3/envs/py37/lib/python3.7/site-packag
  • 机器学习——XGBoost 小卷心菜. 机器学习人工智能
    XGBoost是迄今为止最常用的决策树集成或决策树实现方法的一种算法，它运行快速，开源实现容易使用，也被非常成功地用于赢得许多机器学习比赛。给定一个大小为m的训练集，重复B次，使用有放回抽样创建一个大小为m的新训练集，然后在新的数据集上训练决策树，因此第一次通过这个循环时，我们可能会像这样创建一个训练集，并像这样训练决策树，这里是我们要改变算法的地方，也就是每次通过这个循环，除了第一次，会有第二次
  • Java 并发包之线程池和原子计数 lijingyao8206 Java计数ThreadPool并发包java线程池
    对于大数据量关联的业务处理逻辑，比较直接的想法就是用JDK提供的并发包去解决多线程情况下的业务数据处理。线程池可以提供很好的管理线程的方式，并且可以提高线程利用率，并发包中的原子计数在多线程的情况下可以让我们避免去写一些同步代码。     这里就先把jdk并发包中的线程池处理器ThreadPoolExecutor 以原子计数类AomicInteger 和倒数计时锁C
  • java编程思想 抽象类和接口 百合不是茶 java抽象类接口
    接口c++对接口和内部类只有简介的支持,但在java中有队这些类的直接支持   1 ,抽象类 :  如果一个类包含一个或多个抽象方法,该类必须限定为抽象类(否者编译器报错)   抽象方法 : 在方法中仅有声明而没有方法体    package com.wj.Interface;
  • [房地产与大数据]房地产数据挖掘系统 comsci 数据挖掘
           随着一个关键核心技术的突破,我们已经是独立自主的开发某些先进模块,但是要完全实现,还需要一定的时间...        所以,除了代码工作以外,我们还需要关心一下非技术领域的事件..比如说房地产     &nb
  • 数组队列总结 沐刃青蛟 数组队列
          数组队列是一种大小可以改变，类型没有定死的类似数组的工具。不过与数组相比，它更具有灵活性。因为它不但不用担心越界问题，而且因为泛型（类似c++中模板的东西）的存在而支持各种类型。      以下是数组队列的功能实现代码：   import List.Student; public class
  • Oracle存储过程无法编译的解决方法 IT独行者 oracle存储过程　
    今天同事修改Oracle存储过程又导致2个过程无法被编译，流程规范上的东西，Dave 这里不多说，看看怎么解决问题。   1.     查看无效对象 XEZF@xezf(qs-xezf-db1)> select object_name,object_type,status from all_objects where status='IN
  • 重装系统之后oracle恢复 文强chu oracle
    前几天正在使用电脑，没有暂停oracle的各种服务。 突然win8.1系统奔溃，无法修复，开机时系统 提示正在搜集错误信息，然后再开机，再提示的无限循环中。 无耐我拿出系统u盘 准备重装系统，没想到竟然无法从u盘引导成功。 晚上到外面早了一家修电脑店，让人家给装了个系统，并且那哥们在我没反应过来的时候， 直接把我的c盘给格式化了 并且清理了注册表，再装系统。 然后的结果就是我的oracl
  • python学习二（ 一些基础语法） 小桔子 pthon基础语法
    紧接着把！昨天没看继续看django 官方教程，学了下python的基本语法 与c类语言还是有些小差别： 1.ptyhon的源文件以UTF-8编码格式 2. /   除 结果浮点型 //  除 结果整形 %   除 取余数 *   乘 **  乘方 eg 5**2 结果是5的2次方25 _&
  • svn 常用命令 aichenglong SVN版本回退
    1 svn回退版本   1)在window中选择log,根据想要回退的内容,选择revert this version或revert chanages from this version 两者的区别:   revert this version:表示回退到当前版本(该版本后的版本全部作废)   revert chanages from this versio
  • 某小公司面试归来 alafqq 面试
    先填单子，还要写笔试题，我以时间为急，拒绝了它。。时间宝贵。 老拿这些对付毕业生的东东来吓唬我。。 面试官很刁难，问了几个问题，记录下； 1，包的范围。。。public,private,protect. --悲剧了 2，hashcode方法和equals方法的区别。谁覆盖谁.结果，他说我说反了。 3，最恶心的一道题，抽象类继承抽象类吗？（察，一般它都是被继承的啊） 4，stru
  • 动态数组的存储速度比较 集合框架 百合不是茶 集合框架
    集合框架： 自定义数据结构(增删改查等) package 数组; /** * 创建动态数组 * @author 百合 * */ public class ArrayDemo{ //定义一个数组来存放数据 String[] src = new String[0]; /** * 增加元素加入容器 * @param s要加入容器
  • 用JS实现一个JS对象，对象里有两个属性一个方法 bijian1013 js对象
    <html> <head> </head> <body> 用js代码实现一个js对象，对象里有两个属性，一个方法 </body> <script> var obj={a:'1234567',b:'bbbbbbbbbb',c:function(x){
  • 探索JUnit4扩展：使用Rule bijian1013 java单元测试JUnitRule
            在上一篇文章中，讨论了使用Runner扩展JUnit4的方式，即直接修改Test Runner的实现(BlockJUnit4ClassRunner)。但这种方法显然不便于灵活地添加或删除扩展功能。下面将使用JUnit4.7才开始引入的扩展方式——Rule来实现相同的扩展功能。 1. Rule       &n
  • [Gson一]非泛型POJO对象的反序列化 bit1129 POJO
    当要将JSON数据串反序列化自身为非泛型的POJO时，使用Gson.fromJson(String, Class)方法。自身为非泛型的POJO的包括两种： 1. POJO对象不包含任何泛型的字段 2. POJO对象包含泛型字段，例如泛型集合或者泛型类 Data类 a.不是泛型类， b.Data中的集合List和Map都是泛型的 c.Data中不包含其它的POJO    
  • 【Kakfa五】Kafka Producer和Consumer基本使用 bit1129 kafka
    0.Kafka服务器的配置 一个Broker， 一个Topic Topic中只有一个Partition（）   1. Producer： package kafka.examples.producers; import kafka.producer.KeyedMessage; import kafka.javaapi.producer.Producer; impor
  • lsyncd实时同步搭建指南——取代rsync+inotify ronin47
    1. 几大实时同步工具比较 1.1 inotify + rsync 最近一直在寻求生产服务服务器上的同步替代方案，原先使用的是 inotify + rsync，但随着文件数量的增大到100W+，目录下的文件列表就达20M，在网络状况不佳或者限速的情况下，变更的文件可能10来个才几M，却因此要发送的文件列表就达20M，严重减低的带宽的使用效率以及同步效率；更为要紧的是，加入inotify
  • java-9. 判断整数序列是不是二元查找树的后序遍历结果 bylijinnan java
    public class IsBinTreePostTraverse{ static boolean isBSTPostOrder(int[] a){ if(a==null){ return false; } /*1.只有一个结点时，肯定是查找树 *2.只有两个结点时，肯定是查找树。例如{5,6}对应的BST是 6 {6,5}对应的BST是
  • MySQL的sum函数返回的类型 bylijinnan javaspringsqlmysqljdbc
    今天项目切换数据库时，出错 访问数据库的代码大概是这样： String sql = "select sum(number) as sumNumberOfOneDay from tableName"; List<Map> rows = getJdbcTemplate().queryForList(sql); for (Map row : rows
  • java设计模式之单例模式 chicony java设计模式
    在阎宏博士的《JAVA与模式》一书中开头是这样描述单例模式的： 　　作为对象的创建模式，单例模式确保某一个类只有一个实例，而且自行实例化并向整个系统提供这个实例。这个类称为单例类。 单例模式的结构 　　单例模式的特点： 单例类只能有一个实例。 单例类必须自己创建自己的唯一实例。 单例类必须给所有其他对象提供这一实例。 　　饿汉式单例类   publ
  • javascript取当月最后一天 ctrain JavaScript
    <!--javascript取当月最后一天--> <script language=javascript> var current = new Date(); var year = current.getYear(); var month = current.getMonth(); showMonthLastDay(year, mont
  • linux tune2fs命令详解 daizj linuxtune2fs查看系统文件块信息
    一.简介： tune2fs是调整和查看ext2/ext3文件系统的文件系统参数，Windows下面如果出现意外断电死机情况，下次开机一般都会出现系统自检。Linux系统下面也有文件系统自检，而且是可以通过tune2fs命令，自行定义自检周期及方式。 二.用法： Usage: tune2fs [-c max_mounts_count] [-e errors_behavior] [-g grou
  • 做有中国特色的程序员 dcj3sjt126com 程序员
      从出版业说起 网络作品排到靠前的，都不会太难看，一般人不爱看某部作品也是因为不喜欢这个类型，而此人也不会全不喜欢这些网络作品。究其原因，是因为网络作品都是让人先白看的，看的好了才出了头。而纸质作品就不一定了，排行榜靠前的，有好作品，也有垃圾。 许多大牛都是写了博客，后来出了书。这些书也都不次，可能有人让为不好，是因为技术书不像小说，小说在读故事，技术书是在学知识或温习知识，有
  • Android：TextView属性大全 dcj3sjt126com textview
    android:autoLink    设置是否当文本为URL链接/email/电话号码/map时，文本显示为可点击的链接。可选值(none/web/email/phone/map/all)  android:autoText    如果设置，将自动执行输入值的拼写纠正。此处无效果，在显示输入法并输
  • tomcat虚拟目录安装及其配置 eksliang tomcat配置说明tomca部署web应用tomcat虚拟目录安装
    转载请出自出处：http://eksliang.iteye.com/blog/2097184 1.-------------------------------------------tomcat  目录结构 config：存放tomcat的配置文件 temp  ：存放tomcat跑起来后存放临时文件用的 work   ： 当第一次访问应用中的jsp
  • 浅谈：APP有哪些常被黑客利用的安全漏洞 gg163 APP
    首先，说到APP的安全漏洞，身为程序猿的大家应该不陌生；如果抛开安卓自身开源的问题的话，其主要产生的原因就是开发过程中疏忽或者代码不严谨引起的。但这些责任也不能怪在程序猿头上，有时会因为BOSS时间催得紧等很多可观原因。由国内移动应用安全检测团队爱内测（ineice.com）的CTO给我们浅谈关于Android 系统的开源设计以及生态环境。 1. 应用反编译漏洞：APK 包非常容易被反编译成可读
  • C#根据网址生成静态页面 hvt Web.netC#asp.nethovertree
    HoverTree开源项目中HoverTreeWeb.HVTPanel的Index.aspx文件是后台管理的首页。包含生成留言板首页，以及显示用户名，退出等功能。根据网址生成页面的方法：   bool CreateHtmlFile(string url, string path) { //http://keleyi.com/a/bjae/3d10wfax.htm stri
  • SVG 教程 （一） 天梯梦 svg
    SVG 简介 SVG 是使用 XML 来描述二维图形和绘图程序的语言。 学习之前应具备的基础知识： 继续学习之前，你应该对以下内容有基本的了解： HTML XML 基础 如果希望首先学习这些内容，请在本站的首页选择相应的教程。 什么是SVG？ SVG 指可伸缩矢量图形 (Scalable Vector Graphics) SVG 用来定义用于网络的基于矢量
  • 一个简单的java栈 luyulong java数据结构栈
    public class MyStack { private long[] arr; private int top; public MyStack() { arr = new long[10]; top = -1; } public MyStack(int maxsize) { arr = new long[maxsize]; top
  • 基础数据结构和算法八：Binary search sunwinner AlgorithmBinary search
    Binary search needs an ordered array so that it can use array indexing to dramatically reduce the number of compares required for each search, using the classic and venerable binary search algori
  • 12个C语言面试题，涉及指针、进程、运算、结构体、函数、内存，看看你能做出几个！ 刘星宇 c面试
    12个C语言面试题，涉及指针、进程、运算、结构体、函数、内存，看看你能做出几个！ 1.gets()函数 问：请找出下面代码里的问题： #include<stdio.h> int main(void) {     char buff[10];     memset(buff,0,sizeof(buff));
  • ITeye 7月技术图书有奖试读获奖名单公布 ITeye管理员 活动ITeye试读
    ITeye携手人民邮电出版社图灵教育共同举办的7月技术图书有奖试读活动已圆满结束，非常感谢广大用户对本次活动的关注与参与。 7月试读活动回顾： http://webmaster.iteye.com/blog/2092746 本次技术图书试读活动的优秀奖获奖名单及相应作品如下（优秀文章有很多，但名额有限，没获奖并不代表不优秀）： 《Java性能优化权威指南》
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他