- 挑战杯 基于机器学习与大数据的糖尿病预测
laafeer
python
文章目录1前言1课题背景2数据导入处理3数据可视化分析4特征选择4.1通过相关性进行筛选4.2多重共线性4.3RFE（递归特征消除法）4.4正则化5机器学习模型建立与评价5.1评价方式的选择5.2模型的建立与评价5.3模型参数调优5.4将调参过后的模型重新进行训练并与原模型比较6总结1前言优质竞赛项目系列，今天要分享的是基于机器学习与大数据的糖尿病预测该项目较为新颖，适合作为竞赛课题方向，学长非常
- DataCastle 员工离职预测 Baseline
小嗷犬
Python机器学习机器学习数据挖掘sklearn
✅作者简介：人工智能专业本科在读，喜欢计算机与编程，写博客记录自己的学习历程。个人主页：小嗷犬的个人主页个人网站：小嗷犬的技术小站个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。本文目录比赛介绍比赛链接赛题描述评分标准比赛数据数据下载数据说明Baseline导包数据读取数据缺失状况样本标签是否均衡打印类别特征类别特征编码特征衍生数据标准化数据降维特征选择不均衡样本处理模型调参XGBo
- MATLAB进行特征选择
AI Dog
数学建模\MATLABmatlab数学建模数据挖掘特征选择特征提取
特征选择是机器学习和统计建模中的重要步骤，它涉及选择最相关、最有信息价值的特征，以提高模型性能、降低过拟合风险，并加速训练过程。以下是一些常见的特征选择方法：（1）方差选择法计算各个特征的方差，然后根据阈值，选择方差大于阈值的特征作为筛选出来的特征。这里是针对于各个变量独立地进行方差计算，然后按照方差大小对特征进行降序排列，保留前几个方差较大的变量。（2）随机森林特征重要度随机森林由多个决策树构成
- 机器学习中的特征工程
qq_44980515
机器学习python数据分析人工智能
目录一、特征工程目标二、特征工程内容（一）异常处理（二）特征标准化/归一化（三）数据分桶（四）缺失值处理（五）特征构造（六）特征筛选（特征选择）（七）降维三、代码示例（一）导入数据（二）删除异常值（三）特征构造（四）特征筛选1.过滤式2.包裹式一、特征工程目标对于特征进行进一步分析，并对于数据进行处理。完成对于特征工程的分析，并对于数据进行一些图表或者文字总结。特征工程的主要目的还是在于将数据转换
- Task4 - 建模与调参
100MHz
1.内容介绍线性回归模型：线性回归对于特征的要求；处理长尾分布；理解线性回归模型；模型性能验证：评价函数与目标函数；交叉验证方法；留一验证方法；针对时间序列问题的验证；绘制学习率曲线；绘制验证曲线；嵌入式特征选择：Lasso回归；Ridge回归；决策树；模型对比：常用线性模型；常用非线性模型；模型调参：贪心调参方法；网格调参方法；贝叶斯调参方法；2.一些基本模型线性回归(LinearRegress
- 【MATLAB】PSO_BP神经网络回归预测（多输入多输出）算法原理
Lwcah
MATLAB回归预测算法算法matlab神经网络
有意向获取代码，请转文末观看代码获取方式~也可转原文链接获取~1基本定义PSO-BP神经网络回归预测（多输入多输出）算法是一种结合粒子群优化算法（PSO）和反向传播（BP）神经网络的混合算法。该算法的原理如下：数据预处理：在进行PSO-BP神经网络回归预测之前，需要对数据进行预处理，包括数据清洗、特征选择和数据归一化等步骤。初始化神经网络：首先需要初始化神经网络的结构和初始权值。神经网络可以包含多
- R语言LASSO特征选择、决策树CART算法和CHAID算法电商网站购物行为预测分析
数据挖掘深度学习机器学习算法
全文链接：http://tecdat.cn/?p=32275原文出处：拓端数据部落公众号本文通过分析电子商务平台的用户购物行为，帮助客户构建了一个基于决策树模型的用户购物行为预测分析模型。该模型可以帮助企业预测用户的购物意愿、购物频率及购买金额等重要指标，为企业制定更有针对性的营销策略提供参考。数据来源和处理本研究所使用的数据来自某电子商务平台的用户购物历史记录。读取数据head(data)模型构
- 梯度提升树系列7——深入理解GBDT的参数调优
theskylife
数据分析数据挖掘人工智能数据挖掘机器学习python分类
目录写在开头1.GBDT的关键参数解析1.1学习率（learningrate）1.2树的数量（n_estimators）1.3树的最大深度（max_depth）1.4叶子节点的最小样本数（min_samples_leaf）1.5特征选择的比例（max_features）1.6最小分裂所需的样本数（min_samples_split）1.7子采样比例（subsample）1.8损失函数（loss）1
- 五、机器学习模型及其实现1
ITS_Oaij
脑电机器学习机器学习人工智能
1_机器学习1）基础要求：所有的数据全部变为了特征，而不是eeg信号了python基础已经实现了特征提取、特征选择（可选）进行了数据预处理.预处理指对数据进行清洗、转换等处理，使数据更适合机器学习的工具。Scikit提供了一些预处理的方法，分别是标准化、非线性转换、归一化、二值化、分类特征编码、缺失值插补、生成多项式特征等2）机器学习送入模型的数据结构：data和labeldata：n*m的矩阵，
- 统计学习方法笔记之决策树
Aengus_Sun
更多文章可以访问我的博客Aengus|Blog决策树的概念比较简单，可以将决策树看做一个if-then集合：如果“条件1”，那么...。决策树学习的损失函数通常是正则化后极大似然函数，学习的算法通常是一个递归的选择最优特征，并根据该特征对训练数据进行分割，使得对各个子数据集有一个最好的分类的过程。可以看出，决策树算法一般包含特征选择，决策树的生成与决策树的剪枝过程。特征选择信息增益熵和条件熵在了解
- 数据挖掘应用领域
Liam_ml
目前数据挖掘在各行各业应用广泛，尤其在金融、保险、电子商务和电信方面得到了很好的效果，下面简单阐述一下在金融行业数据挖掘的应用。（1）风险控制（贷款偿还预测和客户信用评价）有很多因素会对货款偿还效能和客户信用等级计算产生不同程度的影响。数据挖掘的方法，如特征选择和属性相关性计算，有助于识别重要的因素和非相关因素。例如，与货款偿还风险相关的因素，包括货款率、贷款期限、负债率、偿还与收入(paymen
- 特征工程：特征提取、特征预处理、特征选择
xiaobai_IT_learn
人工智能python特征工程特征提取特征预处理特征选择
一、特征提取1.字典特征提取sklearn.feature_extraction.DictVectorizer(sparse=True,…)dict=DictVectorizer(sparse=False)data=dict.fit_transform([{'city':'北京','temperature':100},{'city':'上海','temperature':60},{'city':'
- 特征工程：衡量特征的重要型
千寻～
数据处理机器学习特征工程特征选择
知乎特征选择：https://zhuanlan.zhihu.com/p/32749489结合sklearn的几种特征选择方法：https://www.cnblogs.com/hhh5460/p/5186226.html结合sklearn的几种特征选择方法2：https://blog.csdn.net/bryan__/article/details/51607215
- 特征工程:特征提取和降维-上
林浩杨
数据探索与可视化机器学习人工智能机器学习算法python数据分析
目录一、前言二、正文Ⅰ.主成分分析Ⅱ.核主成分分析三、结语一、前言前面介绍的特征选择方法获得的特征，是从原始数据中抽取出来的，并没有对数据进行变换。而特征提取和降维，则是对原始数据的特征进行相应的数据变换，并且通常会选择比原始特征数量少的特征，同时达到数据降维的目的。常用的数据特征提取和降维的方法有主成分分析,核成分分析，流行学习，t-SNE,多维尺度分析等方法。二、正文fromsklearn.d
- 特征工程:特征选择
林浩杨
数据探索与可视化机器学习人工智能数据分析
目录一、前言二、正文Ⅰ.基于统计方法的特征选择Ⅱ.基于递归消除特征发Ⅲ.基于机器学习的方法三、结语一、前言特征选择是使用某些特征统计的方法，从数据中选出有用的特征，把数据中无用的特征抛弃掉，该方法不会产生新的特征，常用的方法有基于统计方法的特征选择、利用地柜消除法选择有用的特征、利用机器学习算法选择重要的特征等。二、正文Ⅰ.基于统计方法的特征选择fromsklearn.feature_select
- Task 4：建模调参
我是曾阿牛
Datawhale零基础入门数据挖掘-Task4建模调参四、建模与调参4.1学习目标了解常用的机器学习模型，并掌握机器学习模型的建模与调参流程完成相应学习打卡任务4.2内容介绍线性回归模型：线性回归对于特征的要求；处理长尾分布；理解线性回归模型；模型性能验证：评价函数与目标函数；交叉验证方法；留一验证方法；针对时间序列问题的验证；绘制学习率曲线；绘制验证曲线；嵌入式特征选择：Lasso回归；Rid
- 每天一个数据分析题（一百五十五）
紫色沙
数据分析题库数据分析数据挖掘
关于高维数据在模型建立中的处理，以下描述正确的是：A.在分类模型中通常不需要进行变量选择和降维，因为算法可以处理成千上万个变量。B.聚类模型中剔除不相关变量主要依赖于算法而不是分析师的经验和维度分析。C.特征选择指的是从相关性较强的变量中提取代表性的变量，还可以做多项式旋转会增加变量。D.在数据挖掘的实践中，最佳实践是建立一个包含所有变量的大模型来处理不同情况。题目来源于CDA模拟题库点击此处获取
- 机器学习：特征工程笔记
Ningbo_JiaYT
机器学习机器学习算法笔记
在实践中，收集到的数据往往是不完整、含有噪声和不一致的，这对模型的性能构成挑战，因为其很大程度上依赖于输入数据的质量，因此，特征工程应运而生。特征工程是数据预处理和机器学习的重要环节，包括从原始数据中选择、创建和转换特征。目录主要内容1.数据清洗1.1缺失值处理1.2异常值处理1.3去除重复项1.4数据一致性和格式规范化2.特征选择2.1过滤法（FilterMethods）2.2包裹法（Wrapp
- 梯度提升树系列5——使用GBDT进行特征选择
theskylife
数据挖掘深度学习人工智能机器学习数据挖掘
特征选择是机器学习和数据科学中至关重要的一环，它不仅可以提高模型的性能，还能显著减少模型训练所需的时间和资源。本文将深入探讨如何使用梯度提升决策树（GradientBoostingDecisionTree,GBDT）进行特征选择，并强调这一方法在实践中的重要性和效果。写在开头特征选择在提高模型性能中扮演了不可或缺的角色。正确的特征选择不仅能够提升模型的准确率，还能减少模型训练的复杂度，使模型更快地
- 【MATLAB】使用随机森林在回归预测任务中进行特征选择（深度学习的数据集处理）
编程到天明
matlab随机森林算法
1.随机森林在神经网络的应用当使用随机森林进行特征选择时，算法能够为每个特征提供一个重要性得分，从而帮助识别对目标变量预测最具影响力的特征。这有助于简化模型并提高其泛化能力，减少过拟合的风险，并且可以加快模型训练和推理速度。通过剔除不重要的特征，模型的复杂度降低，同时保持了较高的预测准确性。随机森林是一种集成学习算法，利用多棵决策树对特征进行建模。由于其天然的并行化、抗过拟合的特性和对非线性关系的
- 【MATLAB】使用梯度提升树在回归预测任务中进行特征选择（深度学习的数据集处理）
编程到天明
MATLABmatlab深度学习梯度提升树特征选择
1.梯度提升树在神经网络的应用使用梯度提升树进行特征选择的好处在于可以得到特征的重要性分数，从而识别出对目标变量预测最具影响力的特征。这有助于简化模型并提高其泛化能力，减少过拟合的风险，并且可以加快模型训练和推理速度。此外，特征选择可以帮助理解数据，并为进一步的特征工程提供指导，有效地提高模型的预测性能。梯度提升树（GBT）是一种强大的监督学习算法，常用于回归和分类问题。通过利用多棵决策树的集成学
- 政安晨：机器学习快速入门（四）{pandas与scikit-learn} {随机森林}
政安晨
政安晨的机器学习笔记Python语言大讲堂机器学习scikit-learn随机森林机器学习竞赛pythonpandas决策树优化
咱们将在这篇文章中使用更复杂的机器学习算法。随机森林基本定义随机森林(RandomForest)是一种机器学习算法，属于集成学习(ensemblelearning)的一种。它是通过构建多个决策树（即森林）来进行预测和分类的。随机森林的主要特点是采用了随机采样和随机特征选择的方法，以降低模型的方差和减小过拟合的风险。在随机森林中，对于每个决策树的构建，会从训练集中随机选择一部分样本进行有放回抽样，同
- 机器学习算法之决策树
浅白Coder
机器学习概率论机器学习决策树算法
原理：基于数据特征进行特征空间的划分，构造树形结构，其中包含两种结点类型，内部结点和叶子结点，内部结点是数据的特征，叶子结点为数据所属的类别。树形结构的实质是if-then规则的集合，不过这个规则集合是互斥且完备的。步骤：特征选择、决策树生成、决策树剪枝（1）特征选择：每次选择的特征要具备一定的分类能力，否则没有意义。通常选择的方式有信息增益或信息增益比。a.信息增益:在知道特征X的情况下，使得类
- LightGBM特征重要性和可视化
python收藏家
机器学习机器学习
在机器学习方面，模型性能在很大程度上取决于特征选择和对每个特征重要性的理解。LightGBM是微软开发的一种高效的梯度提升框架，由于其处理各种机器学习任务的速度和准确性而广受欢迎。LightGBM以其卓越的速度和内存效率，在众多领域中找到了实际应用。它能够有效地处理大规模数据处理，这使得它在金融，电子商务和医疗保健等行业中不可或缺，这些行业需要快速分析大量数据集。什么是LightGBM？Light
- 人工智能福利站，初识人工智能，机器学习，第二课
普修罗双战士
人工智能专栏人工智能机器学习
作者简介，普修罗双战士，一直追求不断学习和成长，在技术的道路上持续探索和实践。多年互联网行业从业经验，历任核心研发工程师，项目技术负责人。欢迎点赞✍评论⭐收藏人工智能领域知识链接专栏人工智能专业知识学习一机器学习专栏人工智能专业知识学习二机器学习专栏文章目录初识人工智能(机器学习)一、机器学习(2)11.什么是特征选择和特征提取？12.解释一下正则化。13.什么是ROC曲线和AUC？14.什么是混
- 【SparkML实践7】特征选择器FeatureSelector
周润发的弟弟
Spark机器学习spark-ml
本节介绍了用于处理特征的算法，大致可以分为以下几组：提取（Extraction）：从“原始”数据中提取特征。转换（Transformation）：缩放、转换或修改特征。选择（Selection）：从更大的特征集中选择一个子集。局部敏感哈希（LocalitySensitiveHashing,LSH）：这类算法结合了特征转换的方面与其他算法。FeatureSelectorsVectorSlicerVe
- 机器学习系列——（九）决策树
飞影铠甲
机器学习机器学习决策树人工智能
简介决策树作为机器学习的一种经典算法，在数据挖掘、分类和回归等任务中广泛应用。本文将详细介绍机器学习中的决策树算法，包括其原理、构建过程和应用场景。原理决策树是一种基于树状结构的监督学习算法，它通过构建一棵树来对数据进行分类或回归预测。决策树的每个内部节点代表一个特征属性，每个叶子节点代表一个类别或数值。决策树的构建过程：特征选择：根据某种指标选择最佳特征，将数据集划分为不同的子集。决策节点生成：
- 为什么很多孩子做不好时间管理？
糖妈_Candy
孩子的时间管理能力强不强，关键看家长。钟摆型家长提醒孩子，闹钟型家长催促孩子。每个孩子都不同。性格上分有四种：火箭型、跑车型、游船型、工程车型。生物钟上，分为百灵鸟型和猫头鹰型。针对孩子的不同类型，我们应该选择对应的时间管理方法。几岁开始培养孩子的时间管理能力呢？第一个黄金期是3~6岁，第二个黄金期是6~9岁。有没有可以帮助培养时间管理能力的工具？计时器、番茄钟、沙漏，根据孩子的年龄特征选择适合他
- 机器学习算法加强——数据清洗
Grateful_Dead424
算法
3.数据清洗Pandas—FuzzywuzzyFuzzuwuzzy—Levenshteindistance（模糊查询与替换）考虑降维后的样本方差PCA——寻找样本的主方向u：将m和样本值投射到某直线L上，得到m个位于L上的点，计算m个投影的方差。认为方差最大的直线方向是主方向数据——>数据清洗——>特征选择——>特征分析——>模型计算（管道）importoperatorimportnumpyasn
- DoubleEnsemble：基于样本重加权和特征选择的金融数据分析方法
tzc_fly
论文阅读笔记金融数据分析人工智能
现代机器学习模型（如深度神经网络和梯度提升决策树）由于其提取复杂非线性模式的优越能力，在金融市场预测中越来越受欢迎。然而，由于金融数据集的信噪比非常低，并且是非平稳的，复杂的模型往往很容易过拟合。此外，随着各种机器学习和数据挖掘工具在量化交易中的应用越来越广泛，许多交易公司已经提取了越来越多的特征（也称为因子factors）。因此，如何自动选择有效特征成为一个迫在眉睫的问题。为了解决这些问题，作者
- 深入浅出Java Annotation(元注解和自定义注解）
Josh_Persistence
Java Annotation元注解自定义注解
一、基本概述
Annontation是Java5开始引入的新特征。中文名称一般叫注解。它提供了一种安全的类似注释的机制，用来将任何的信息或元数据（metadata）与程序元素（类、方法、成员变量等）进行关联。
更通俗的意思是为程序的元素（类、方法、成员变量）加上更直观更明了的说明，这些说明信息是与程序的业务逻辑无关，并且是供指定的工具或
- mysql优化特定类型的查询
annan211
java工作mysql
本节所介绍的查询优化的技巧都是和特定版本相关的，所以对于未来mysql的版本未必适用。
1 优化count查询
对于count这个函数的网上的大部分资料都是错误的或者是理解的都是一知半解的。在做优化之前我们先来看看
真正的count()函数的作用到底是什么。
count()是一个特殊的函数，有两种非常不同的作用，他可以统计某个列值的数量，也可以统计行数。
在统
- MAC下安装多版本JDK和切换几种方式
棋子chessman
jdk
环境：
MAC AIR,OS X 10.10,64位
历史：
过去 Mac 上的 Java 都是由 Apple 自己提供，只支持到 Java 6，并且OS X 10.7 开始系统并不自带（而是可选安装）（原自带的是1.6）。
后来 Apple 加入 OpenJDK 继续支持 Java 6，而 Java 7 将由 Oracle 负责提供。
在终端中输入jav
- javaScript （1）
Array_06
JavaScriptjava浏览器
JavaScript
1、运算符
运算符就是完成操作的一系列符号，它有七类： 赋值运算符（=,+=,-=,*=,/=,%=,<<=,>>=,|=,&=）、算术运算符(+,-,*,/,++,--,%)、比较运算符(>,<,<=,>=,==,===,!=,!==)、逻辑运算符(||,&&,!)、条件运算(?:)、位
- 国内顶级代码分享网站
袁潇含
javajdkoracle.netPHP
现在国内很多开源网站感觉都是为了利益而做的
当然利益是肯定的,否则谁也不会免费的去做网站
&
- Elasticsearch、MongoDB和Hadoop比较
随意而生
mongodbhadoop搜索引擎
IT界在过去几年中出现了一个有趣的现象。很多新的技术出现并立即拥抱了“大数据”。稍微老一点的技术也会将大数据添进自己的特性，避免落大部队太远，我们看到了不同技术之间的边际的模糊化。假如你有诸如Elasticsearch或者Solr这样的搜索引擎，它们存储着JSON文档，MongoDB存着JSON文档，或者一堆JSON文档存放在一个Hadoop集群的HDFS中。你可以使用这三种配
- mac os 系统科研软件总结
张亚雄
mac os
1.1 Microsoft Office for Mac 2011
大客户版，自行搜索。
1.2 Latex （MacTex）:
系统环境：https://tug.org/mactex/
&nb
- Maven实战（四）生命周期
AdyZhang
maven
1. 三套生命周期 Maven拥有三套相互独立的生命周期，它们分别为clean，default和site。 每个生命周期包含一些阶段，这些阶段是有顺序的，并且后面的阶段依赖于前面的阶段，用户和Maven最直接的交互方式就是调用这些生命周期阶段。 以clean生命周期为例，它包含的阶段有pre-clean, clean 和 post
- Linux下Jenkins迁移
aijuans
Jenkins
1. 将Jenkins程序目录copy过去 源程序在/export/data/tomcatRoot/ofctest-jenkins.jd.com下面 tar -cvzf jenkins.tar.gz ofctest-jenkins.jd.com &
- request.getInputStream()只能获取一次的问题
ayaoxinchao
requestInputstream
问题：在使用HTTP协议实现应用间接口通信时，服务端读取客户端请求过来的数据，会用到request.getInputStream()，第一次读取的时候可以读取到数据，但是接下来的读取操作都读取不到数据
原因： 1. 一个InputStream对象在被读取完成后，将无法被再次读取，始终返回-1； 2. InputStream并没有实现reset方法（可以重
- 数据库SQL优化大总结之 百万级数据库优化方案
BigBird2012
SQL优化
网上关于SQL优化的教程很多，但是比较杂乱。近日有空整理了一下，写出来跟大家分享一下，其中有错误和不足的地方，还请大家纠正补充。
这篇文章我花费了大量的时间查找资料、修改、排版，希望大家阅读之后，感觉好的话推荐给更多的人，让更多的人看到、纠正以及补充。
1.对查询进行优化，要尽量避免全表扫描，首先应考虑在 where 及 order by 涉及的列上建立索引。
2.应尽量避免在 where
- jsonObject的使用
bijian1013
javajson
在项目中难免会用java处理json格式的数据，因此封装了一个JSONUtil工具类。
JSONUtil.java
package com.bijian.json.study;
import java.util.ArrayList;
import java.util.Date;
import java.util.HashMap;
- [Zookeeper学习笔记之六]Zookeeper源代码分析之Zookeeper.WatchRegistration
bit1129
zookeeper
Zookeeper类是Zookeeper提供给用户访问Zookeeper service的主要API，它包含了如下几个内部类
首先分析它的内部类，从WatchRegistration开始，为指定的znode path注册一个Watcher，
/**
* Register a watcher for a particular p
- 【Scala十三】Scala核心七：部分应用函数
bit1129
scala
何为部分应用函数？
Partially applied function: A function that’s used in an expression and that misses some of its arguments.For instance, if function f has type Int => Int => Int, then f and f(1) are p
- Tomcat Error listenerStart 终极大法
ronin47
tomcat
Tomcat报的错太含糊了，什么错都没报出来，只提示了Error listenerStart。为了调试，我们要获得更详细的日志。可以在WEB-INF/classes目录下新建一个文件叫logging.properties，内容如下
Java代码
handlers = org.apache.juli.FileHandler, java.util.logging.ConsoleHa
- 不用加减符号实现加减法
BrokenDreams
实现
今天有群友发了一个问题，要求不用加减符号(包括负号)来实现加减法。
分析一下，先看最简单的情况，假设1+1，按二进制算的话结果是10，可以看到从右往左的第一位变为0，第二位由于进位变为1。
- 读《研磨设计模式》-代码笔记-状态模式-State
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/
/*
当一个对象的内在状态改变时允许改变其行为，这个对象看起来像是改变了其类
状态模式主要解决的是当控制一个对象状态的条件表达式过于复杂时的情况
把状态的判断逻辑转移到表示不同状态的一系列类中，可以把复杂的判断逻辑简化
如果在
- CUDA程序block和thread超出硬件允许值时的异常
cherishLC
CUDA
调用CUDA的核函数时指定block 和 thread大小，该大小可以是dim3类型的（三维数组），只用一维时可以是usigned int型的。
以下程序验证了当block或thread大小超出硬件允许值时会产生异常！！！GPU根本不会执行运算！！！
所以验证结果的正确性很重要！！！
在VS中创建CUDA项目会有一个模板，里面有更详细的状态验证。
以下程序在K5000GPU上跑的。
- 诡异的超长时间GC问题定位
chenchao051
jvmcmsGChbaseswap
HBase的GC策略采用PawNew+CMS, 这是大众化的配置，ParNew经常会出现停顿时间特别长的情况，有时候甚至长到令人发指的地步，例如请看如下日志：
2012-10-17T05:54:54.293+0800: 739594.224: [GC 739606.508: [ParNew: 996800K->110720K(996800K), 178.8826900 secs] 3700
- maven环境快速搭建
daizj
安装mavne环境配置
一 下载maven
安装maven之前，要先安装jdk及配置JAVA_HOME环境变量。这个安装和配置java环境不用多说。
maven下载地址：http://maven.apache.org/download.html，目前最新的是这个apache-maven-3.2.5-bin.zip，然后解压在任意位置，最好地址中不要带中文字符，这个做java 的都知道，地址中出现中文会出现很多
- PHP网站安全，避免PHP网站受到攻击的方法
dcj3sjt126com
PHP
对于PHP网站安全主要存在这样几种攻击方式:1、命令注入(Command Injection)2、eval注入(Eval Injection)3、客户端脚本攻击(Script Insertion)4、跨网站脚本攻击(Cross Site Scripting, XSS)5、SQL注入攻击(SQL injection)6、跨网站请求伪造攻击(Cross Site Request Forgerie
- yii中给CGridView设置默认的排序根据时间倒序的方法
dcj3sjt126com
GridView
public function searchWithRelated() {
$criteria = new CDbCriteria;
$criteria->together = true; //without th
- Java集合对象和数组对象的转换
dyy_gusi
java集合
在开发中，我们经常需要将集合对象（List，Set）转换为数组对象，或者将数组对象转换为集合对象。Java提供了相互转换的工具，但是我们使用的时候需要注意，不能乱用滥用。
1、数组对象转换为集合对象
最暴力的方式是new一个集合对象，然后遍历数组，依次将数组中的元素放入到新的集合中，但是这样做显然过
- nginx同一主机部署多个应用
geeksun
nginx
近日有一需求，需要在一台主机上用nginx部署2个php应用，分别是wordpress和wiki，探索了半天，终于部署好了，下面把过程记录下来。
1. 在nginx下创建vhosts目录，用以放置vhost文件。
mkdir vhosts
2. 修改nginx.conf的配置， 在http节点增加下面内容设置，用来包含vhosts里的配置文件
#
- ubuntu添加admin权限的用户账号
hongtoushizi
ubuntuuseradd
ubuntu创建账号的方式通常用到两种：useradd 和adduser . 本人尝试了useradd方法，步骤如下：
1:useradd
使用useradd时，如果后面不加任何参数的话，如：sudo useradd sysadm 创建出来的用户将是默认的三无用户：无home directory ,无密码,无系统shell。
顾应该如下操作：
- 第五章 常用Lua开发库2-JSON库、编码转换、字符串处理
jinnianshilongnian
nginxlua
JSON库
在进行数据传输时JSON格式目前应用广泛，因此从Lua对象与JSON字符串之间相互转换是一个非常常见的功能；目前Lua也有几个JSON库，本人用过cjson、dkjson。其中cjson的语法严格（比如unicode \u0020\u7eaf），要求符合规范否则会解析失败（如\u002），而dkjson相对宽松，当然也可以通过修改cjson的源码来完成
- Spring定时器配置的两种实现方式OpenSymphony Quartz和java Timer详解
yaerfeng1989
timerquartz定时器
原创整理不易，转载请注明出处：Spring定时器配置的两种实现方式OpenSymphony Quartz和java Timer详解
代码下载地址：http://www.zuidaima.com/share/1772648445103104.htm
有两种流行Spring定时器配置：Java的Timer类和OpenSymphony的Quartz。
1.Java Timer定时
首先继承jav
- Linux下df与du两个命令的差别？
pda158
linux
一、df显示文件系统的使用情况，与du比較，就是更全盘化。 最经常使用的就是 df -T，显示文件系统的使用情况并显示文件系统的类型。 举比例如以下： [root@localhost ~]# df -T Filesystem Type &n
- [转]SQLite的工具类 ---- 通过反射把Cursor封装到VO对象
ctfzh
VOandroidsqlite反射Cursor
在写DAO层时，觉得从Cursor里一个一个的取出字段值再装到VO(值对象)里太麻烦了，就写了一个工具类，用到了反射，可以把查询记录的值装到对应的VO里，也可以生成该VO的List。
使用时需要注意：
考虑到Android的性能问题，VO没有使用Setter和Getter，而是直接用public的属性。
表中的字段名需要和VO的属性名一样，要是不一样就得在查询的SQL中
- 该学习笔记用到的Employee表
vipbooks
oraclesql工作
这是我在学习Oracle是用到的Employee表，在该笔记中用到的就是这张表，大家可以用它来学习和练习。
drop table Employee;
-- 员工信息表
create table Employee(
-- 员工编号
EmpNo number(3) primary key,
-- 姓
