- 【机器学习笔记】4 朴素贝叶斯
RIKI_1
机器学习机器学习笔记人工智能
贝叶斯方法贝叶斯分类贝叶斯分类是一类分类算法的总称,这类算法均以贝叶斯定理为基础,故统称为贝叶斯分类。朴素贝叶斯分类是这一类算法中最简单的较为常见的算法。先验概率根据以往经验和分析得到的概率。我们用()来代表在没有训练数据前假设拥有的初始概率。后验概率根据已经发生的事件来分析得到的概率。以(|)代表假设成立的情下观察到数据的概率,因为它反映了在看到训练数据后成立的置信度。联合概率是指在多元的概率分
- 朴素贝叶斯算法
YuanDaima2048
机器学习算法学习算法机器学习人工智能深度学习pythonsklearn
朴素贝叶斯算法一、基本概念二、算法及代码应用朴素贝叶斯NB算法分类算法区别其他机器学习算法:机器学习实战工具安装和使用一、基本概念朴素贝叶斯(NB)是一种基于贝叶斯定理与特征条件独立假设的分类算法。它被广泛应用于文本分类、垃圾邮件过滤等领域。朴素贝叶斯算法简单易懂,其核心思想是假设在给定目标值时,各个属性之间相互独立。在实际应用中,朴素贝叶斯算法在垃圾邮件过滤中表现出色。它不仅准确率高,而且速度快
- 21丨朴素贝叶斯分类(下):如何对文档进行分类?
张九日zx
朴素贝叶斯分类最适合的场景就是文本分类、情感分析和垃圾邮件识别。sklearn机器学习包sklearn的全称叫Scikit-learn,它给我们提供了3个朴素贝叶斯分类算法,分别是高斯朴素贝叶斯(GaussianNB)、多项式朴素贝叶斯(MultinomialNB)和伯努利朴素贝叶斯(BernoulliNB)。自然界的现象比较适合用高斯朴素贝叶斯来处理,而文本分类是使用多项式朴素贝叶斯或者伯努利朴
- 机器学习:多项式模型朴素贝叶斯分类器(原理+python实现)
DocPark
机器学习python
简介多项式朴素贝叶斯也是多用于文本处理,其原理和计算的流程和伯努利朴素贝叶斯基本一致,唯一的区别在于单词的计数方式,由《伯努利朴素贝叶斯》一文可知,在文本处理的环节中,我们将单词是否出现在词组作为特征,但在多项式朴素贝叶斯中,我们将单词在词组中出现的次数作为特征,因此只需要更改文中setOfWords2Vec的函数即可,变成如下方式:defbagOfWords2VecMN(vocabList,in
- 8、python多项式贝叶斯文本分类(完整)
UP Lee
数据挖掘实战多项式贝叶斯文章分类
1、贝叶斯定理(BayesTheorem)朴素贝叶斯分类(NaiveBayesClassifier)贝叶斯分类算法,是统计学的一种分类方法,它是利用贝叶斯定理的概率统计知识,对离散型的数据进行分类的算法2、贝叶斯算法的类型sklearn包naive_bayes模块GaussianNB高斯贝叶斯BernoulliNB伯努利贝叶斯MultionmialNB多项式贝叶斯(需要知道具体每个特征的数值大小)
- 机器学习入门--朴素贝叶斯原理与实践
Dr.Cup
机器学习入门机器学习概率论人工智能
朴素贝叶斯算法朴素贝叶斯是一种常用的分类算法,其基本思想是根据已有数据的特征和标签,学习出一个概率模型,并利用该模型对新样本进行分类。其优点在于简单快速、易于实现和解释,缺点在于对输入数据的分布做了严格的假设。具体来说,朴素贝叶斯分类器首先根据训练数据计算出每个类别的先验概率P©,即样本中每个类别占比。然后,对于给定的待分类样本,计算出它属于每个类别的条件概率P(X|C),其中X表示样本的特征向量
- Python概率建模算法和图示
亚图跨际
数学机器学习Pythonpython算法概率建模统计
要点Python朴素贝叶斯分类器解释概率学习示例Python概率论,衡量一个或多个变量相互依赖性,从数据中学习概率模型参数,贝叶斯决策论,信息论,线性代数和优化Python线性判别分析分类模型,逻辑回归,线性回归,广义线性模型Python结构化数据,图像和序列神经网络朴素贝叶斯分类器示例概率学习在机器学习的广阔领域中,概率学习开辟了自己独特的空间。在统计和概率的驱动下,概率学习侧重于对数据中存在的
- 机器学习各种算法汇总模板
怎么菜成这样
机器学习机器学习python算法随机森林支持向量机
机器学习算法模板包含了KNN,线性回归,逻辑回归,朴素贝叶斯,决策树,支持向量机,随机森林,kmeans,集成算法各种算法,特征工程,评估方式任你选择!!!#导包fromsklearn.neighborsimportKNeighborsClassifierfromsklearn.linear_modelimportLinearRegressionfromsklearn.naive_bayesimp
- 【机器学习笔记】贝叶斯学习
住在天上的云
机器学习机器学习笔记学习贝叶斯学习人工智能
贝叶斯学习文章目录贝叶斯学习1贝叶斯学习背景2贝叶斯定理3最大后验假设MAP(MaxAPosterior)4极大似然假设ML(MaximumLikelihood)5朴素贝叶斯NB6最小描述长度MDL1贝叶斯学习背景试图发现两件事情的关系(因果关系,先决条件&结论)。执果索因:肺炎→肺癌?不好确定,换成确诊肺癌得肺炎的概率2贝叶斯定理贝叶斯定理是一种用先验慨率来推断后验慨率的公式,它可以表示为:P(
- sklearn中一些简单机器学习算法的使用
橘柚jvyou
机器学习sklearn算法
目录前言KNN算法决策树算法朴素贝叶斯算法岭回归算法线性优化算法前言本篇文章会介绍一些sklearn库中简单的机器学习算法如何使用,一些注释已经写在代码中,帮助一些小伙伴入门sklearn库的使用。注意:本篇文章只涉及到如何使用,并不会讲解原理,如果想了解原理的小伙伴请自行搜索其他技术博客或者查看官方文档。KNN算法fromsklearn.datasetsimportload_iris#导入莺尾花
- 【初中生讲机器学习】5. 从概率到朴素贝叶斯算法,一篇带你看明白!
Geeker · LStar
人工智能机器学习算法机器学习算法人工智能分类算法监督学习朴素贝叶斯
创建时间:2024-02-04最后编辑时间:2024-02-05作者:Geeker_LStar你好呀~这里是Geeker_LStar的人工智能学习专栏,很高兴遇见你~我是Geeker_LStar,一名初三学生,热爱计算机和数学,我们一起加油~!⭐(●’◡’●)⭐那就让我们开始吧!上两篇文章中,我详细讲了支持向量机(SVM)算法的原理,并用一个实例实现了它。在这一篇和下一篇中,我将分别讲解&实现朴素
- 【初中生讲机器学习】6. 分类算法中常用的模型评价指标有哪些?here!
Geeker · LStar
人工智能机器学习算法机器学习人工智能分类算法评价指标监督学习
创建时间:2024-02-07最后编辑时间:2024-02-09作者:Geeker_LStar你好呀~这里是Geeker_LStar的人工智能学习专栏,很高兴遇见你~我是Geeker_LStar,一名初三学生,热爱计算机和数学,我们一起加油~!⭐(●’◡’●)⭐那就让我们开始吧!前面已经讲了两个分类算法(SVM&朴素贝叶斯),其中在【初中生讲机器学习】4.支持向量机算法怎么用?一个实例带你看懂!中
- 机器学习:朴素贝叶斯笔记
Ningbo_JiaYT
机器学习机器学习笔记分类算法
朴素贝叶斯(NaiveBayes)是一种基于贝叶斯定理的简单概率分类算法,广泛应用于机器学习和数据挖掘中。“朴素”体现在对特征之间的独立性做出了假设,即一个特征或者一个属性的出现不依赖于其他特征的出现。目录基本原理1.贝叶斯定理2.朴素的独立性假设贝叶斯定理1.简介2.贝叶斯公式算法过程1.训练模型2.预测类别类型注意事项基本原理1.贝叶斯定理朴素贝叶斯算法的核心是贝叶斯定理,即对于给定的样本数据
- 图解机器学习 | 朴素贝叶斯算法详解
Dashesand
机器学习算法人工智能
图解机器学习|朴素贝叶斯算法详解引言在众多机器学习分类算法中,本篇我们提到的朴素贝叶斯模型,和其他绝大多数分类算法都不同,也是很重要的模型之一。在机器学习中如KNN、逻辑回归、决策树等模型都是判别方法,也就是直接学习出特征输出YYY和特征XXX之间的关系(决策函数Y=f(X)Y=f(X)Y=f(X)或者条件分布P(Y∣X)P(Y|X)P(Y∣X))。但朴素贝叶斯是生成方法,它直接找出特征输出YYY
- 机器学习-朴素贝叶斯【手撕】
alstonlou
机器学习机器学习人工智能python
朴素贝叶斯概述在许多分类算法应用中,特征和标签之间的关系并非是决定性的。比如说,我们想预测一个人究竟是否会在泰坦尼克号海难中生存下来,那我们可以建一棵决策树来学习我们的训练集。在训练中,其中一个人的特征为:30岁,男,普通舱,他最后在泰坦尼克号海难中去世了。当我们测试的时候,我们发现有另一个人的特征也为:30岁,男,普通舱。基于在训练集中的学习,我们的决策树必然会给这个人打上标签:去世。然而这个人
- 机器学习 | 探索朴素贝叶斯算法的应用
亦世凡华、
#机器学习机器学习算法人工智能朴素贝叶斯经验分享
朴素贝叶斯算法是一种基于贝叶斯定理和特征条件独立假设的分类算法。它被广泛应用于文本分类、垃圾邮件过滤、情感分析等领域,并且在实际应用中表现出色。朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法:1)对于给定的待分类项r,通过学习到的模型计算后验概率分布。2)此项出现的条件下各个目标类别出现的概率,将后验概率最大的类作为α所属的类别。核心思想:是利用特征之间的条件独立性,来对给定的数据进行分
- 4 朴素贝叶斯
奋斗的喵儿
1定义朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法2.算法及实例极大似然估计:在这里插入图片描述在这里插入图片描述在这里插入图片描述贝叶斯估计:在这里插入图片描述在这里插入图片描述总结:朴素贝叶斯法是典型的生成学习方法。生成方法由训练数据学习联合概率分布P(X,Y),然后求后验概率分布P(Y|X)。即利用训练数据学习P(X|Y)和P(Y)的估计,得到联合概率分布在这里插入图片描述朴素贝
- 机器学习实战 朴素贝叶斯分类器
shenny_
基于概率论的分类方法:朴素贝叶斯我的微信公众号:s406205391;欢迎大家一起学习,一起进步!!!k-近邻算法和决策树会给出“该数据属于哪一类”的明确回答。不过,分类器有时会产生错误结果,这是可以要求分类器给出一个最优的类别的猜测结果,同事给出这个猜测的概率估计值。朴素贝叶斯就是一个概率分类器。我们称之为“朴素”,是因为整个形式化的过程只做最原始、最简单的假设。朴素贝叶斯的优点:在数据较少的情
- 第七章 朴素贝叶斯机器学习
颜大哦
人工智能学习笔记机器学习人工智能
朴素贝叶斯是一组功能强大且易于训练的分类器,它使用贝叶斯定理来确定给定一组条件的结果的概率,“朴素”的含义是指所给定的条件都能独立存在和发生.朴素贝叶斯是多用途分类器,能在很多不同的情景下找到它的应用,例如垃圾邮件过滤、自然语言处理等.一.概率1.定义概率是反映随机事件出现的可能性大小.随机事件是指在相同条件下,可能出现也可能不出现的事件.例如:(1)抛一枚硬币,可能正面朝上,可能反面朝上,这是随
- 朴素贝叶斯原理
小森( ﹡ˆoˆ﹡ )
机器学习算法算法人工智能机器学习
朴素贝叶斯的介绍朴素贝叶斯算法(NaiveBayes,NB)是应用最为广泛的分类算法之一。它是基于贝叶斯定义和特征条件独立假设的分类器方法。由于朴素贝叶斯法基于贝叶斯公式计算得到,有着坚实的数学基础,以及稳定的分类效率。NB模型所需估计的参数很少,对缺失数据不太敏感,算法也比较简单。条件概率:表示事件A在另外一个事件B已经发生条件下的发生概率,P(A|B)在女神喜欢的条件下,职业是程序员的概率?女
- python校园舆情分析系统 可视化 情感分析 朴素贝叶斯分类算法 爬虫 大数据 毕业设计(源码)✅
vx_biyesheji0001
毕业设计biyesheji0001biyesheji0002python分类爬虫毕业设计贝叶斯算法舆情分析情感分析
毕业设计:2023-2024年计算机专业毕业设计选题汇总(建议收藏)毕业设计:2023-2024年最新最全计算机专业毕设选题推荐汇总感兴趣的可以先收藏起来,点赞、关注不迷路,大家在毕设选题,项目以及论文编写等相关问题都可以给我留言咨询,希望帮助同学们顺利毕业。1、项目介绍技术栈:Python语言、Django框架、数据库、Echarts可视化、scrapy爬虫技术、HTML朴素贝叶斯分类算法(情感
- 机器学习_15_贝叶斯算法
少云清
机器学习机器学习算法概率论贝叶斯算法
文章目录1贝叶斯定理相关公式2朴素贝叶斯算法2.1朴素贝叶斯算法推导2.2朴素贝叶斯算法流程3高斯朴素贝叶斯4伯努利朴素贝叶斯5多项式朴素贝叶斯6贝叶斯网络6.1最简单的一个贝叶斯网络6.2全连接贝叶斯网络6.3“正常”贝叶斯网络6.4实际贝叶斯网络:判断是否下雨6.5贝叶斯网络判定条件独立-016.6贝叶斯网络判定条件独立-026.7贝叶斯网络判定条件独立-031贝叶斯定理相关公式**先验概率P
- 2019-07-15 周学习计划
昭南小星
1.K近邻算法;决策树算法;朴素贝叶斯算法;2.10小节屈婉玲算法课;3.Go语言编程(许式伟)Channel看完;4.流畅的Python元类章节看完;5.减1KG;完成:1.alittle(5)2.0小节(0)3.None(0)4.None(0)5.103.6-103.9=-0.3(0)完成度5/100=5%
- python数据分析之数据离散化——等宽&等频&聚类离散
Mr番茄蛋
数据离散化的意义数据离散化是指将连续的数据进行分段,使其变为一段段离散化的区间。分段的原则有基于等距离、等频率或优化的方法。离散化的原因1.模型限制比如决策树、朴素贝叶斯等算法,都是基于离散型的数据展开的。如果要使用该类算法,必须将离散型的数据进行。有效的离散化能减小算法的时间和空间开销,提高系统对样本的分类聚类能力和抗噪声能力。2.离散化的特征更易理解比如工资收入,月薪2000和月薪20000,
- 100 个 NLP 面试问题
无水先生
NLP入门到精通人工智能综合自然语言处理面试人工智能
100个NLP面试问题一、说明 对于技术磨练中,其中一项很酷的技能培训是提问。不知道答案并没有多大的错;错就错在不谷歌这些疑问。本篇就是在面试之前,您将此文档复制给自己,做一个系统的模拟实战。二、经典NLP问题(共8题)TF-IDF和ML;从头开始编写TF-IDF。什么是TF-IDF中的归一化?为什么在我们这个时代需要了解TF-IDF,如何在复杂的模型中使用它?解释朴素贝叶斯的工作原理。你可以用
- 机器学习系列——(七)简单分类算法
飞影铠甲
机器学习机器学习分类人工智能
机器学习是目前人工智能领域最热门的分支之一,其中朴素贝叶斯分类算法是一种常用的分类算法。本文将详细介绍朴素贝叶斯分类算法的原理、应用以及优缺点。一、原理朴素贝叶斯分类算法是一种基于贝叶斯定理的分类算法。在分类问题中,我们需要根据给定的数据集,将不同的实例分成不同的类别。朴素贝叶斯分类算法的核心思想就是利用已知类别的训练数据来估计每个特征对于分类结果的影响,并通过这些特征值的联合概率分布来确定新实例
- 朴素贝叶斯分类算法
三三木木七
#机器学习机器学习人工智能sklearn
本文介绍了朴素贝叶斯分类算法,标记后的话一般是自己简要总结的,是比较通俗易懂的,也就是必看的。参考:西瓜书,ysu老师课件【摘要】1.分类算法:分类算法的内容是根据给定特征,求出它所属类别。2.先验概率:就是根据以往的数据分析所得到的概率。后验概率:是得到信息之后重新加以修正得到的概率。3.贝叶斯决策:贝叶斯决策理论中,我们希望选择那个最小化总体期望损失的决策。决策损失的期望值通过对所有可能状态的
- 白铁时代 —— (监督学习)原理推导
人生简洁之道
2020年-面试笔记人工智能
来自李航《统计学习方法》文章目录-1指标相似度0概论1优化类1.1朴素贝叶斯1.2k近邻-kNN1.3线性判别分析二分类LDA多分类LDA流程LDA和PCA的区别和联系1.4逻辑回归模型&最大熵模型逻辑回归最大熵模型最优化1.5感知机&SVM感知机SVM线性可分SVM线性不可分SVM对偶优化问题&非线性SVM序列最小优化算法SMO1.7概率图模型EM算法EM算法的导出和流程应用举例:高斯混合模型(
- 【机器学习】贝叶斯垃圾邮件识别
住在天上的云
机器学习机器学习人工智能
实验三:贝叶斯垃圾邮件识别本次作业以垃圾邮件分类任务为基础,要求提取文本特征并使用朴素贝叶斯算法进行垃圾邮件识别(调用已有工具包或自行实现)。1任务介绍电子邮件是互联网的一项重要服务,在大家的学习、工作和生活中会广泛使用。但是大家的邮箱常常被各种各样的垃圾邮件填充了。有统计显示,每天互联网上产生的垃圾邮件有几百亿近千亿的量级。因此,对电子邮件服务提供商来说,垃圾邮件过滤是一项重要功能。而朴素贝叶斯
- 数据挖掘——考试复习
hzx99
考试复习数据挖掘考试复习
数据挖掘——考试复习考点填空欧几里得距离余弦相似度简单匹配系数Jaccard系数数据集的ClassficationError数据集的Gini值召回率和精度问答支持向量机的“最大边缘”原理软边缘支持向量机的基本工作原理非线性支持向量机的基本工作原理计算朴素贝叶斯分类ID3决策树、计算数据集的熵、计算划分的期望信息、信息增益计算欧式距离、KNN分类给定事务数据集、求频繁K项集,求指定的关联规则的支持度
- ASM系列五 利用TreeApi 解析生成Class
lijingyao8206
ASM字节码动态生成ClassNodeTreeAPI
前面CoreApi的介绍部分基本涵盖了ASMCore包下面的主要API及功能,其中还有一部分关于MetaData的解析和生成就不再赘述。这篇开始介绍ASM另一部分主要的Api。TreeApi。这一部分源码是关联的asm-tree-5.0.4的版本。
在介绍前,先要知道一点, Tree工程的接口基本可以完
- 链表树——复合数据结构应用实例
bardo
数据结构树型结构表结构设计链表菜单排序
我们清楚:数据库设计中,表结构设计的好坏,直接影响程序的复杂度。所以,本文就无限级分类(目录)树与链表的复合在表设计中的应用进行探讨。当然,什么是树,什么是链表,这里不作介绍。有兴趣可以去看相关的教材。
需求简介:
经常遇到这样的需求,我们希望能将保存在数据库中的树结构能够按确定的顺序读出来。比如,多级菜单、组织结构、商品分类。更具体的,我们希望某个二级菜单在这一级别中就是第一个。虽然它是最后
- 为啥要用位运算代替取模呢
chenchao051
位运算哈希汇编
在hash中查找key的时候,经常会发现用&取代%,先看两段代码吧,
JDK6中的HashMap中的indexFor方法:
/**
* Returns index for hash code h.
*/
static int indexFor(int h, int length) {
- 最近的情况
麦田的设计者
生活感悟计划软考想
今天是2015年4月27号
整理一下最近的思绪以及要完成的任务
1、最近在驾校科目二练车,每周四天,练三周。其实做什么都要用心,追求合理的途径解决。为
- PHP去掉字符串中最后一个字符的方法
IT独行者
PHP字符串
今天在PHP项目开发中遇到一个需求,去掉字符串中的最后一个字符 原字符串1,2,3,4,5,6, 去掉最后一个字符",",最终结果为1,2,3,4,5,6 代码如下:
$str = "1,2,3,4,5,6,";
$newstr = substr($str,0,strlen($str)-1);
echo $newstr;
- hadoop在linux上单机安装过程
_wy_
linuxhadoop
1、安装JDK
jdk版本最好是1.6以上,可以使用执行命令java -version查看当前JAVA版本号,如果报命令不存在或版本比较低,则需要安装一个高版本的JDK,并在/etc/profile的文件末尾,根据本机JDK实际的安装位置加上以下几行:
export JAVA_HOME=/usr/java/jdk1.7.0_25  
- JAVA进阶----分布式事务的一种简单处理方法
无量
多系统交互分布式事务
每个方法都是原子操作:
提供第三方服务的系统,要同时提供执行方法和对应的回滚方法
A系统调用B,C,D系统完成分布式事务
=========执行开始========
A.aa();
try {
B.bb();
} catch(Exception e) {
A.rollbackAa();
}
try {
C.cc();
} catch(Excep
- 安墨移动广 告:移动DSP厚积薄发 引领未来广 告业发展命脉
矮蛋蛋
hadoop互联网
“谁掌握了强大的DSP技术,谁将引领未来的广 告行业发展命脉。”2014年,移动广 告行业的热点非移动DSP莫属。各个圈子都在纷纷谈论,认为移动DSP是行业突破点,一时间许多移动广 告联盟风起云涌,竞相推出专属移动DSP产品。
到底什么是移动DSP呢?
DSP(Demand-SidePlatform),就是需求方平台,为解决广 告主投放的各种需求,真正实现人群定位的精准广
- myelipse设置
alafqq
IP
在一个项目的完整的生命周期中,其维护费用,往往是其开发费用的数倍。因此项目的可维护性、可复用性是衡量一个项目好坏的关键。而注释则是可维护性中必不可少的一环。
注释模板导入步骤
安装方法:
打开eclipse/myeclipse
选择 window-->Preferences-->JAVA-->Code-->Code
- java数组
百合不是茶
java数组
java数组的 声明 创建 初始化; java支持C语言
数组中的每个数都有唯一的一个下标
一维数组的定义 声明: int[] a = new int[3];声明数组中有三个数int[3]
int[] a 中有三个数,下标从0开始,可以同过for来遍历数组中的数
- javascript读取表单数据
bijian1013
JavaScript
利用javascript读取表单数据,可以利用以下三种方法获取:
1、通过表单ID属性:var a = document.getElementByIdx_x_x("id");
2、通过表单名称属性:var b = document.getElementsByName("name");
3、直接通过表单名字获取:var c = form.content.
- 探索JUnit4扩展:使用Theory
bijian1013
javaJUnitTheory
理论机制(Theory)
一.为什么要引用理论机制(Theory)
当今软件开发中,测试驱动开发(TDD — Test-driven development)越发流行。为什么 TDD 会如此流行呢?因为它确实拥有很多优点,它允许开发人员通过简单的例子来指定和表明他们代码的行为意图。
TDD 的优点:
&nb
- [Spring Data Mongo一]Spring Mongo Template操作MongoDB
bit1129
template
什么是Spring Data Mongo
Spring Data MongoDB项目对访问MongoDB的Java客户端API进行了封装,这种封装类似于Spring封装Hibernate和JDBC而提供的HibernateTemplate和JDBCTemplate,主要能力包括
1. 封装客户端跟MongoDB的链接管理
2. 文档-对象映射,通过注解:@Document(collectio
- 【Kafka八】Zookeeper上关于Kafka的配置信息
bit1129
zookeeper
问题:
1. Kafka的哪些信息记录在Zookeeper中 2. Consumer Group消费的每个Partition的Offset信息存放在什么位置
3. Topic的每个Partition存放在哪个Broker上的信息存放在哪里
4. Producer跟Zookeeper究竟有没有关系?没有关系!!!
//consumers、config、brokers、cont
- java OOM内存异常的四种类型及异常与解决方案
ronin47
java OOM 内存异常
OOM异常的四种类型:
一: StackOverflowError :通常因为递归函数引起(死递归,递归太深)。-Xss 128k 一般够用。
二: out Of memory: PermGen Space:通常是动态类大多,比如web 服务器自动更新部署时引起。-Xmx
- java-实现链表反转-递归和非递归实现
bylijinnan
java
20120422更新:
对链表中部分节点进行反转操作,这些节点相隔k个:
0->1->2->3->4->5->6->7->8->9
k=2
8->1->6->3->4->5->2->7->0->9
注意1 3 5 7 9 位置是不变的。
解法:
将链表拆成两部分:
a.0-&
- Netty源码学习-DelimiterBasedFrameDecoder
bylijinnan
javanetty
看DelimiterBasedFrameDecoder的API,有举例:
接收到的ChannelBuffer如下:
+--------------+
| ABC\nDEF\r\n |
+--------------+
经过DelimiterBasedFrameDecoder(Delimiters.lineDelimiter())之后,得到:
+-----+----
- linux的一些命令 -查看cc攻击-网口ip统计等
hotsunshine
linux
Linux判断CC攻击命令详解
2011年12月23日 ⁄ 安全 ⁄ 暂无评论
查看所有80端口的连接数
netstat -nat|grep -i '80'|wc -l
对连接的IP按连接数量进行排序
netstat -ntu | awk '{print $5}' | cut -d: -f1 | sort | uniq -c | sort -n
查看TCP连接状态
n
- Spring获取SessionFactory
ctrain
sessionFactory
String sql = "select sysdate from dual";
WebApplicationContext wac = ContextLoader.getCurrentWebApplicationContext();
String[] names = wac.getBeanDefinitionNames();
for(int i=0; i&
- Hive几种导出数据方式
daizj
hive数据导出
Hive几种导出数据方式
1.拷贝文件
如果数据文件恰好是用户需要的格式,那么只需要拷贝文件或文件夹就可以。
hadoop fs –cp source_path target_path
2.导出到本地文件系统
--不能使用insert into local directory来导出数据,会报错
--只能使用
- 编程之美
dcj3sjt126com
编程PHP重构
我个人的 PHP 编程经验中,递归调用常常与静态变量使用。静态变量的含义可以参考 PHP 手册。希望下面的代码,会更有利于对递归以及静态变量的理解
header("Content-type: text/plain");
function static_function () {
static $i = 0;
if ($i++ < 1
- Android保存用户名和密码
dcj3sjt126com
android
转自:http://www.2cto.com/kf/201401/272336.html
我们不管在开发一个项目或者使用别人的项目,都有用户登录功能,为了让用户的体验效果更好,我们通常会做一个功能,叫做保存用户,这样做的目地就是为了让用户下一次再使用该程序不会重新输入用户名和密码,这里我使用3种方式来存储用户名和密码
1、通过普通 的txt文本存储
2、通过properties属性文件进行存
- Oracle 复习笔记之同义词
eksliang
Oracle 同义词Oracle synonym
转载请出自出处:http://eksliang.iteye.com/blog/2098861
1.什么是同义词
同义词是现有模式对象的一个别名。
概念性的东西,什么是模式呢?创建一个用户,就相应的创建了 一个模式。模式是指数据库对象,是对用户所创建的数据对象的总称。模式对象包括表、视图、索引、同义词、序列、过
- Ajax案例
gongmeitao
Ajaxjsp
数据库采用Sql Server2005
项目名称为:Ajax_Demo
1.com.demo.conn包
package com.demo.conn;
import java.sql.Connection;import java.sql.DriverManager;import java.sql.SQLException;
//获取数据库连接的类public class DBConnec
- ASP.NET中Request.RawUrl、Request.Url的区别
hvt
.netWebC#asp.nethovertree
如果访问的地址是:http://h.keleyi.com/guestbook/addmessage.aspx?key=hovertree%3C&n=myslider#zonemenu那么Request.Url.ToString() 的值是:http://h.keleyi.com/guestbook/addmessage.aspx?key=hovertree<&
- SVG 教程 (七)SVG 实例,SVG 参考手册
天梯梦
svg
SVG 实例 在线实例
下面的例子是把SVG代码直接嵌入到HTML代码中。
谷歌Chrome,火狐,Internet Explorer9,和Safari都支持。
注意:下面的例子将不会在Opera运行,即使Opera支持SVG - 它也不支持SVG在HTML代码中直接使用。 SVG 实例
SVG基本形状
一个圆
矩形
不透明矩形
一个矩形不透明2
一个带圆角矩
- 事务管理
luyulong
javaspring编程事务
事物管理
spring事物的好处
为不同的事物API提供了一致的编程模型
支持声明式事务管理
提供比大多数事务API更简单更易于使用的编程式事务管理API
整合spring的各种数据访问抽象
TransactionDefinition
定义了事务策略
int getIsolationLevel()得到当前事务的隔离级别
READ_COMMITTED
- 基础数据结构和算法十一:Red-black binary search tree
sunwinner
AlgorithmRed-black
The insertion algorithm for 2-3 trees just described is not difficult to understand; now, we will see that it is also not difficult to implement. We will consider a simple representation known
- centos同步时间
stunizhengjia
linux集群同步时间
做了集群,时间的同步就显得非常必要了。 以下是查到的如何做时间同步。 在CentOS 5不再区分客户端和服务器,只要配置了NTP,它就会提供NTP服务。 1)确认已经ntp程序包: # yum install ntp 2)配置时间源(默认就行,不需要修改) # vi /etc/ntp.conf server pool.ntp.o
- ITeye 9月技术图书有奖试读获奖名单公布
ITeye管理员
ITeye
ITeye携手博文视点举办的9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。 9月试读活动回顾:http://webmaster.iteye.com/blog/2118112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):
《NFC:Arduino、Andro