SilenceHell
SilenceHell

Python中的三引号''' '''的用法

链接：https://blog.csdn.net/GreenHandCGL/article/details/79703863

你可能感兴趣的:(机器学习实战学习笔记)

  • 机器学习实战——分类及性能测量完整案例（建议收藏慢慢品） Dream丶Killer 机器学习数据挖掘机器学习人工智能python大数据
    文章目录1.获取数据2.训练二元分类器3.性能测量3.1交叉验证测量准确率3.2混淆矩阵3.3精度和召回率3.4F1F_1F1分数3.5精度/召回率权衡3.6ROC曲线4.多类分类器5.误差分析6.多标签分类7.多输出分类写在前面参考书籍：Hands-OnMachineLearningwithScikit-Learn,Keras,andTensorFlow❤本文为机器学习实战学习笔记，主要内容为第
  • 【机器学习实战学习笔记】基于概率论的分类方法——朴素贝叶斯 JYNjyn666 机器学习实战学习笔记机器学习python
    朴素贝叶斯基本思想特点一般过程示例1基本思想朴素贝叶斯的基本思想就是选择高概率对应的类别，即如果有两类，若p1(x,y)>p2(x,y)，则分类类别为1若p1(x,y)
  • 机器学习实战学习笔记（十）使用Apriori算法进行关联分析 Hold_My_Own 机器学习Apriori机器学习
    PS：该系列数据都可以在图灵社区（点击此链接）中随书下载中下载（如下）  从大规模数据集中寻找物品间的隐含关系被称作关联分析（associationanalysis）或者关联规则学习（associationrulelearning）。1关联分析Apriori算法优点：易编码实现。缺点：在大数据集上可能较慢。使用数据类型：数值型或者标称型数据。  关联分析是一种在大规模数据集中寻找有趣关系的任务。这
  • 机器学习实战学习笔记（九）K-均值聚类算法 Hold_My_Own 机器学习K-Means聚类机器学习
    PS：该系列数据都可以在图灵社区（点击此链接）中随书下载中下载（如下）  聚类是一种无监督的学习，它将相似的对象归到同一个簇中。它有点像全自动分类，聚类方法几乎可以应用于所有对象，簇内的对象越相似，聚类的效果越好。K-均值（K-means）聚类算法，之所以称之为K-均值是因为它可以发现k个不同的簇，且每个簇的中心采用簇中所含值的均值计算而成。  簇识别（clusteridentification）
  • Peter 机器学习实战学习笔记（1） Liker79 机器学习学习矩阵
    shape的简单理解一、shape可以获取数组或矩阵的大小信息（矩阵的行数，列数，数组每一维的元素个数）在矩阵中shape[0]可以获取行数，shape[1]可以获取列数二、numpy中的tilenp.tile()本着函数取名必有所依的原理，博主百度了一下tile的英文意思，发现tile有平铺的意思。1.沿X轴复制在numpy中，np.tile（a,(2)）函数的作用就是将函数将函数沿着X轴扩大两
  • 机器学习实战学习笔记（七）预测数值型数据：回归 Hold_My_Own 机器学习回归预测数值型数据机器学习
    PS：该系列数据都可以在图灵社区（点击此链接）中随书下载中下载（如下）1用线性回归找到最佳拟合直线线性回归优点：结果易于理解，计算上不复杂。缺点：对非线性的数据拟合不好。适用数据类型：数值型和标称型数据。  假定输入数据存放在矩阵XXX中，而回归系数存放在向量www中。那么对于给定的数据X1X_1X1，预测结果将会通过Y1=X1TwY_1=X_1^TwY1=X1Tw给出。我们常用的方法极速找出使误
  • 机器学习实战学习笔记11——FP-growth 算法 飞鸟2010 python学习笔记python机器学习FP-growth
    1.FP-growth算法概述1.1FP-growth算法介绍FP-Growth算法是韩家炜等人在2000年提出的关联分析算法，它采取分治策略：将提供频繁项集的数据库压缩到一棵频繁模式树（FP-tree），但仍保留项集关联信息。1.2FP-growth算法原理FP-growth算法使用了一种称为频繁模式树（FrequentPatternTree）的数据结构。FP-tree是一种特殊的前缀树，由频繁
  • 机器学习实战学习笔记（五）支持向量机 Hold_My_Own 机器学习
    PS：该系列数据都可以在图灵社区（点击此链接）中随书下载中下载（如下）1基于最大间隔分隔数据支持向量机（SupportVectorMachines,SVM）优点：泛化错误率低，计算开销不大，结果易于解释。缺点：对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题。使用数据类型：数值型和标称型数据。  假设给定一个特征空间上的训练数据集T={(x1,y1),(x2,y2),...,(
  • 机器学习实战学习笔记4——奇异值分解（SVD） 飞鸟2010 python学习笔记机器学习
    1.SVD算法概述1.1SVD算法介绍奇异值分解（SingularValueDecomposition）算法，可以将数据映射到低维空间，常用于从有噪声数据中抽取相关特征。1.2SVD算法原理（1）先利用SVD从数据中构建一个主题空间；（2）然后在该空间下计算相似度；1.3SVD算法优缺点（1）优点：简化数据，去除噪声，提高算法的结果（2）缺点：数据的转换可能难以理解（3）应用：最优化问题、特征值问
  • 【机器学习实战学习笔记(1-2)】k-近邻算法应用实例python代码 进击的AI小白 机器学习
    文章目录1.改进约会网站匹配效果1.1准备数据：从文本文件中解析数据1.2分析数据：使用Matplotlib创建散点图1.3准备数据：归一化特征1.4测试算法：作为完整程序验证分类器1.5使用算法：构建完成可用系统2.手写识别系统2.1准备数据：将图像转换为测试向量2.2测试算法：使用k-近邻算法识别手写数字在上一篇文章中我们得到了基于欧式距离、多数表决规则，实现方法采用线性搜索法的k-近邻法cl
  • 机器学习实战学习笔记（十三）利用SVD简化数据 Hold_My_Own 机器学习svd机器学习
    PS：该系列数据都可以在图灵社区（点击此链接）中随书下载中下载（如下）1SVD的应用奇异值分解优点：简化数据，去除噪声，提高算法的结果。缺点：数据的转换可能难以理解。适用数据类型：数值型数据。1.1隐形语义索引  最早的SVD应用之一就是信息检索。我们称利用SVD的方法为隐性语义索引（LatentSemanticIndex,LSI）或隐性语义分析（LatentSemanticAnalysis，LS
  • 机器学习实战学习笔记（十二）利用PCA来简化数据 Hold_My_Own 机器学习
    PS：该系列数据都可以在图灵社区（点击此链接）中随书下载中下载（如下）1降维技术  对数据进行简化的原因：使得数据集更易使用；降低很多算法的计算开销；去除噪声；使得结果易懂。  主成分分析（PrincipalComponentAnalysis，PCA）：在PCA中，数据从原来的坐标系转换到了新的坐标系，新坐标系的选择是由数据本身决定的。第一个新坐标轴选择的是原始数据中方差最大的方向，第二个新坐标轴
  • 机器学习实战学习笔记（十一）使用FP-growth算法来高效发现频繁项集 Hold_My_Own 机器学习
    PS：该系列数据都可以在图灵社区（点击此链接）中随书下载中下载（如下）  FP-growth算法：比Apriori算法要快。它基于Apriori构建，但是在完成相同任务时采用了一些不同的技术。这里的任务是将数据集存储在一个特定的称作FP树的结构之后发现频繁项集或者频繁相对，即常在一块出现的元素项的集合FP树。这个算法能够更有效地挖掘数据。这种算法虽然能更为高效地发现频繁项集，但不能用于发现关联规则
  • 机器学习实战学习笔记（一） sakurakdx
    1.KNN算法描述简单来说：k-近邻算法(knn)采用测量不同特征值之间的距离算法进行分类优点：精度高、对异常值不敏感、无数据输入假定缺点：计算复杂度高、空间复杂度高适用数据范围：数值型和标称型工作原理：存在一个训练样本集，样本集中每个数据都存在标签。输入没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似（最近邻）的分类标签。一般来说，只选择样本
  • 机器学习实战学习笔记 ---- K-Means（K-均值）聚类算法 杨鑫newlfe MachineLearning
    聚类是一种无监督的学习，它将相似的对象归到一个簇中，将不相似的对象归到不同的簇中。相似这一概念取决于所选择的相似度计算方式。K-Means是发现给定数据集的K个簇的聚类算法，之所以称之为“K-均”值是因为它可以发现K个不同的簇，且每个簇的中心采用的所含值的均值计算而成。簇个数K是用户指定的，每一个簇通过其质心(centroid)，即簇中所有点的中心来描述。聚类与分类算法的最大区别在于，分类的目标类
  • 【机器学习实战学习笔记(2-2)】决策树python3.6实现及简单应用 siplifyit
    文章目录1.ID3及C4.5算法基础1.1计算香农熵1.2按照给定特征划分数据集1.3选择最优特征1.4多数表决实现2.基于ID3、C4.5生成算法创建决策树3.使用决策树进行分类4.存储决策树通过决策树原理及相关概念细节我们知道，决策树的学习算法主要包括3个步骤：特征选择、决策树生成算法、决策树剪枝，我们按照这个思路来一一实现相关功能。本文的实现目前主要涉及特征选择、ID3及C4.5算法。剪枝及
  • 【机器学习实战学习笔记(2-1)】决策树原理及相关概念细节 siplifyit
    文章目录1.决策树概述1.1基本概念1.2决策树学习概述2.特征选择2.1信息增益(informationgain)2.1.1熵(entropy)2.1.2条件熵(conditionalentropy)2.1.3信息增益计算2.2信息增益比(informationgainration)3.决策树的生成3.1ID3算法3.2C4.5算法4.决策树的剪枝1.决策树概述决策树(decisiontree)
  • 机器学习实战学习笔记 suuunnnyoy 学习笔记
    目录统计学习基本概念统计学习三要素1模型2策略（评价准则）损失函数和风险函数经验风险最小化和结构风险最小化一、分类1.K近邻1.1算法概述1.2算法一般流程：1.3算法要素1.3.1距离度量1.3.2k值的选择1.3.3分类决策规则1.4k近邻法的实现：kd树1.4.1构造kd树1.4.2搜索kd树1.5额外的2.决策树2.1算法概述2.2算法流程2.3特征选择2.3.1信息增益2.3.2信息增益
  • 机器学习实战学习笔记一 SilenceHell 机器学习实战学习笔记
    一.误差讲的很不错，我最初学机器学习就是看吴恩达的课程，当初他就讲了平方项误差是由高斯分布通过极大似然求得的，当时还不是特别理解，之后很多的教材也没有对这方面进行解释，没想到这里给推导了一遍，很不错。这张幻灯片有一个问题，XθX\thetaXθ都是列变量是不能相乘的，这里应该有一个转置。注意：能用这个方式直接求出结果的条件很苛刻那就是XTXX^TXXTX必须是非奇异矩阵，大部分实际条件下，这个条件
  • 机器学习实战学习笔记（二） 三年二班周杰伦 机器学习
    决策树。后面的CART会涉及到剪枝和回归。那个才是重点。这里就简单贴一下代码。frommathimportlog importoperator defcreateDataset(): dataSet=[[1,1,'yes'],[1,1,'yes'],[1,0,'no'],[0,1,'no'],[0,1,'no']] labels=['nosurfacing','flippers'] return
  • 机器学习实战学习笔记（一） 三年二班周杰伦 机器学习
    shape的用法numpy.tile()函数numpy.sum()的用法KNN算法和kmeans算法的异同numpy.argsort()字典的get方法python中iteritems()函数一开始看问题还是蛮多的，看python的基础语法看完就忘了，只有到真正需要用的时候才会了解到相应的用法。下面是带注释的代码。fromnumpyimport* importoperator fromosimpo
  • 机器学习实战学习笔记 infinitezechan 机器学习实战
    Chapter1机器学习基础NumPy函数库基础random.rand(4,4)上述命令构造了4*4的随机数组>>>random.rand(4,4) array([[0.0418002,0.20941796,0.68781548,0.32148814],[0.39318817,0.46766914,0.49318351,0.65444726],[0.33036255,0.70759215,0.59
  • 机器学习实战学习笔记（三）：朴素贝叶斯 test103 机器学习
    贝叶斯原理之所以称之为“朴素”，是因为整个形式化过程只做最原始、最简单的假设。优缺点-优点：在数据较少的情况下仍然有效，可以处理多类别问题。-确定：对于输入数据的准备方式比较敏感。-适用数据类型：标称型数据。入门示例二维坐标中，如果p1(x,y)>p2(x,y)，那么(x,y)属于类别1，否则属于类别2.共有7块石头，3块灰色的，4块黑色的p(gray)=3/7p(black)=4/7现在将7块石
  • 机器学习实战学习笔记（四）：Logistic回归 test103 机器学习
    逻辑回归逻辑回归分类的主要思想是：根据现有数据对分类边界线建立回归公式，以此进行分类。优缺点优点：计算代价不高，易于理解和实现。确定：容易欠拟合，分类精度可能不高。适用数据类型：数值型和标称型数据。核心概念sigma函数最大释然估计应用——从疝气病预测病马的死亡率这章不详细描述，请参考书中描述及这篇博客，写的很好（http://sbp810050504.blog.51cto.com/2799422
  • 机器学习实战学习笔记（二）：决策树 test103 机器学习
    决策树优缺点优点：计算复杂度不高，输出结果易于理解，对中间值的确实不敏感，可以处理不相关特征数据。缺点：可能会产生过度匹配问题。适用数据类型：数值型和标称型。原理树结构信息增益在划分数据集之前之后信息发生的变化称为信息增益。香农商集合信息的度量方式称为香农熵或者简称为熵，这个名字来源于信息论之父克劳德.香农。例子略实际中的应用——预测隐形眼镜类型隐形眼镜数据集是非常著名的数据集。构造树结构。
  • 机器学习实战学习笔记9——Logistic回归 飞鸟2010 python学习笔记机器学习
    1.logistic回归概述1.1logistic回归介绍Logistic回归是一种广义的线性回归分析模型,是研究二分类观察结果y与一些影响因素(x_1,x_2,…,x_n)之间关系的一种多变量分析方法。通常研究某些因素条件下某个结果是否发生，比如医学中根据症状来判断病人是否患有某种疾病。1.2Logistic回归原理Logistic回归进行分类的主要思想是：根据现有数据对分类边界线建立回归公式。
  • 机器学习实战学习笔记8——朴素贝叶斯 飞鸟2010 python学习笔记机器学习
    1.朴素贝叶斯概述1.1朴素贝叶斯介绍朴素贝叶斯（NaïveBayesian）是基于贝叶斯定理与特征条件独立假设的分类方法。朴素贝叶斯分类器基于一个简单的假设：给定目标值之间属性相互独立。1.2朴素贝叶斯工作原理假设有一个数据集，由两类组成，对于每个样本的分类，都是已知的。现在有一个新的点new_point(x,y),其分类未知。我们可以用p1(x,y)来表示数据点(x,y)属于类别1的概率；用p
  • 机器学习实战学习笔记7——Kmeans 飞鸟2010 python学习笔记机器学习
    1.Kmeans算法概述1.1Kmeans算法介绍Kmeans是发现给定数据集的K个簇的算法。簇个数K是用户给定的，每一个簇通过其质心，即簇中所有点的中心来描述。1.2Kmeans算法工作流程（1）创建K个质点作为起始质心；（2）当任意一个点的簇分配结果发生改变时：对数据集中的每个数据点对每个质心计算质心与数据点之间的距离将数据点分配到距其最近的簇对每一个簇，计算簇中所有点的均值并将均值作为质心1
  • 机器学习实战学习笔记6——AdaBoost 飞鸟2010 python学习笔记机器学习
    1.AdaBoost概述1.1AdaBoost介绍AdaBoost是一种迭代算法，其核心思想是针对同一训练集训练不同的分类器（弱分类器），然后把这些分类器集合起来，构成一个最终的强分类器。1.2AdaBoost优缺点（1）优点：泛化错误率低，易编码，可以应用在大部分分类器上，无需参数调整。（2）缺点：对离群点敏感。
  • 机器学习实战学习笔记3——支持向量机 飞鸟2010
    1.SVM算法概述1.1SVM简介支持向量机（SupportVectorMachine），是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。本身是一种监督式学习的方法，广泛应用于统计分类以及回归分析中。1.2SVM工作原理它使用非线性映射，将原训练数据
  • 戴尔笔记本win8系统改装win7系统 sophia天雪 win7戴尔改装系统win8
    戴尔win8 系统改装win7 系统详述 第一步：使用U盘制作虚拟光驱：         1）下载安装UltraISO：注册码可以在网上搜索。         2）启动UltraISO，点击“文件”—》“打开”按钮，打开已经准备好的ISO镜像文
  • BeanUtils.copyProperties使用笔记 bylijinnan java
    BeanUtils.copyProperties VS PropertyUtils.copyProperties 两者最大的区别是： BeanUtils.copyProperties会进行类型转换，而PropertyUtils.copyProperties不会。 既然进行了类型转换，那BeanUtils.copyProperties的速度比不上PropertyUtils.copyProp
  • MyEclipse中文乱码问题 0624chenhong MyEclipse
    一、设置新建常见文件的默认编码格式，也就是文件保存的格式。 在不对MyEclipse进行设置的时候，默认保存文件的编码，一般跟简体中文操作系统（如windows2000，windowsXP）的编码一致，即GBK。 在简体中文系统下，ANSI 编码代表 GBK编码;在日文操作系统下，ANSI 编码代表 JIS 编码。 Window-->Preferences-->General -
  • 发送邮件 不懂事的小屁孩 send email
    import org.apache.commons.mail.EmailAttachment; import org.apache.commons.mail.EmailException; import org.apache.commons.mail.HtmlEmail; import org.apache.commons.mail.MultiPartEmail;
  • 动画合集 换个号韩国红果果 htmlcss
    动画 指一种样式变为另一种样式 keyframes应当始终定义0 100 过程 1 transition  制作鼠标滑过图片时的放大效果 css .wrap{ width: 340px;height: 340px; position: absolute; top: 30%; left: 20%; overflow: hidden; bor
  • 网络最常见的攻击方式竟然是SQL注入 蓝儿唯美 sql注入
    NTT研究表明，尽管SQL注入（SQLi）型攻击记录详尽且为人熟知，但目前网络应用程序仍然是SQLi攻击的重灾区。 信息安全和风险管理公司NTTCom Security发布的《2015全球智能威胁风险报告》表明，目前黑客攻击网络应用程序方式中最流行的，要数SQLi攻击。报告对去年发生的60亿攻击 行为进行分析，指出SQLi攻击是最常见的网络应用程序攻击方式。全球网络应用程序攻击中，SQLi攻击占
  • java笔记2 a-john java
    类的封装： 1，java中，对象就是一个封装体。封装是把对象的属性和服务结合成一个独立的的单位。并尽可能隐藏对象的内部细节（尤其是私有数据） 2，目的：使对象以外的部分不能随意存取对象的内部数据（如属性），从而使软件错误能够局部化，减少差错和排错的难度。 3，简单来说，“隐藏属性、方法或实现细节的过程”称为——封装。 4，封装的特性：       4.1设置
  • [Andengine]Error：can't creat bitmap form path “gfx/xxx.xxx” aijuans 学习Android遇到的错误
            最开始遇到这个错误是很早以前了，以前也没注意，只当是一个不理解的bug，因为所有的texture，textureregion都没有问题，但是就是提示错误。 昨天和美工要图片，本来是要背景透明的png格式，可是她却给了我一个jpg的。说明了之后她说没法改，因为没有png这个保存选项。 我就看了一下，和她要了psd的文件，还好我有一点
  • 自己写的一个繁体到简体的转换程序 asialee java转换繁体filter简体
              今天调研一个任务，基于java的filter实现繁体到简体的转换，于是写了一个demo，给各位博友奉上，欢迎批评指正。          实现的思路是重载request的调取参数的几个方法，然后做下转换。          
  • android意图和意图监听器技术 百合不是茶 android显示意图隐式意图意图监听器
    Intent是在activity之间传递数据;Intent的传递分为显示传递和隐式传递   显式意图：调用Intent.setComponent() 或 Intent.setClassName() 或 Intent.setClass()方法明确指定了组件名的Intent为显式意图，显式意图明确指定了Intent应该传递给哪个组件。   隐式意图;不指明调用的名称,根据设
  • spring3中新增的@value注解 bijian1013 javaspring@Value
            在spring 3.0中，可以通过使用@value，对一些如xxx.properties文件中的文件，进行键值对的注入，例子如下： 1.首先在applicationContext.xml中加入：  <beans xmlns="http://www.springframework.
  • Jboss启用CXF日志 sunjing logjbossCXF
    1. 在standalone.xml配置文件中添加system-properties：     <system-properties>        <property name="org.apache.cxf.logging.enabled" value=&
  • 【Hadoop三】Centos7_x86_64部署Hadoop集群之编译Hadoop源代码 bit1129 centos
      编译必需的软件 Firebugs3.0.0 Maven3.2.3 Ant JDK1.7.0_67 protobuf-2.5.0 Hadoop 2.5.2源码包       Firebugs3.0.0   http://sourceforge.jp/projects/sfnet_findbug
  • struts2验证框架的使用和扩展 白糖_ 框架xmlbeanstruts正则表达式
    struts2能够对前台提交的表单数据进行输入有效性校验，通常有两种方式： 1、在Action类中通过validatexx方法验证，这种方式很简单，在此不再赘述； 2、通过编写xx-validation.xml文件执行表单验证，当用户提交表单请求后，struts会优先执行xml文件，如果校验不通过是不会让请求访问指定action的。 本文介绍一下struts2通过xml文件进行校验的方法并说
  • 记录-感悟 braveCS 感悟
    再翻翻以前写的感悟，有时会发现自己很幼稚，也会让自己找回初心。   2015-1-11 1. 能在工作之余学习感兴趣的东西已经很幸福了； 2. 要改变自己，不能这样一直在原来区域，要突破安全区舒适区，才能提高自己，往好的方面发展； 3. 多反省多思考；要会用工具，而不是变成工具的奴隶； 4. 一天内集中一个定长时间段看最新资讯和偏流式博
  • 编程之美-数组中最长递增子序列 bylijinnan 编程之美
    import java.util.Arrays; import java.util.Random; public class LongestAccendingSubSequence { /** * 编程之美 数组中最长递增子序列 * 书上的解法容易理解 * 另一方法书上没有提到的是，可以将数组排序（由小到大）得到新的数组， * 然后求排序后的数组与原数
  • 读书笔记5 chengxuyuancsdn 重复提交struts2的token验证
    1、重复提交 2、struts2的token验证 3、用response返回xml时的注意 1、重复提交 (1)应用场景 (1-1)点击提交按钮两次。 (1-2)使用浏览器后退按钮重复之前的操作，导致重复提交表单。 (1-3)刷新页面 (1-4)使用浏览器历史记录重复提交表单。 (1-5)浏览器重复的 HTTP 请求。 (2)解决方法 (2-1)禁掉提交按钮 (2-2)
  • [时空与探索]全球联合进行第二次费城实验的可能性 comsci
         二次世界大战前后,由爱因斯坦参加的一次在海军舰艇上进行的物理学实验 -费城实验   至今给我们大家留下很多迷团.....      关于费城实验的详细过程,大家可以在网络上搜索一下,我这里就不详细描述了      在这里,我的意思是,现在
  • easy connect 之 ORA-12154: TNS: 无法解析指定的连接标识符 daizj oracleORA-12154
    用easy connect连接出现“tns无法解析指定的连接标示符”的错误，如下： C:\Users\Administrator>sqlplus username/[email protected]:1521/orcl SQL*Plus: Release 10.2.0.1.0 – Production on 星期一 5月 21 18:16:20 2012 Copyright (c) 198
  • 简单排序:归并排序 dieslrae 归并排序
    public void mergeSort(int[] array){ int temp = array.length/2; if(temp == 0){ return; } int[] a = new int[temp]; int
  • C语言中字符串的\0和空格 dcj3sjt126com c
       \0 为字符串结束符，比如说：                       abcd (空格)cdefg； 存入数组时，空格作为一个字符占有一个字节的空间，我们
  • 解决Composer国内速度慢的办法 dcj3sjt126com Composer
    用法： 有两种方式启用本镜像服务： 1 将以下配置信息添加到 Composer 的配置文件 config.json 中（系统全局配置）。见“例1” 2 将以下配置信息添加到你的项目的 composer.json 文件中（针对单个项目配置）。见“例2” 为了避免安装包的时候都要执行两次查询，切记要添加禁用 packagist 的设置，如下 1 2 3 4 5
  • 高效可伸缩的结果缓存 shuizhaosi888 高效可伸缩的结果缓存
    /** * 要执行的算法，返回结果v */ public interface Computable<A, V> { public V comput(final A arg); }   /** * 用于缓存数据 */ public class Memoizer<A, V> implements Computable<A,
  • 三点定位的算法 haoningabc c算法
    三点定位， 已知a,b,c三个顶点的x,y坐标 和三个点都z坐标的距离，la，lb,lc 求z点的坐标 原理就是围绕a,b,c 三个点画圆，三个圆焦点的部分就是所求 但是，由于三个点的距离可能不准，不一定会有结果， 所以是三个圆环的焦点，环的宽度开始为0，没有取到则加1 运行 gcc -lm test.c test.c代码如下 #include "stdi
  • epoll使用详解 jimmee clinux服务端编程epoll
    epoll - I/O event notification facility在linux的网络编程中，很长的时间都在使用select来做事件触发。在linux新的内核中，有了一种替换它的机制，就是epoll。相比于select，epoll最大的好处在于它不会随着监听fd数目的增长而降低效率。因为在内核中的select实现中，它是采用轮询来处理的，轮询的fd数目越多，自然耗时越多。并且，在linu
  • Hibernate对Enum的映射的基本使用方法 linzx0212 enumHibernate
      枚举   /** * 性别枚举 */ public enum Gender { MALE(0), FEMALE(1), OTHER(2); private Gender(int i) { this.i = i; } private int i; public int getI
  • 第10章 高级事件（下） onestopweb 事件
    index.html <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/
  • 孙子兵法 roadrunners 孙子兵法
    始计第一 孙子曰： 兵者，国之大事，死生之地，存亡之道，不可不察也。 故经之以五事，校之以计，而索其情：一曰道，二曰天，三曰地，四曰将，五 曰法。道者，令民于上同意，可与之死，可与之生，而不危也；天者，阴阳、寒暑 、时制也；地者，远近、险易、广狭、死生也；将者，智、信、仁、勇、严也；法 者，曲制、官道、主用也。凡此五者，将莫不闻，知之者胜，不知之者不胜。故校 之以计，而索其情，曰
  • MySQL双向复制 tomcat_oracle mysql
    本文包括: 主机配置 从机配置 建立主-从复制 建立双向复制   背景 按照以下简单的步骤: 参考一下： 在机器A配置主机(192.168.1.30) 在机器B配置从机(192.168.1.29) 我们可以使用下面的步骤来实现这一点   步骤1：机器A设置主机 在主机中打开配置文件 ,
  • zoj 3822 Domination(dp) 阿尔萨斯 Mina
    题目链接：zoj 3822 Domination 题目大意：给定一个N∗M的棋盘，每次任选一个位置放置一枚棋子，直到每行每列上都至少有一枚棋子，问放置棋子个数的期望。 解题思路：大白书上概率那一张有一道类似的题目，但是因为时间比较久了，还是稍微想了一下。dp[i][j][k]表示i行j列上均有至少一枚棋子，并且消耗k步的概率（k≤i∗j）,因为放置在i+1~n上等价与放在i+1行上，同理
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他