当前位置：首页 > news >正文

机器学习特征重要性之feature_importances_属性与permutation_importance方法

news 来源：原创 2025/6/18 20:12:47

一、feature_importances_属性

在机器学习中，分类和回归算法的 feature_importances_ 属性用于衡量每个特征对模型预测的重要性。这个属性通常在基于树的算法中使用，通过 feature_importances_ 属性，您可以了解哪些特征对模型的预测最为重要，从而可以进行特征选择或特征工程，以提高模型的性能和解释性。

1、决策树

1.1. sklearn.tree.DecisionTreeClassifier

class sklearn.tree.DecisionTreeClassifier(*, criterion='gini', splitter='best', max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_decrease=0.0, class_weight=None, ccp_alpha=0.0, monotonic_cst=None)[source]

1.2. sklearn.tree.DecisionTreeRegressor

class sklearn.tree.DecisionTreeRegressor(*, criterion='squared_error', splitter='best', max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_decrease=0.0, ccp_alpha=0.0, monotonic_cst=None)

1.3. sklearn.tree.ExtraTreeClassifier

class sklearn.tree.ExtraTreeClassifier(*, criterion='gini', splitter='random', max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features='sqrt', random_state=None, max_leaf_nodes=None, min_impurity_decrease=0.0, class_weight=None, ccp_alpha=0.0, monotonic_cst=None)

1.4. sklearn.tree.ExtraTreeRegressor

property feature_importances_

返回标准化后的特征的重要性，又被称为基尼重要性，即通过计算每个特征在决策树的各个节点上对Gini不纯度的减少量来评估特征的重要性。

具体来说，Gini重要性计算步骤如下：

在构建决策树的过程中，每次选择一个特征进行节点分裂时，计算该特征在该节点上的Gini不纯度减少量。
将该特征在所有节点上的Gini不纯度减少量累加，得到该特征的总Gini不纯度减少量。
对所有特征的总Gini不纯度减少量进行归一化处理，使其总和为1。

最终，Gini重要性值越高，表示该特征对分类结果的贡献越大。Gini重要性常用于特征选择和特征工程中，以识别和保留对模型性能影响较大的特征。

2、随机森林和梯度提升

2.1. sklearn.ensemble.RandomForestClassifier

class sklearn.ensemble.RandomForestClassifier(n_estimators=100, *, criterion='gini', max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features='sqrt', max_leaf_nodes=None, min_impurity_decrease=0.0, bootstrap=True, oob_score=False, n_jobs=None, random_state=None, verbose=0, warm_start=False, class_weight=None, ccp_alpha=0.0, max_samples=None, monotonic_cst=None)

2.2. sklearn.ensemble.RandomForestRegressor

class sklearn.ensemble.RandomForestRegressor(n_estimators=100, *, criterion='squared_error', max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=1.0, max_leaf_nodes=None, min_impurity_decrease=0.0, bootstrap=True, oob_score=False, n_jobs=None, random_state=None, verbose=0, warm_start=False, ccp_alpha=0.0, max_samples=None, monotonic_cst=None)

2.3. sklearn.ensemble.GradientBoostingClassifier

class sklearn.ensemble.GradientBoostingClassifier(*, loss='log_loss', learning_rate=0.1, n_estimators=100, subsample=1.0, criterion='friedman_mse', min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_depth=3, min_impurity_decrease=0.0, init=None, random_state=None, max_features=None, verbose=0, max_leaf_nodes=None, warm_start=False, validation_fraction=0.1, n_iter_no_change=None, tol=0.0001, ccp_alpha=0.0)

2.4. sklearn.ensemble.GradientBoostingRegressor

class sklearn.ensemble.GradientBoostingRegressor(*, loss='squared_error', learning_rate=0.1, n_estimators=100, subsample=1.0, criterion='friedman_mse', min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_depth=3, min_impurity_decrease=0.0, init=None, random_state=None, max_features=None, alpha=0.9, verbose=0, max_leaf_nodes=None, warm_start=False, validation_fraction=0.1, n_iter_no_change=None, tol=0.0001, ccp_alpha=0.0)

property feature_importances_

返回总和为1的特征重要性，除非所有树只有一个根节点。

3、AdaBoost

3.1. sklearn.ensemble.AdaBoostClassifier

class sklearn.ensemble.AdaBoostClassifier(estimator=None, *, n_estimators=50, learning_rate=1.0, algorithm='deprecated', random_state=None)

property feature_importances_

返回值:
feature_importances_：一维数组 (n_features,)，The feature importances.

3.2. sklearn.ensemble.AdaBoostRegressor

class sklearn.ensemble.AdaBoostRegressor(estimator=None, *, n_estimators=50, learning_rate=1.0, loss='linear', random_state=None)

property feature_importances_

返回值:
feature_importances_：一维数组 (n_features,)，The feature importances.

4、XGBoost

4.1. xgboost.XGBClassifier

classxgboost.XGBClassifier(*, importance_type='total_gain', objective='binary:logistic', **kwargs)

参数：

importance_type: 特征重要性的类型，关系到 feature_importances_属性:
- 树模型：可选 “gain”, “weight”, “cover”, “total_gain” 或 “total_cover”.
- 线性模型：进可选 “weight” .

属性：propertyfeature_importances_

返回值取决于importance_type参数:
- 一维数组[n_features]，代表每个特征的重要性
- 线性模型：二维数组(n_features, n_classes)，代表每个特征在每个类别上的重要性

5、LightGBM

5.1. lightgbm.LGBMClassifier

classlightgbm.LGBMClassifier(boosting_type='gbdt', num_leaves=31, max_depth=-1, learning_rate=0.1, n_estimators=100, subsample_for_bin=200000, objective=None, class_weight=None, min_split_gain=0.0, min_child_weight=0.001, min_child_samples=20, subsample=1.0, subsample_freq=0, colsample_bytree=1.0, reg_alpha=0.0, reg_lambda=0.0, random_state=None, n_jobs=None, importance_type='split', **kwargs)

参数：

importance_type(str, optional (default=‘split’)): 关系到 feature_importances_属性的输出:
- ‘split’：返回结果包含特征使用的次数
- ‘gain’：返回结果包含特征分裂时的总增益

属性：property feature_importances_

返回特征重要性，值越高，特征越重要:
- 一维数组[n_features]，代表每个特征的重要性

二、permutation_importance方法

sklearn.inspection.permutation_importance

-评估特征的重要性，且模型已经过训练，即模型已调用fit(X, y)。
-由参数scoring指定评估度量方式；打乱特征列的值，打乱次数由参数n_repeats指定；评估特征值打乱前后的scoring度量结果的差异，即表示该特征的重要程度。

scoring评估指标可参考博客：分类、聚类与回归的评价指标

sklearn.inspection.permutation_importance(estimator, X, y, *, scoring=None, n_repeats=5, n_jobs=None, random_state=None, sample_weight=None, max_samples=1.0)

参数：

estimator：已经训练好的模型
X：用于计算特征重要性的输入数据。
y：目标值。
scoring：评估指标，默认为 None，使用模型的默认评分方法。
n_repeats：打乱特征的次数，默认为 5。

返回值：

importances_mean：每个特征基于n_repeats的重要性均值。
importances_std：每个特征基于n_repeats的的重要性标准差。
importances：每次打乱后特征的重要性。为二维数组，表示每个特征每次打乱后的重要性。

三、小结

feature_importances_是一些基于树的模型自带的一个属性，用于衡量每个特征对模型预测结果的重要性。它通常通过计算每个特征在树结构中的分裂点上所带来的信息增益来确定特征的重要性。
permutation_importance是一种模型无关的方法，通过打乱特征的值来评估特征的重要性。具体来说，它通过打乱某个特征的值并观察模型性能的变化来确定该特征的重要性。如果打乱某个特征后模型性能显著下降，则说明该特征对模型非常重要。

	魔心依赖性	计算方式	解释性
`feature_importances_`	仅适用于一些特定的模型（如基于树的模型）	基于模型内部的机制（如信息增益）	结果依赖于模型的具体实现，可能不容易解释
`permutation_importance`	方法是模型无关的，可以用于任何模型	通过打乱特征值并观察模型性能变化来计算	结果更直观，因为它直接反映了特征对模型性能的影响

机器学习特征重要性之feature_importances_属性与permutation_importance方法

一、feature_importances_属性在机器学习中，分类和回归算法的 feature_importances_ 属性用于衡量每个特征对模型预测的重要性。这个属性通常在基于树的算法中使用，通过 feature_importances_ 属性，您可以了解哪些特征对模型的预测最为重要…...

编程日记 2025/6/3 10:03:15

Go学习：多重赋值与匿名变量

目录 1. 变量的多重赋值 1.1 基本语法格式 1.2 交换变量值 2. 匿名变量的使用 1. 变量的多重赋值 1.1 基本语法格式 go语言中，可以将多个赋值语句合并成一句，比如： a : 10 b : 20 c : 30//a,b,c三个变量的赋值语句可以…...

编程日记 2025/5/29 8:48:43

解读Linux Bridge中的东西流向与南北流向

解读Linux Bridge中的东西流向与南北流向在现代云计算和虚拟化环境中，网络流量的管理和优化变得越来越重要。Linux Bridge作为Linux内核提供的一个强大的二层交换机工具，在虚拟化和容器化应用中扮演着至关重要的角色。本文将深入探讨Linux Bridge中的两…...

编程日记 2025/6/3 5:30:58

spring mvn 国际化配置

目录国际化配置测试测试自定义一个MessageSource类型的beanSpringApplicationUtil工具类MessageUtls工具类配置国际化原理ResourceBundleMessageSource 国际化配置测试测试测试： 自定义一个MessageSource类型的bean import org.springframework.context.Mess…...

编程日记 2025/6/3 10:03:12

Windows下Dll在Unity中使用的一般方式

Windows下Dll在Unity中使用的一般方式 Unity中虽然已经有广泛的库和插件，但是相较于C的库生态而言，还是有一定的差距；因此本篇博文记录Windows下将C函数打包成动态链接库在Unity中使用的一般方法。环境 Visual Studio 2019 ， Uni…...

编程日记 2025/6/4 17:25:23

SQLite PRAGMA

SQLite的PRAGMA命令是一种特殊的命令，用于在SQLite环境中控制各种环境变量和状态标志。PRAGMA值可以被读取，也可以根据需求进行设置【0†source】。 PRAGMA命令的语法格式如下： 要查询当前的PRAGMA值，只需提供该PRAGMA的名字&am…...

编程日记 2025/6/2 16:52:56

Linux：进程控制

1.fork()函数初识在linux中fork函数时非常重要的函数，它从已存在进程中创建一个新进程。新进程为子进程，而原进程为父进程。 #include <unistd.h> pid_t fork(void); 返回值：自进程中返回0，父进程返回子进程id&#xff0…...

编程日记 2025/6/3 9:11:33

一些计算机零碎知识随写（25年1月）-1

我原以为世界上有技术的那批人不会那么闲，我错了，被脚本真实了。今天正隔着画画呢，手机突然弹出几条安全告警通知。急忙打开服务器，发现问题不简单，直接关服务器重装系统..... 首先，不要认为小网站&…...

编程日记 2025/6/3 13:09:24

spring mvc源码学习笔记之十

前面的文章介绍了用 WebApplicationInitializer 或者 AbstractAnnotationConfigDispatcherServletInitializer 来代替 web.xml 。我们学 java web 的时候就知道，servlet 容器会自动加载 web.xml。那么，疑问就来了，WebApplicationInitialize…...

编程日记 2025/5/31 2:56:31

网络安全-安全散列函数，信息摘要SHA-1，MD5原理

安全散列函数单向散列函数或者安全散列函数之所以重要，不仅在于消息认证(消息摘要。数据指纹)。还有数字签名（加强版的消息认证）和验证数据的完整性。常见的单向散列函数有MD5和SHA 散列函数的要求散列函数的目的是文件、消息或者其它数据…...

编程日记 2025/5/29 22:05:30

《解锁计算机视觉智慧：编程实现图片场景文字描述的开源宝藏》

《解锁计算机视觉智慧：编程实现图片场景文字描述的开源宝藏》一、MiniGPT-4：小模型撬动大视觉理解（一）项目概览（二）核心亮点（三）上手体验二、ClipCap-Chinese：中文场景…...

编程日记 2025/6/4 9:47:36

vue封装axios请求

在vue项目中我们发送请求一般是使用axios 我们可以封装axios来避免冗余代码首先引入axios npm install axios创建环境配置文件 NODE_ENV development VITE_APP_TITLE dev VITE_APP_BASE_API /test VITE_SERVE "http://127.0.0.1"上面是创建dev配置文件也可以…...

编程日记 2025/5/26 10:40:30

【前端动效】原生js实现拖拽排课效果

目录 1. 效果展示 2. 效果分析 2.1 关键点 2.2 实现方法 3. 代码实现 3.1 html部分 3.2 css部分 3.3 js部分 3.4 完整代码 4. 总结 1. 效果展示如图所示，页面左侧有一个包含不同课程（如语文、数学等）的列表，页面右侧…...

编程日记 2025/5/30 13:30:19

Python Selenium库入门使用，图文详细。附网页爬虫、web自动化操作等实战操作。

文章目录前言1 创建conda环境安装Selenium库2 浏览器驱动下载（以Chrome和Edge为例）3 基础使用（以Chrome为例演示）3.1 与浏览器相关的操作3.1.1 打开/关闭浏览器3.1.2 访问指定域名的网页3.1.3 控制浏览器的窗口大小3.1.4 前进/后…...

编程日记 2025/6/1 13:55:22

AI华佗？港中大、深圳大数据研究院提出医疗推理大模型HuatuoGPT-o1

编辑 | 白菜叶 OpenAI o1 的突破凸显了通过增强推理能力来提高自然语言大模型（LLM）的应用潜力。然而，大多数推理研究都集中在数学任务上，而医学等领域尚未得到充分探索。医学领域虽然不同于数学，但鉴于医疗保健的高…...

编程日记 2025/6/3 5:55:11

openEuler22.03系统使用Kolla-ansible搭建OpenStack

Kolla-ansible 是一个利用 Ansible 自动化工具来搭建 OpenStack 云平台的开源项目，它通过容器化的方式部署 OpenStack 服务，能够简化安装过程、提高部署效率并增强系统的可维护性。前置环境准备： 系统:openEuler-22.03-LTS-SP4 配置&…...

编程日记 2025/6/2 20:03:53

uni-app无限级树形组件简单实现

因为项目一些数据需要树形展示，但是官网组件没有。现在简单封装一个组件在app中使用，可以无线嵌套，展开，收缩，获取子节点数据等。简单效果组件TreeData <template><view class"tree"><te…...

编程日记 2025/6/2 14:57:15

初学stm32 --- ADC单通道采集

目录 ADC寄存器介绍（F1） ADC控制寄存器 1(ADC_CR1) ADC控制寄存器 2(ADC_CR2) ADC采样时间寄存器1(ADC_SMPR1) ADC采样时间寄存器2(ADC_SMPR2) ADC规则序列寄存器 1(ADC_SQR1) ADC规则序列寄存器 2(ADC_SQR2) ADC规则序列寄存器 3(ADC_SQR3) AD…...

编程日记 2025/5/30 1:08:17

css盒子水平垂直居中

目录 1采用flex弹性布局： 2子绝父相margin：负值： 3.子绝父相margin:auto： 4子绝父相transform： 5通过伪元素 6table布局 7grid弹性布局文字水平垂直居中链接：文字水平垂直居中-CSDN博客以下为盒子…...

编程日记 2025/6/3 13:02:02

django基于Python的智能停车管理系统

1.系统概述 1.定义：Django 基于 Python 的智能停车管理系统是一个利用 Django 框架构建的软件系统，用于高效地管理停车场的各种事务，包括车辆进出记录、车位预订、收费管理等诸多功能。 2.目的：它的主要目的是提高停车场的运营效…...

编程日记 2025/5/31 13:32:23

Rabbit Rocket kafka 怎么实现消息有序消费和延迟消费的

在消息队列系统中，像 RabbitMQ、RocketMQ 和 Kafka 这样的系统，都支持不同的方式来实现消息的有序消费和延迟消费。下面我们分别探讨这些系统中如何实现这两种需求： 1. RabbitMQ：实现消息有序消费和延迟消费有序消费&#xff1…...

编程日记 2025/6/2 16:52:50

Kafka 会丢消息吗？

目录 01 生产者（Producer） 02 消息代理（Broker） 03 消费者（Consumer）来源：Kafka 会丢消息吗？ Kafka 会丢失信息吗？许多开发人员普遍认为，Kafka 的设计本身就能保证不会丢失消息。然而，Kafka 架构和配置的细微差别会导致消息的丢失。我们需要了解它如何以及何时…...

编程日记 2025/6/4 4:55:18

状态模式详解与应用

状态模式（State Pattern），是一种行为型设计模式。它允许一个对象在其内部状态改变时改变它的行为，使得对象看起来似乎修改了它的类。通过将不同的行为封装在不同的状态类中，状态模式可以避免大量的条件判断语句&#x…...

编程日记 2025/5/30 15:18:51

红队工具使用全解析：揭开网络安全神秘面纱一角

红队工具使用全解析：揭开网络安全神秘面纱一角 B站红队公益课：https://space.bilibili.com/350329294 学习网盘资源链接：https://pan.quark.cn/s/4079487939e8 嘿，各位网络安全爱好者们！在风云变幻的网络安全战场上&am…...

编程日记 2025/6/3 12:53:31

【Spring】Redis缓存+ehcache

文章目录基于Spring的RedisehcacheRedis 缓存配置Cacheable 注解CacheEvict 注解缓存配置基于Spring的Redisehcache Redis 缓存配置在项目中添加 Redis 的依赖 <dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot…...

编程日记 2025/6/4 9:34:23

【硬件介绍】Type-C接口详解

一、Type-C接口概述 Type-C接口特点：以其独特的扁头设计和无需区分正反两面的便捷性而广受欢迎。这种设计大大提高了用户的使用体验，避免了传统USB接口需要多次尝试才能正确插入的问题。Type-C接口内部结构：内部上下两排引脚的设计虽然可能不…...

编程日记 2025/6/2 3:41:50

网络传输层TCP协议

传输层TCP协议 1. TCP协议介绍 TCP（Transmission Control Protocol，传输控制协议）是一个要对数据的传输进行详细控制的传输层协议。 TCP 与 UDP 的不同，在于TCP是有连接、可靠、面向字节流的。具体来说，TCP设置了一大…...

编程日记 2025/6/1 4:51:15

Git 基础——《Pro Git》

⭐获取 Git 仓库获取 Git 仓库有两种方式： 将未进行版本控制的本地目录转换为 Git 仓库。从其他服务器克隆一个已存在的 Git 仓库。在已存在目录中初始化 Git 仓库进入目标目录在 Linux 上：$ cd /home/user/my_project在 macOS 上：$ c…...

编程日记 2025/6/3 17:13:24

数据结构与算法之二叉树: LeetCode 654. 最大二叉树 (Ts版)

最大二叉树 https://leetcode.cn/problems/maximum-binary-tree/ 描述给定一个不重复的整数数组 nums 。最大二叉树可以用下面的算法从 nums 递归地构建: 创建一个根节点，其值为 nums 中的最大值递归地在最大值左边的子数组前缀上构建左子树递归地在最大值…...

编程日记 2025/6/3 15:31:30

学习记录：C++宏定义包含多条语句，使用注意事项

应该使用 do - while(0) 结构的情况在条件语句（如 if - else、switch - case）或循环语句（如 for、while、do - while）中使用宏： 当宏定义包含多条语句且会在上述语句中使用时，使用 do - while(0) 可确保…...

编程日记 2025/6/2 5:13:52

PHP 使用 Redis

PHP 使用 Redis PHP 是一种广泛使用的服务器端编程语言，而 Redis 是一个高性能的键值对存储系统。将 PHP 与 Redis 结合使用，可以为 Web 应用程序提供快速的读写性能和丰富的数据结构。本文将详细介绍如何在 PHP 中使用 Redis，包括安装、连接、基本操作以及一些高级应用。 …...

编程日记 2025/5/31 0:36:30

项目开发实践——基于SpringBoot+Vue3实现的在线考试系统(五)

文章目录一、学生管理模块功能实现1、添加学生功能实现1.1 页面设计1.2 前端功能实现1.3 后端功能实现1.4 效果展示2、学生管理功能实现2.1 页面设计2.2 前端功能实现2.3 后端功能实现2.3.1 后端查询接口实现2.3.2 后端编辑接口实现2.3.3 后端删除接口实现2.4 效果展示二、代码…...

编程日记 2025/6/2 0:01:38

下载并安装MySQL

在Linux系统上下载并安装数据库（以MySQL为例）的步骤如下： 一、下载MySQL 访问MySQL官网打开浏览器，访问MySQL的官方网站：https://www.mysql.com/。进入下载页面在MySQL官网首页，找到并点击“Downloads…...

编程日记 2025/5/29 15:33:30

【C++入门】详解（中）

目录 💕1.函数的重载 💕2.引用的定义 💕3.引用的一些常见问题 💕4.引用——权限的放大/缩小/平移 💕5. 不存在的空引用 💕6.引用作为函数参数的速度之快（代码体现） &#x1f4…...

编程日记 2025/6/3 8:20:08

计算机视觉算法实战——车道线检测

✨个人主页欢迎您的访问 ✨期待您的三连 ✨ ✨个人主页欢迎您的访问 ✨期待您的三连 ✨ ✨个人主页欢迎您的访问 ✨期待您的三连✨ 车道线检测是计算机视觉领域的一个重要研究方向，尤其在自动驾驶和高级驾驶辅助…...

编程日记 2025/6/3 6:37:45

基于http协议的天气爬虫

该系统将基于目前比较流行的网络爬虫技术， 对网站上的天气数据进行查询分析， 最终使客户能够通过简单的操作， 快速， 准确的获取目标天气数据。主要包括两部分的功能， 第一部分是天气数据查询， 包括时间段数…...

编程日记 2025/6/3 7:23:29

自然语言处理基础：全面概述

自然语言处理基础：全面概述什么是NLP及其重要性、NLP的核心组件、NLU与NLG、NLU与NLG的集成、NLP的挑战以及NLP的未来自然语言处理（NLP）是人工智能（AI）中最引人入胜且具有影响力的领域之一。它驱动着我们日常使用的…...

编程日记 2025/5/27 5:36:45

软件架构考试基础知识 002：进程的状态与其切换

进程状态转换的说明在操作系统中，进程的状态表示其当前的执行情况和资源占用情况。进程状态的转换反映了操作系统如何管理和调度进程。以下是进程状态转换的说明： 1. 三态模型（Three-state Model） 三态模型是最基础的进程状态模…...

编程日记 2025/6/1 0:59:38

【Linux系列】Curl 参数详解与实践应用

💝💝💝欢迎来到我的博客，很高兴能够在这里和您见面！希望您在这里可以感受到一份轻松愉快的氛围，不仅可以获得有趣的内容和知识，也可以畅所欲言、分享您的想法和见解。推荐:kwan 的首页,持续学…...

编程日记 2025/6/2 10:23:20

VsCode对Arduino的开发配置

ps：我的情况是在对esp32进行编译、烧录时，找不到按钮，无法识别Arduino文件，适合已经有ini文件的情况。 1.在vscode中安装拓展 2.打开设置，点击右上角，转到settings.json文件 3.复制以下代码并保存 {"…...

编程日记 2025/5/30 21:15:53

【Pandas】pandas Series rtruediv

Pandas2.2 Series Binary operator functions 方法描述Series.add()用于对两个 Series 进行逐元素加法运算Series.sub()用于对两个 Series 进行逐元素减法运算Series.mul()用于对两个 Series 进行逐元素乘法运算Series.div()用于对两个 Series 进行逐元素除法运算Series.true…...

编程日记 2025/6/3 3:56:36

VUE3 自定义指令的介绍

自定义指令的概述在 Vue 中，自定义指令是一种机制，允许开发者在模板中直接操作 DOM 元素，执行一些低级别的操作。Vue 提供了几个内置指令（如 v-if、v-for、v-model 等），但当我们需要一些特定功能时&#…...

编程日记 2025/6/1 20:18:13

安装redisDB 主节点 apt install redis-server修改配置 /etc/redis/redis.conf bind 0.0.0.0save "" # 禁止RDB持久化 #save 900 1 #save 300 10 #save 60 10000appendonly no # 禁止AOF持久化重启服务 systemctl restart redis-server从节点配置文件 bind 0.…...

编程日记 2025/6/3 10:22:59

【汇编】x86汇编编程寄存器资源心中有数

1. CPU状态及控制寄存器 TR，GDTR，LDTRcr0-cr3EFLAGS 等等 2. 业务计算寄存器（我起的名字） 业务寄存器用于访问内存、参数传递、数据传递、计算。段寄存器6个： cs，ds，es，ss&…...

编程日记 2025/5/31 7:03:34

一.项目课题＜基于TCP的文件传输协议实现＞

客户端代码需要cJSON.c文件和cJSON.h文件在这里插入代码片#include "myheadth.h" #include "myfun.h"#define TIME 10 int sockfd; void heartbeat(int signum) {cJSON* root cJSON_CreateObject();cJSON_AddStringToObject(root,"request"…...

编程日记 2025/6/3 10:36:17

【数据结构学习笔记】19：跳表（SkipList）

介绍跳表是一个能在 O ( n l o g n ) O(nlogn) O(nlogn)时间完成查找、插入、删除的数据结构，相比于树形结构优点就是很好写（所以也用于实现Redis ZSet）。其核心思想就是维护一个元素有序的，能随机提升索引层数的链表。最下面一…...

编程日记 2025/5/23 23:21:59

Cocos Creator 3.8 修改纹理像素值

修改的代码： import { _decorator, Component, RenderTexture, Sprite, Texture2D, ImageAsset, SpriteFrame, Vec2, gfx, director, log, math, v2 } from cc;const { ccclass, property } _decorator;ccclass(GradientTransparency) export class GradientTrans…...

编程日记 2025/6/3 17:27:03