当前位置： 首页 > news >正文

机器学习（六）

news 来源：原创 2025/8/29 1:55:11
一，决策树：

简介：

        决策树是一种通过构建类似树状的结构（颠倒的树），从根节点开始逐步对数据进行划分，最终在叶子节点做出预测结果的模型。

结构组成：

        根节点：初始的数据集全集，没有经过任何划分（最顶层的部分）

        内部节点：代表对某个特征的测试，根据特征值将数据划分为子节点（中间部分）

        叶子节点：代表最终的分类结果或回归值（最底层的部分）

学习过程：

        ①选择根节点：找到一个明显的特征，能将数据最纯净地分为两组

        ②递归：对每个子节点重复上述操作，直到所有样本都同属于一类（完全纯净） or 没有更多的特征可用 or 达到的预设的树的深度（防止过拟合）

测量分类纯度（以区分猫狗为例）：

        ①信息熵：

        熵(H)的函数图像如上图所示，当区分后的样本全为猫或狗时，熵为0；当样本中猫和狗的比例越接近于1时，熵越大。

        熵的函数：

        

        Pi是数据集中第i类样本的比例

        当所有样本属于同一类时（完全纯净），熵为0；当样本类别均匀分布时，熵最大。

        ②基尼指数：

                基尼指数衡量随机抽取的两个样本类别不一致的概率，数值越小纯度越高

                公式：

                

                当数据集完全纯净时，基尼指数为0；当数据集类别分布均匀时，基尼指数为0.5

        ③分类误差：

                分类误差表示使用多数类作为标签时误分类的概率

                公式：

                                

                完全纯净时误差为0，二分类均匀分布时误差为0.5

        三者比较：

        计算效率：基尼指数=分类误差>信息熵

        敏感度：信息熵>基尼指数>分类误差

三者在决策树中的应用：

        信息增益（熵）：通过父节点减去子节点熵的加权平均值来选择增益最大的特征

        基尼指数：类似信息增益，选择使基尼指数下降最多的分割

信息增益的实现：     

        信息增益：在构建决策树过程中，使用某个特征对数据集实现分割后，学习熵的减少程度。

        核心：选择使信息增益最大的特征进行分割（即使学习熵减少程度最大），最大程度上纯化子节点

实现步骤：

        ①计算父节点的熵：

        ②按照特征分割，计算子节点的熵

        ③计算加权子节点的熵

        ④计算信息增益

举例： 

        假设父节点中有10个样本，6个属于A类，4个属于B类

        ①计算父节点的熵：代入信息熵的公式得到父节点的熵为0.971

        ②按特征分割数据，计算子节点的熵：用特征将这10个样本分为两个子节点，每个子节点有5个样本，分别计算两个子节点的熵。

                                子节点1（4A1B）：熵为0.722

                                子节点2（2A3B）：熵为0.971

        ③计算加权子节点熵：

                加权熵=（5/10）*子节点1熵+（5/10）*子节点2熵=0.8465

        ④计算信息增益：

               信息增益=父节点熵-加权子节点熵=0.1245

构建决策树：

①数据准备和预处理：

                从决策树的根结点开始，对数据进行数据清洗和特征处理或标签编码

②分割：

                 通过选择该特征后提供的最高信息增益的特性进行分割

③创建树的分支：

                根据所选特性将数据集拆分成两个子集，并创建树的分支，后将数据集划分给分支

④递归：

                对每个子节点重复上述操作，直到满足停止条件

停止条件：

  1. 节点纯度达标
  2. 达到预设的最大树深
  3. 继续分割的信息增益低于阈值（无显著信息增益）
  4. 子节点的样本数小于阈值（样本数过少）
One-Hot编码：

        One-Hot编码是将包含K个类别的离散特征转换为K个二元特征，常用在构建决策树时，处理多类别特征。

        举例：原始特征“颜色”包含三个类别：红，蓝，绿

                  经过One-Hot编码后生成三个新特征：是不是红色，是不是蓝色，是不是绿色

        优点：可以将多类别特征转换为二元特征，每个特征仅对应一个类别，模型可以更灵活的选择分割点；可以避免算法对多取值特征的偏好

        缺点：

                        1.增加特征数量，增加计算负担

                        2.降低单个特征的重要性，使得信息分散

                        3.过拟合风险

拆分连续值的决策树分支：

        连续值的分割目标是找到某个阈值，将数据集分为两个子集，使得分割后的子集纯度最高。

实现步骤：

  1. 排序连续特征值
  2. 根据排完序的特征值点生成候选分割点
  3. 计算每个分割点之间的纯度
  4. 对比执行后分割

二，回归树模型：

        回归树是一种用来预测连续数值的决策树模型，如用来预测房价，温度......。与分类树不同，分类树预测的是类别，而回归树预测的是连续的数值。

        实现原理：

                从根节点到叶节点，分而治之，将数据集划分为多个小区域，每个区域内的样本数尽可能相似，直到每个小区域足够纯净

        拆分步骤：

                        ①遍历所有特征

                        ②遍历每个特征的所有可能分割点：

                        若为连续特征：尝试相邻值的中间点；若为离散特征，尝试每个类别

                        ③选择最优分割点

        衡量指标：均方误差（EMS）

                均方误差是衡量一个区域内样本的数值差异的程度，均方误差越小，该区域内样本越相似。

        通过计算分割后的左右子区域的均方误差和，选择使总均方误差和最小的分割方式。

        回归树的构建流程：

                从根节点开始，遍历所有特征---> 遍历分割点，选择使总均方误差最小的分割方式--->生成子节点，按分割条件将数据分为左右两个部分 ---> 递归处理子节点，重复上述步骤 ---> 达到停止条件（回归树达到预测树深||区域内样本数过少||均方误差下降不明显）

        代码实现及运行结果：

from sklearn.tree import DecisionTreeRegressor
import pandas as pd# 示例数据：房屋面积（㎡）和价格（万元）
data = pd.DataFrame({'面积': [80, 120, 100, 90, 150],'价格': [300, 450, 400, 350, 500]
})# 训练回归树模型
model = DecisionTreeRegressor(max_depth=2)  # 限制树深度为2
model.fit(data[['面积']], data['价格'])# 预测新样本
new_house = pd.DataFrame({'面积': [110]})
predicted_price = model.predict(new_house)
print(f"预测价格：{predicted_price[0]:.1f}万元")  # 输出：预测价格：425.0万元
        决策树模型中的放回抽样：

                从原始的数据集中有放回地随机抽取样本的方法，每次抽取时，每个样本被选中的概率相同，而且可能被重复选中。每个训练子集的样本数与原始数据集相同

三，随机森林算法：

        随机森林算法是一种通过组合多个决策树的算法（集成树）。

        集成方法：

                ①Bagging：通过自助采样，从原始数据集中生成多个子集，每个子集训练一棵决策树

                ②随机特征选择：每棵树节点分裂时，随机选择部分特征作为候选，降低树之间的相关性，防止过拟合

        训练过程：
  1. 有放回地抽样，从原始数据集中随机抽取N个样本作为训练集
  2. 用未参与训练的样本验证模型，无需额外的验证集
  3. 特征抽样：每个节点分裂时，从全部特征中随机选取子集
  4. 每棵树生长到最大深度||叶子节点纯度达标时停止
四，XGBoost：（类似贪心算法） 

        XGBoost是一种基于梯度提升树的集成算法，通过加法模型和前向分布算法逐步优化目标函数。每次训练后，把侧重点放在先前训练过但拟合效果不好的决策树上。

        第一次循环：通过已有的训练集开始训练决策树

        第二-N次循环：根据前一次循环产生的决策树的训练效果，侧重于选择训练不好的决策树，来进行训练。

        XGBoost优点：

                        ①可以选择默认拆分标准和停止标准

                        ②内置正则化防止过拟合

五，决策树 VS 神经网络：        

        决策树：适用于数据量小，特征明显，训练速度快的场景，例如分群，评分。

        神经网络：适用于数据量大，数据种类多样（图像，音频，文件），的场景。

相关文章：

机器学习（六）

一，决策树： 简介： 决策树是一种通过构建类似树状的结构（颠倒的树），从根节点开始逐步对数据进行划分，最终在叶子节点做出预测结果的模型。 结构组成： 根节点：初始的数据集…...

编程日记 2025/8/29 1:55:11

在 Maven 中使用 ＜scope＞ 元素：全面指南

目录 前言 在 Maven 中， 元素用于定义依赖项的作用范围，即依赖项在项目生命周期中的使用方式。正确使用 可以帮助我们优化项目的构建过程，减少不必要的依赖冲突，并提高构建效率。本文将详细介绍 的使用步骤、常见作用范围、代码…...

编程日记 2025/8/29 1:53:54

Manus邀请码如何申请，有哪些办法

Manus是由Monica团队推出的一款通用型AI智能体产品，旨在通过自主任务规划与执行能力，将用户的想法转化为实际成果。它不仅能够理解复杂指令，还能通过调用虚拟环境中的工具（如浏览器、代码编辑器、文件处理器等）&#x…...

编程日记 2025/8/29 1:53:16

大型WLAN组网部署（Large scale WLAN network deployment）

大型WLAN组网部署 大型WLAN网络关键技术 技术 作用 VLAN Pool 通过VLAN Pool把接入的用户分配到不同的VLAN，可以减少广播域，减少网络中的广播报文，提升网络性能。 DHCP Option 43 & 52 当AC和AP间是三层组网时，AP通过…...

编程日记 2025/8/28 4:12:31

MQ保证消息的顺序性

在消息队列（MQ）中保证消息的顺序性是一个常见的需求，尤其是在需要严格按顺序处理业务逻辑的场景（例如：订单创建 → 支付 → 发货）。 一、消息顺序性被破坏的原因 生产者异步/并行发送：消息可能…...

编程日记 2025/8/29 1:53:15

SQL Server查询计划操作符（7.3）——查询计划相关操作符（9）

7.3. 查询计划相关操作符 78）Repartition Streams：该操作符消费多个输入流并产生多个输出流。期间，记录内容与格式保持不变。如果查询优化器使用一个位图过滤（bitmap filter），则输出流中的数据行数将会减少。一个输入流的每行记录被放入一个输出流。如果该操作符保留顺序…...

编程日记 2025/8/29 1:51:11

杨校老师课堂之零基础入门C++备战信息学奥赛-基础篇

零基础快速入门C C学习路线一、基础语法1. C基础框架2. C语言输出3. C 语言输入4. C 数据类型5. C 赋值6. 运算符与表达式7. 控制结构语句7.1 if分支结构语句7.1.1 单分支结构语句7.1.2 双分支结构语句7.1.3 多分支结构语句 7.2 switch开关语句 8. 循环结构语句8.1 for循环8.2 …...

编程日记 2025/8/24 2:11:20

wxWidgets GUI 跨平台 入门学习笔记

准备 参考 https://wiki.wxwidgets.org/Microsoft_Visual_C_NuGethttps://wiki.wxwidgets.org/Tools#Rapid_Application_Development_.2F_GUI_Buildershttps://docs.wxwidgets.org/3.2/https://docs.wxwidgets.org/latest/overview_helloworld.htmlhttps://wizardforcel.gitb…...

编程日记 2025/8/29 1:53:17

Aws batch task 无法拉取ECR 镜像unable to pull secrets or registry auth 问题排查

AWS batch task使用了自定义镜像，在提作业后出现错误 具体错误是ResourceInitializationError: unable to pull secrets or registry auth: The task cannot pull registry auth from Amazon ECR: There is a connection issue between the task and Amazon ECR. C…...

编程日记 2025/8/28 16:09:05

亚信安全发布2024威胁年报和2025威胁预测

在当今数字化时代，网络空间已成为全球经济、社会和国家安全的核心基础设施。随着信息技术的飞速发展，网络连接了全球数十亿用户，推动了数字经济的蓬勃发展，同时也带来了前所未有的安全挑战。2024年，网络安全形势愈发复…...

编程日记 2025/8/29 1:51:08

verb words

纠正correct remedy 修正modify 协商 confer 磋商/谈判 negotiate 通知notice notify *宣布announce 声明declare 宣告 declare *颁布 promulgate /introduce 协调coordinate 评估evaluate assess 撤离evacuate *规定stipulate 参与participate， 涉及refer…...

编程日记 2025/8/29 1:53:52

程序诗篇里的灵动笔触：指针绘就数据的梦幻蓝图＜12＞

大家好啊，我是小象٩(๑ω๑)۶ 我的博客：Xiao Xiangζั͡ޓއއ 很高兴见到大家，希望能够和大家一起交流学习，共同进步。 目录 一、回调函数二、qsort2.1 使用qsort函数排序整型数据2.2 使用qsort排序结构数据2.3 qsort函数的模…...

编程日记 2025/8/28 15:49:14

视频录像机视频通道是指什么

视频录像机的视频通道是指摄像机在监控矩阵或硬盘录像机设备上的视频输入的物理位置。 与摄像头数量关系：在视频监控系统中，有多少个摄像头就需要多少路视频通道，通道数量决定了视频录像机可接入摄像头的数量，一般硬盘录像机有4路…...

编程日记 2025/8/16 12:19:04

MySQL 实战 4 种将数据同步到ES方案

文章目录 1. 前言2. 数据同步方案 2.1 同步双写2.2 异步双写2.3 定时更新2.4 基于 Binlog 实时同步 3. 数据迁移工具选型 3.1 Canal3.2 阿里云 DTS3.3 Databus3.4 Databus和Canal对比3.4 其它 4. 后记 上周听到公司新同事分享 MySQL 同步数据到 ES 的方案，发现很有…...

编程日记 2025/8/29 1:53:15

sqlserver中的锁模式 | SQL SERVER如何开启MVCC（使用row-versioning）【启用行版本控制减少锁争用】

文章目录 引言锁和隔离级别的关系锁模式之间兼容性I 隔离级别SQLServer默认的隔离级别为：“read commited” (已提交读)在SQLServer2005引入了基于行版本控制的隔离级别。SQL SERVER如何开启MVCC（使用row-versioning）sqlserver开启MVCC后的锁II sqlserver中的锁模式**1、共享…...

编程日记 2025/8/29 1:53:53

拥抱健康养生，开启活力生活

在快节奏的现代生活中，健康养生已成为人们关注的焦点，它不仅是对身体的呵护，更是一种积极的生活态度。 合理饮食是健康养生的基石。我们应秉持均衡膳食的理念，谷物、蔬菜、水果、蛋白质类食物一个都不能少。每天保证足够的蔬菜摄入…...

编程日记 2025/8/29 1:53:14

江科大51单片机笔记【9】DS1302时钟可调时钟（下）

在写代码前，记得把上一节的跳线帽给插回去，不然LCD无法显示 一.DS1302时钟 1.编写DS1302.c文件 （1）重新对端口定义名字 sbit DS1302_SCLKP3^6; sbit DS1302_IOP3^4; sbit DS1302_CEP3^5;（2）初始化 因为…...

编程日记 2025/8/28 16:26:09

Python可视化——地理空间型图表（自用）

地图信息可视化的实现就是将不可展开的曲面上的地理坐标信息转化为二维平面进行显示，这个过程也叫地图投影（空间三维投影到平面二维） 地图投影的要求：等面积、等角度、等距离。总的来说就是映射到二维平面中的任何点通过比例尺放大…...

编程日记 2025/8/28 6:51:28

Python 网络爬虫教程与案例详解

Python 网络爬虫教程与案例详解 在当今数字化时代，数据的价值愈发凸显。Python 作为一门强大的编程语言，在数据获取领域有着广泛的应用，其中网络爬虫便是一项重要的技术。网络爬虫能够自动从网页中提取所需数据，极大地提高了数据…...

编程日记 2025/8/22 15:50:08

最新的前端场景面试题

1、如何实现一个Vue3的弹框组件，你会如何设计？ 如果要实现一个 Vue3 的弹框组件，我会从以下几个关键点进行设计： 组件结构：定义组件的基础结构，包括模块（template）、脚本（script）和样式（style）;显示和隐藏逻辑：设计和实现弹框的显示和隐藏机制，通常通过传递 pro…...

编程日记 2025/8/29 1:53:54

冲刺高分！挑战7天一篇孟德尔联合meta分析 DAY1-7

Day1 此前我们完成了若干篇关于meta的挑战，这一次挑战想在meta分析基础上进一步创新一些，这一次想要挑战孟德尔联合meta分析的文章，有想学习的师弟师妹跟我们一起完成这波挑战吧～ Day1任务收集信息明确选题明确目标期刊精读范文…...

编程日记 2025/8/19 11:54:25

win32汇编环境,对话框中使用树形视图示例二

;运行效果 ;win32汇编环境,对话框中使用树形视图示例二 ;得到树形视图控件Treeview的全路径字符串，这里的方法是由子项向父项挨个找的算法找齐路径 ;直接抄进RadAsm可编译运行。重要部分加备注。 ;下面为asm文件 ;>>>>>>>>>>>>>>&g…...

编程日记 2025/8/24 13:15:09

前端开发10大框架深度解析

摘要 在现代前端开发中，框架的选择对项目的成功至关重要。本文旨在为开发者提供一份全面的前端框架指南，涵盖 React、Vue.js、Angular、Svelte、Ember.js、Preact、Backbone.js、Next.js、Nuxt.js 和 Gatsby。我们将从 简介、优缺点、适用场景 以及 实际…...

编程日记 2025/8/26 10:20:06

tomcat的web管理

进入到conf cd /usr/local/tomcat/conf/备份tomcat-users.xml cp tomcat-users.xml{.,bak}编辑tomcat-users.xml vim tomcat-users.xml增加以下内容 配置tomcat-users.xml <role rolename"manager-gui"/><role rolename"admin-gui"/><use…...

编程日记 2025/8/29 1:51:09

类和对象(上)

1.面向过程与面向对象的初步认识 面向过程&#xff1a;以步骤为中心&#xff0c;适合简单逻辑&#xff0c;但复杂系统易混乱。 面向对象&#xff1a;以对象职责为中心&#xff0c;通过抽象和模块化应对复杂需求。 C语言&#xff1a;面向过程&#xff0c;关注的是过程&#xff0…...

编程日记 2025/8/29 1:51:11

springcloud智慧工地物联网云管理系统源码

智慧工地以物联网云平台为核心&#xff0c;基于智慧工地物联网云平台与现场多个子系统的互联&#xff0c;实现现场各类工况数据采集&#xff0c;存储、分析与应用。通过接入智慧工地物联网云平台的多个子系统板块&#xff0c;根据现场管理实际需求灵活组合&#xff0c;实现一体…...

编程日记 2025/8/28 9:22:51

SLAM评估工具安装及使用EVO（Ubuntu20.04安装evo）--缺少 onnx 库还有Pandas 版本不兼容解决

介绍一下我的是ubuntu20.04.机载电脑是orinnx&#xff0c;通过源码烧写的系统。 首先打开终端&#xff0c;输入 pip install evo --upgrade --no-binary evo 安装过程中出现如下问题 缺少 onnx 库还有Pandas 版本不兼容&#xff0c; ONNX&#xff08;Open Neural Network E…...

编程日记 2025/8/29 1:51:10

K8S学习之基础十五：k8s中Deployment扩容缩容

deployment扩容缩容比较简单&#xff0c;下面介绍两种常用方法 vi deploy-demo.yaml kind: Deployment metadata:name: myapp-v1 spec:replicas: 2selector:matchLabels:app: myappversion: v1template:metadata:labels:app: myappversion: v1spec:containers:- name: myappim…...

编程日记 2025/8/22 11:03:57

ClickHouse 中出现 DB::Exception: Too many parts 错误

在 ClickHouse 中出现 DB::Exception: Too many parts 错误&#xff0c;通常是由于表中数据分片&#xff08;parts&#xff09;数量超过系统限制&#xff0c;导致合并&#xff08;merge&#xff09;操作无法及时处理。以下是逐步解决方案&#xff1a; 1. 理解问题原因 MergeTr…...

编程日记 2025/8/29 1:51:09

PPT 小黑第20套

对应大猫21 Word转PPT 图片也得复制 题目要求两套PPT母板&#xff0c;应用不同版式&#xff08;版式那就可以选&#xff09; 竖排文字...

编程日记 2025/8/19 8:54:51

大模型管理工具：LLaMA-Factory

目录 一、安装与环境配置 二、​启动 Web 界面 三、数据准备 四、模型训练 五、模型评估 七、模型导出 八、API服务部署 LLaMA-Factory 是一个开源的大语言模型&#xff08;LLM&#xff09;微调框架&#xff0c;旨在简化大规模模型的训练、微调和部署流程。它支持多种主…...

编程日记 2025/8/22 17:05:29

【机器人栅格地图】基于鹭鹰算法SBOA实现机器人栅格地图路径规划（目标函数：最短距离）附Matlab代码

基于鹭鹰算法&#xff08;SBOA&#xff09;的机器人栅格地图路径规划实现 一、鹭鹰算法&#xff08;SBOA&#xff09;的基本原理 鹭鹰优化算法&#xff08;Secretary Bird Optimization Algorithm, SBOA&#xff09;是一种新型元启发式算法&#xff0c;灵感源自鹭鹰的捕猎和逃…...

编程日记 2025/8/27 4:00:22

【Linux篇】版本控制器-Git

&#x1f4cc; 个人主页&#xff1a; 孙同学_ &#x1f527; 文章专栏&#xff1a;Liunx &#x1f4a1; 关注我&#xff0c;分享经验&#xff0c;助你少走弯路&#xff01; 文章目录 1.如何理解版本控制&#xff1f;2.Git的操作补充细节问题 1.如何理解版本控制&#xff1f; 版…...

编程日记 2025/8/26 17:21:38

论文阅读：KAM-CoT: Knowledge Augmented Multimodal Chain-of-Thoughts Reasoning

论文来源&#xff1a;AAAI 2024 论文地址&#xff1a;https://ojs.aaai.org/index.php/AAAI/article/view/29844 Abstract LLM通过利用能够逐步思考的思维链在NLP任务中取得了很好的性能&#xff0c;但是为LLM扩展多模态能力时计算成本高&#xff0c;且需要大量的硬件资源。…...

编程日记 2025/8/27 13:04:55

linux内存页块划分及位图存储机制

page_alloc.c - mm/page_alloc.c - Linux source code v5.4.285 - Bootlin Elixir Cross Referencer 一. 什么是页块&#xff08;Pageblock&#xff09;&#xff1f; 定义&#xff1a;页块是物理内存中的一个连续区域&#xff0c;由 2^pageblock_order 个物理页&#xff08;Pag…...

编程日记 2025/8/28 14:46:40

一台云工作站是否能通过共享云桌面让10人流畅进行三维设计

云工作站&#xff0c;作为一种基于云计算技术的远程工作站解决方案&#xff0c;它将高性能的计算资源集中在云端服务器上&#xff0c;用户通过网络访问这些资源&#xff0c;实现高效、灵活的办公和创作环境。而三维设计&#xff0c;尤其是涉及复杂模型、高精度渲染等领域&#…...

编程日记 2025/8/27 4:35:01

安卓应用之服务

服务 服务也是四大组件之一&#xff0c;用于执行长时间运行操作的组件&#xff0c;它与用户界面&#xff08;UI&#xff09;是分开的&#xff0c;因此即使用户切换到其他应用&#xff0c;服务依然可以继续运行。主要用于处理一些不需要用户交互的任务。例如&#xff0c;播放音…...

编程日记 2025/8/27 11:44:50

【Vue CLI脚手架开发】——6.scoped样式

文章目录 一、scoped是什么二、应用案例1.使用代码2.原理3父组件App未添加scoped影响 一、scoped是什么 我们知道vue为了防止css样式污染&#xff0c;在每个组件中提供了 scoped属性进行限定css作用域&#xff1b;当<style>标签有 scoped 属性时&#xff0c;它的 CSS 只…...

编程日记 2025/8/17 3:55:11

JVM参数调整

一、内存相关参数 1. 堆内存控制 -Xmx&#xff1a;最大堆内存&#xff08;如 -Xmx4g&#xff0c;默认物理内存1/4&#xff09;。-Xms&#xff1a;初始堆内存&#xff08;建议与-Xmx相等&#xff0c;避免动态扩容带来的性能波动&#xff09;。-Xmn&#xff1a;新生代大小&…...

编程日记 2025/8/28 4:44:17

NodeJS学习笔记

NodeJS软件安装 node环境安装&#xff1a; https://nodejs.org 安装好后的node通常在C:\Program Files\nodejs验证安装是否成功 node -v npm -v 进入REPL模式命令行模式 nodeNodeJS在REPL模式和编辑器使用 windos在dos下常用命令 windos命令&#xff1a; 1、cmd dos系统2、…...

编程日记 2025/8/26 5:01:28

缺陷管理工具-禅道

目录 一、禅道的介绍 二、禅道的特点 三、禅道使用流程 1.管理缺陷 2.管理用例 黑马测试视频学习记录 一、禅道的介绍 二、禅道的特点 三、禅道使用流程 1.管理缺陷 2.管理用例...

编程日记 2025/8/16 12:38:46

C++ 单词识别_牛客题霸_牛客网

点击链接即可查看题目: 单词识别_牛客题霸_牛客网 一、题目 描述 输入一个英文句子&#xff0c;把句子中的单词(不区分大小写)按出现次数按从多到少把单词和次数在屏幕上输出来&#xff0c;次数一样的按照单词小写的字典序排序输出&#xff0c;要求能识别英文单词和句号。 输入…...

编程日记 2025/8/23 1:54:19

qt open3dAlpha重建

qt open3dAlpha重建 效果展示二、流程三、代码效果展示 二、流程 创建动作，链接到槽函数，并把动作放置菜单栏 参照前文 三、代码 1、槽函数实现 void on_actionAlpha_triggered();//alpha重建 void MainWindow::...

编程日记 2025/8/16 10:24:27

PS内发光、外发光

内外发光&#xff08;图层样式–》内发光、外发光&#xff09;&#xff1a;&#xff08;滤色 效果最好&#xff09; 内发光–》结构&#xff1a;内发光的外形 内发光–》图素&#xff1a;渐变发光细节的调整 内发光–》品质&#xff1a;增加质感 内发光–》图素–》阻塞&#x…...

编程日记 2025/8/28 21:50:50

C++之thread_local变量

C之thread_local变量_c threadlocal-CSDN博客 thread_local简介 thread_local 是 C11 为线程安全引进的变量声明符。表示对象的生命周期属于线程存储期。 线程局部存储(Thread Local Storage&#xff0c;TLS)是一种存储期(storage duration)&#xff0c;对象的存储是在…...

编程日记 2025/8/29 1:00:15

鸿蒙开发中，数据持久化之Transaction(事务)的概念及应用

SQLite 数据库具备事务处理能力。 事务本质上是一组操作的集合&#xff0c;它具有原子性&#xff0c;意味着这一系列操作要么全部成功执行&#xff0c;要么全部失败&#xff0c;不存在部分操作成功而部分失败的中间状态。 以常见的转账功能为例&#xff0c;A 账户向 B 账户转账…...

编程日记 2025/8/23 13:33:35

软考高项笔记 1.1.1 信息

1.1.1 信息 &#x1f4da; 信息(Information) 是物质、能量及其属性的标示的集合&#xff0c;是确定性的增加。它以物质介质为载体&#xff0c;传递和反映世界各种事物存在方式、运动状态等的表征。信息不是物质&#xff0c;也不是能力&#xff0c;它以一种普遍形式&#xff0c…...

编程日记 2025/8/27 20:58:01

【TCP/IP协议栈】计算机网络知识补充

参考资料&#xff1a; 前言 【计算机网络知识】 总结 IP 在互联网中MAC 在局域网中 1. IP地址 IP地址有两个版本&#xff0c;IPv4和IPv6。IPv6现在并没有普及使用&#xff0c;所以现在使用的地址大部分依然是IPv4。 IP地址是在IP协议中&#xff0c;用来标识网络中不同主机的…...

编程日记 2025/8/20 16:09:17

【C++进阶学习】第一讲——继承（下）---深入挖掘继承的奥秘

目录 1.隐藏 1.1隐藏的概念 1.2隐藏的两种方式 2.继承与友元 3、继承与静态成员 4.单继承和多继承 4.1单继承 4.2多继承 5.菱形继承 问题1&#xff1a;冗余性 问题2&#xff1a;二义性 6.虚拟继承 7.总结 1.隐藏 1.1隐藏的概念 在 C 中&#xff0c;继承是一种机制…...

编程日记 2025/8/28 10:59:15

IDEA Generate POJOs.groovy 踩坑小计 | 生成实体 |groovy报错

一、无法生成注释或生成的注释是null 问题可能的原因&#xff1a; 1.没有从表里提取注释信息&#xff0c;修改def calcFields(table)方法即可 def calcFields(table) {DasUtil.getColumns(table).reduce([]) { fields, col ->def spec Case.LOWER.apply(col.getDataType().…...

编程日记 2025/8/23 3:17:15