- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(10-6)
计算节点升级为管理平台对计算节点版本提供在线升级的功能。满足对单节点、主备节点、多节点和容灾模式集群的跨版本或小版本升级迭代。同时可为用户提供升级过程突发异常情况时的自动回滚保护机制，程序尽量保证将集群回滚至升级前的状态减少对线上业务的影响。
37210编辑于 2025-03-12 - 来自专栏AI机器学习与深度学习算法
机器学习入门 10-6 精确率-召回率曲线
道理非常简单，因为在外面的这根曲线上对应的算法模型的每一个点的精准率和召回率的值都要比里面的这根曲线相应的精准率和召回率值要大。 因此一个算法模型的Precision-Recall曲线越靠外的话，这个算法模型就越好，因此这中Precision-Recall曲线可以作为模型选择、算法选择、超参数选择的指标。 对于这个指标，如果说里和外相对有些抽象，有的时候会用这根曲线和xy轴所围成的面积来看模型的好坏，围成的面积越大这个模型就越好。 虽然Precision-Recall曲线非常好理解，但是在大多数情况下我们不用Precision-Recall曲线的面积来衡量模型算法的优劣。 我们会用一根非常著名的ROC曲线与xy轴所围成的面积来衡量模型算法的优劣。下一小节将会介绍ROC曲线。
4.4K30发布于 2020-05-13 - 来自专栏C语言及其他语言
【优质题解】问题 1716: 算法10-6~10-8：快速排序
1):先选取一个元素作为枢纽，把比枢纽小的元素置于枢纽前，比枢纽大的元素置于枢纽后，此时枢纽前的元素都比它小，其后面的元素都比它大，然后再按以上方法递归处理枢纽前，后序列。
47430发布于 2018-07-24 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题10-6 递归求Fabonacci数列
习题10-6 递归求Fabonacci数列 本题要求实现求Fabonacci数列项的函数。
1.5K30发布于 2020-09-15 - 来自专栏全栈程序员必看
Oracle 函数大全[通俗易懂]
dual; --结果：2021/5/12 3:56:15 2021/5/31 3:56:15 ROUND(d[,fmt])：返回一个以 fmt 为格式的四舍五入日期值， d 是日期， fmt 是格式 模型 Select LOCALTIMESTAMP from dual; --结果：10-6月 -21 02.36.17.989733 下午 MONTHS_BETWEEN(date1,date2)：计算date1 select SYS_EXTRACT_UTC(systimestamp) from dual; --结果：10-6月 -21 06.41.59.738669 上午 SYSDATE：取得当前的日期和时间, from sc; --结果：1 PERCENTILE_CONT(percent_expr)WITHIN GROUP (ORDER BY expr)：返回在统计级别中处于某个百分点的特定数值（按照连续分布模型确定 from sc; --结果：80 PERCENTILE_DISC(percent_expr)WITHIN GROUP (ORDER BY expr)：返回在统计级别中处于某个百分点的特定数值（按照离散分布模型确定
3.5K20编辑于 2022-09-07 - 来自专栏完美Excel
VBA专题10-6：使用VBA操控Excel界面之执行命令以及激活功能区选项卡的两种方法
Application.CommandBars.ExecuteMso(idMso)
5.8K20发布于 2020-09-25 - 来自专栏用户4866861的专栏
选择电子停车计时装置检定仪应注意这9点
2、内部晶振指标对比 首选恒温晶振OCXO,并且准确度越高越好，市场上一般的厂家的频率准确度：1×10-6，建议选择稍微好点的晶振，比如恒温晶振频率准确度：≤3E-8，秒稳定度：≤3E-11/s，客户挑选的时候务必留意 3、计时测量指标对比 市场上一般的厂家的停车计时检定装置的计时分辨率：0.01s，计时误差：±(0.01+T×10-6)s，这点虽说是可以建标，但是毕竟分辨率位数多了更精确些，比如：计时分辨率：0.001s
65430发布于 2021-06-18 选择电子停车计时装置检定仪应注意这9点
2、内部晶振指标对比首选恒温晶振OCXO,并且准确度越高越好，市场上一般的厂家的频率准确度：1×10-6，建议选择稍微好点的晶振，比如恒温晶振频率准确度：≤3E-8，秒稳定度：≤3E-11/s，客户挑选的时候务必留意 3、计时测量指标对比市场上一般的厂家的停车计时检定装置的计时分辨率：0.01s，计时误差：±(0.01+T×10-6)s，这点虽说是可以建标，但是毕竟分辨率位数多了更精确些，比如：计时分辨率：0.001s
13910编辑于 2026-06-18- 来自专栏黎鹤舞的编程技术栏
常用的数据单位符号
= 1,024 (210)B 1 Kbps = 1,000 bps m = 10-3 1 MB = 1,000 KB 1 MB = 1,024 KB 1 Mbps = 1,000 Kbps µ = 10
48000编辑于 2024-05-27 【周练】 几何水题 （水）
Errors less than 10-6 will be ignored.
27710编辑于 2025-08-26- 来自专栏用户4866861的专栏
电子停车计时收费检定仪注意事项总结，停车计时检定仪，停车计时收费校准仪
2、内部晶振指标对比首选恒温晶振OCXO,并且准确度越高越好，市场上一般的厂家的频率准确度：1×10-6，建议选择稍微好点的晶振，比如恒温晶振频率准确度：≤3E-8，秒稳定度：≤3E-11/s，客户挑选的时候务必留意 3、计时测量指标对比市场上一般的厂家的停车计时检定装置的计时分辨率：0.01s，计时误差：±(0.01+T×10-6)s，这点虽说是可以建标，但是毕竟分辨率位数多了更精确些，比如：计时分辨率：0.001s
65630编辑于 2023-05-31 【周练】 求导
Errors less than 10-6 will be ignored.
24510编辑于 2025-08-26- 来自专栏智能大数据分析
聚类分析方法（二）
根据算法10-5，因为 S 有8个数据对象，因此，刚开始每个对象为一个簇，详见下表10-6。 因此簇 \{X_1,X_2\} 和 \{X_3,X_4\} 合并为 \{X_1,X_2,X_3,X_4\} ，见表10-6计算步骤3所在的行。 因此簇 \{X_7\} 和 \{X_8\} 合并为 \{X_7,X_8\} ，见表10-6计算步骤5所在的行。 因此簇 \{X_5,X_6\} 和 \{X_7,X_8\} 合并为 \{X_5,X_6,X_7,X_8\} ，见表10-6计算步骤6所在的行。 但是，如果在例10-6中指定 k=4 ，则算法需要进入第二轮和第三轮循环。
41710编辑于 2025-01-23 【UVa】10566 - Crossed Ladders（二分 & 数学）
Errors less than 10-6 will be ignored.
30510编辑于 2025-08-27【LightOJ】1137 - Expanding Rods（二分 & 几何）
Errors less than 10-6 will be ignored.
27010编辑于 2025-08-27- 来自专栏愿天堂没有BUG（公众号同名）
阿里高级专家推荐学习深入解析java虚拟机：垃圾回收，Parallel GC
Parallel GC是基于分代堆模型的垃圾回收器，其YGC和FGC的逻辑与Serial GC基本一致，只是在垃圾回收过程中不再是单线程扫描、复制对象等，而是用GCTaskManager创建GCTask ScavengeRootsTask实际上继承自GCTask，它会被放入GCTaskQueue，然后由GCTaskManager统一执行，如图10-6所示。 图10-6 动态GC任务分配 如代码清单10-14所示，垃圾回收器会向GCTaskQueue投递OldToYoungRootTask、ScavengeRootsTask、ThreadRootsTask和
1.4K30编辑于 2022-10-28 - 来自专栏全栈程序员必看
–AR模型,MA模型,ARMA模型介绍
AR模型的定义 ————— AR模型平稳性判别 AR模型是常用的平稳序列的拟合模型之一，但并非所有的AR模型都是平稳的 。 第一个平稳的AR模型 这个AR模型的递推式子是x[t]=0.8*x[t-1]+e，其实e是一个误差项。 AR模型的一些性质 若AR模型满足平稳性条件，则他的均值为0，我们可以从上面的图中看出 AR模型的自相关系数是呈复指数衰减– 有拖尾性 AR模型的偏自相关系数有截尾性 注意第二,第三条很重要，后面可以用来做模型的识别 我在强调一遍 AR模型的自相关系数是呈复指数衰减– 有拖尾性 * AR模型的偏自相关系数有截尾性* MA模型 MA模型的定义 MA模型的可逆性 这个性质在推到MA模型的相关系数和自相关系数的时候比较有用 看一下可逆的定义 接下来看一下MA模型怎么转换成AR模型 最后我们看一下什么样的MA模型可以转化为AR模型 可逆MA模型的应用 对于一些MA模型，虽然其生成的式子不一样，但是其自相关图是一样的
2.7K20编辑于 2022-09-20 - 来自专栏IT大咖说
分布式系统开发实战：实战，使用AWS平台实现Serverless架构
GameServer" --dimension InstanceId= $id --value $players （2）设定CloudWatch的报警规则，当服务器在线人数为零时，会触发SNS通知，如图10 图10-6 CloudWatch自定义指标报警 在实际场景中，需要通过以下脚本自动建立报警。
2.5K10发布于 2021-06-15 - 来自专栏学习
【软件测试】敏捷模型（Scrum模型）和V模型、W模型
敏捷模型 前面的那些模型以前非常流行，但现在开发人员在使用的时候会遇到各种问题。主要困难包括在项目开发期间处理来自客户的变更请求，以及合并这些变更所需要的高成本和时间。 在实际工作中，一款产品的功能是不断在变化的 所以为了克服这些缺点，就提出了敏捷软件开发模型。在敏捷模型中，需求被分解成许多可以增量开发的小部分。敏捷模型采用迭代开发。每个增量部分都是在迭代中开发的。 敏捷模型主要旨在帮助项目快速适应变更请求。 V 模型 V 模型中，明确的标注了测试过程中存在的不同类型的测试 右边的测试，都需要参考左边对应高度的要求 缺点： 仅仅把测试作为在编码之后的一个阶段，未在需求阶段就介入测试。 缺点和瀑布模型一样 W 模型（双 V 模型） V 模型中未将测试前置的问题在 W 模型中得以解决 开发 V 模型并不是单单指编码阶段，而是为产品开发流程而实施的各个阶段 测试的对象不仅是程序，需求、
3.1K10编辑于 2024-11-15 - 来自专栏数据分析与挖掘
pycaret之训练模型（创建模型、比较模型、微调模型）
1、比较模型 这是我们建议在任何受监管实验的工作流程中的第一步。此功能使用默认的超参数训练模型库中的所有模型，并使用交叉验证评估性能指标。它返回经过训练的模型对象。 2、创建模型 在任何模块中创建模型就像编写create_model一样简单。它仅采用一个参数，即型号ID作为字符串。 尽管有一个单独的函数可以对训练后的模型进行集成，但是在通过create_model函数中的ensemble参数和方法参数创建时，有一种快速的方法可以对模型进行集成。 3、微调模型 在任何模块中调整机器学习模型的超参数就像编写tune_model一样简单。它使用带有完全可定制的预定义网格的随机网格搜索来调整作为估计量传递的模型的超参数。 对于有监督的学习，此函数将返回一个表，该表包含k倍的通用评估指标的交叉验证分数以及训练有素的模型对象。对于无监督学习，此函数仅返回经过训练的模型对象。
2.8K10发布于 2020-10-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号