- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(10-5)
操作入口：管理员 -> 工具 ->平台配置数据管理 管理平台配置库所有表中涉及用户密码的字段均采用国密SM4算法加密，并兼容低版本旧的加密方式。 新部署环境中涉及表的密码字段及通过管理平台修改密码涉及表的密码字段均采用国密SM4算法加密 配置库文件管理 管理平台配置文件application.properties中增加三个参数：spring.datasource.bakurl 修改配置库用户密码 当平台配置库为单节点模式时，点击配置库用户处的密码修改按钮，密码修改成功后，application.properties配置文件中用户密码也会同步修改并生效，密码将以国密SM4算法加密处理 application.properties配置文件中也会同步修改并生效，密码将以国密SM4算法加密处理，以密文方式存储。
89110编辑于 2025-03-13 - 来自专栏AI机器学习与深度学习算法
机器学习入门 10-5 精确率和召回率的平衡
，整型向量即为算法在当前阈值下预测的样本类别。 0.5，因此算法将这个样本分类为0； 基于逻辑回归算法的基本原理，引申出了决策边界的概念。 ▲逻辑回归算法的决策边界 θ的转置点乘xb=0在解析几何中表示一条直线，这条直线就是使用逻辑回归算法进行分类的决策边界。 算法判断为1的样本点就是在阈值为0的右边的5个样本点，其中5个样本点中有4个为五角星形状，只有一个圆形，因此算法判断正确的样本一共有4个； 召回率为4 / 6 = 0.67。 精准率计算的就是在算法所有判断为1的这些样本中有多少个判断正确的样本。此时算法只判定两个样本为1，而这两个样本确实为类别1； 召回率为2 / 6 = 0.33。
4.7K51发布于 2020-04-26 - 来自专栏机器学习与自然语言处理
Stanford机器学习笔记-10. 降维(Dimensionality Reduction)
在10.1节我们默认以红色线所画平面(不妨称之为平面s1)为2维平面进行投影(降维)，投影结果为图10-5的(1)所示，这样似乎还不错。那为什么不用蓝色线所画平面（不妨称之为平面s2）进行投影呢? 可以想象，用s2投影的结果将如图10-5的(2)所示。 ? 图10-4 样本在3维正交空间的分布 ? 图10-5 样本投影在2维平面后的结果 由图10-4可以很明显的看出，对当前样本而言，s1平面比s2平面的最近重构性要好（样本离平面的距离更近）；由图10-5可以很明显的看出，对当前样本而言，s1平面比 结合PCA算法，选择K的算法总结如下： ? 这个算法效率特别低。在实际应用中，我们只需利用svd()函数，如下： ? PCA通常用来压缩数据以加快算法，减少内存使用或磁盘占用，或者用于可视化(k=2, 3)。 参考：《机器学习》 周志华
1.1K80发布于 2018-03-13 - 来自专栏完美Excel
VBA专题10-5：使用VBA操控Excel界面之隐藏取消隐藏及最小化功能区
可以重命名和隐藏内置选项卡和内置组，改变其在功能区中的顺序。然而，不能重命名和隐藏内置控件，修改内置控件的图标，修改功能区内置组中内置控件的顺序。
4.6K30发布于 2020-08-17 - 来自专栏机器学习算法与Python学习
机器学习(8) -- 降维
在10.1节我们默认以红色线所画平面(不妨称之为平面s1)为2维平面进行投影(降维)，投影结果为图10-5的(1)所示，这样似乎还不错。那为什么不用蓝色线所画平面（不妨称之为平面s2）进行投影呢? 可以想象，用s2投影的结果将如图10-5的(2)所示。 ? 图10-4 样本在3维正交空间的分布 ? 图10-5 样本投影在2维平面后的结果 由图10-4可以很明显的看出，对当前样本而言，s1平面比s2平面的最近重构性要好（样本离平面的距离更近）；由图10-5可以很明显的看出，对当前样本而言，s1平面比 结合PCA算法，选择K的算法总结如下： ? 这个算法效率特别低。在实际应用中，我们只需利用svd()函数，如下： ? PCA通常用来压缩数据以加快算法，减少内存使用或磁盘占用，或者用于可视化(k=2, 3)。 参考：《机器学习》 周志华
1.2K100发布于 2018-04-04 - 来自专栏前端知识分享
第27天：js-表单获取焦点和数组声明遍历
45 46
- 47 上证指数364110 48
49- 50 上证指数364110 51
52- 53 上证指数364110 54
55- 56 上证指数364110 57
58- 59 上证指数364110
4.9K20发布于 2018-09-11 - 来自专栏杨建荣的学习笔记
K-Means算法原理和简单测试
这是学习笔记的第 2011 篇文章 今天学习了下K-Means算法，很多语言和工具都有成型的库和方法，不过为了能够督促自己理解，还是做了一些额外的工作，自己设想了一个例子，假设有10名员工，我们根据他们的技术能力和沟通能力来评估一下他们的综合能力 我们选择P1,P2为质心，即他们作为参照标准，分别和其他的员工数据进行比对，得到一个差异值，即两点之间的距离，可以使用欧式距离来得到，比如P1到P3的距离就是（10-7）（10-7）+（10-5）（10 -5）开根号，得到的值为5.8 P2到P3的距离是(7-5)(7-5)+(5-5)(5-5) 开根号，得到的值为2 按照这种算法，得到如下的一个列表： P1 P2 P3 5.8 2 P4 4.2 2.8
76720发布于 2019-06-18 - 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10-5 递归计算Ackermenn函数
习题10-5 递归计算Ackermenn函数 本题要求实现Ackermenn函数的计算，其函数定义如下： ?
88010发布于 2020-09-15 - 来自专栏智能大数据分析
聚类分析方法（二）
算法10-5 AGNES算法 (凝聚层次算法) 输入：数据集 S=\{X_1,X_2,\cdots,X_n\} 和正整数 k (簇的数目) 输出：含 k 个簇的一个聚类 C=\{C_1,C_2,\ -5 设 S 为有8个数据对象的数据集 S (表10-5)，用户需要的簇数 k=2 。 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。 与AGNES算法类似，用户可以在DIANA聚类算法中指定簇的数目 k 作为算法的一个结束条件。因此，根据算法10-2 (划分聚类算法框架)，我们可以得到DIANA算法的详细计算步骤。 -5的表10-5)，用户需要的簇数 k=2 。
40110编辑于 2025-01-23 - 来自专栏Hadoop数据仓库
维度模型数据仓库（十五） —— 多重星型模式
实际生产环境每天定期装载应该共用一个调度，也即应该把清单（五）- 10-5里的脚本并入每天定期装载脚本中，并且针对使用cdc_time表做相应的修改。 -5 Kettle定期装载工厂维度表和产品事实表如图（五）- 10-5到图（五）- 10-22所示。 图（五）- 10-5 图（五）- 10-6 图（五）- 10-7 图（五）- 10-8 图（五）- 10-9 图（五）- 10-10 图（五）- 10-11 运行完清单（五）- 10-5里的脚本以后，需要把系统日期设置成任意晚于上一篇“杂项维度”设置的日期。这里设置系统日期为2015年3月18日。 先把系统日期设置为2015年3月19日，然后执行清单（五）- 10-5里的脚本或对应的Kettle定期装载作业。
70820编辑于 2022-12-02 - 来自专栏技术分享
【算法】----BF算法&KMP算法
我们今天所讨论的两个算法就是有关该过程的算法。 事实上，对于检索，无非就是两个字符串的匹配过程，模式串是你想要匹配的串，主串是你搜索所在串。 BF算法和KMP算法是较为著名的模式匹配算法，接下来作出详细介绍。 BF算法 BF算法(Brute-Force)也称为暴力算法，其核心原理是逐个比较文本串和模式串的字符，如果匹配失败，则通过向右移动模式串的位置，再次进行比较。 在实际情况下，BF算法的效率并不高，特别是当文本串T和模式串P的长度很大时。对于较长的文本串和模式串，BF算法的时间复杂度可能会导致性能问题。 答案就是KMP算法。 KMP算法 KMP算法的核心思想是利用模式串自身的特点来加速匹配过程，避免重复匹配。
58210编辑于 2024-06-18 - 来自专栏全栈程序员必看
体验vSphere 6之7-为虚拟机启用容错
图10-4 辅助虚拟机运行截图 当ESXi主机内存是4GB、5GB时，尝试启动容错虚拟机，则会弹出”父资源池中可用内存资源不足”的提示，如图10-5所示。 图10-5 父资源池中可用内存资源不足 11 其他 vSphere Web Client控制台中，各个窗口可以向四个方向拖动，如图11-1所示。 图11-1 拖动窗口 图11-2 拖动到指定位置
1.5K40编辑于 2021-12-23 - 来自专栏PPV课数据科学社区
【算法】PCA算法
小编邀请您，先思考： 1 PCA算法的原理是什么？ 2 PCA算法有什么应用？
2K40发布于 2018-04-18 - 来自专栏用代码征服天下
算法——排序算法
基本思想：现在有一个数组arr= {12,35,99,18,76}，需要将其从小到大排序
1K10编辑于 2022-05-09 - 来自专栏Super 前端
算法--分治算法
本文链接：https://ligang.blog.csdn.net/article/details/83866378 分治算法 分而治之，把一个复杂的问题分成两个或更多的相同或相似的子问题，再把子问题分成更小的子问题 经典递归案例： 示例： 归并排序 详见：javascript排序算法 示例： 二分查找法（二分法） 二分查找也称折半查找，其要求线性表必须采用顺序存储结构，而且表中元素按关键字有序排列。
89531发布于 2019-08-15 - 来自专栏数据科学与人工智能
【算法】xgboost算法
小编邀请您，先思考： 1 XGBoost和GDBT算法有什么差异？ XGBoost的全称是 eXtremeGradient Boosting，2014年2月诞生的专注于梯度提升算法的机器学习函数库，作者为华盛顿大学研究机器学习的大牛——陈天奇。 xgboost问世后，因其优良的学习效果以及高效的训练速度而获得广泛的关注，并在各种算法大赛上大放光彩。 ? 具体算法如下： 输入：训练集 ? 输出：提升树 步骤： （1）初始化 （2） 对m=1,2,3……M a）计算残差 ?
2K90发布于 2018-03-27 - 来自专栏半生瓜のblog
【算法】查找算法
查找算法 查找的定义 查找:又称检索或查询，是指在查找表中找出满足一定条件的结点或记录对应的操作。 查找效率:查找算法中的基本运算是通过记录的关键字与给定值进行比较，所以查找的效率通常取决于比较所花的时间，而时间取决于比较的次数。通常以关键字与给定值进行比较的记录个数的平均值来计算。 数组是特殊的块索引（一个块一个元素）： [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xDbRyWBM-1635489015712)(查找算法.assets/image- [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6LawbrgF-1635489015715)(查找算法.assets/image-20211028180620292.png )] 分块查找的算法分两步进行，首先确定所查找的节点属于哪一块，即在索引表中查找其所在的块，然后在块内查找待查询的数据。
1K20编辑于 2023-05-13 - 来自专栏数据科学与人工智能
【算法】PCA算法
小编邀请您，先思考： 1 PCA算法的原理是什么？ 2 PCA算法有什么应用？
1.9K60发布于 2018-03-27 - 来自专栏数据科学与人工智能
【算法】Adaboost 算法
小编邀请您，先思考： 1 Adaboost算法的原理是什么 ？ 2 Adaboost算法如何实现？ 是一个加法模型，而Adaboost算法其实是前向分步算法的特例。那么问题来了，什么是加法模型，什么又是前向分步算法呢？ 3.1 加法模型和前向分步算法 如下图所示的便是一个加法模型 ? 这个优化方法便就是所谓的前向分步算法。 下面，咱们来具体看下前向分步算法的算法流程： 输入：训练数据集 ? 损失函数： ? 基函数集： ? 输出：加法模型 ? 3.2 前向分步算法与Adaboost的关系 在上文第2节最后，我们说Adaboost 还有另外一种理解，即可以认为其模型是加法模型、损失函数为指数函数、学习算法为前向分步算法的二类分类学习方法。 前向分步算法逐一学习基函数的过程，与Adaboost算法逐一学习各个基本分类器的过程一致。 下面，咱们便来证明：当前向分步算法的损失函数是指数损失函数 ?
2.6K140发布于 2018-03-27 - 来自专栏数据科学与人工智能
【算法】SVD算法
2 SVD算法与PCA算法有什么关联？ 3 SVD算法有什么应用？ 4 SVD算法如何优化？ 前言 奇异值分解(Singular Value Decomposition，简称SVD)是在机器学习领域广泛应用的算法，它不光可以用于降维算法中的特征分解，还可以用于推荐系统，以及自然语言处理等领域，是很多机器学习算法的基石 本文就对SVD的原理做一个总结，并讨论在在PCA降维算法中是如何运用运用SVD的。 也可以用于推荐算法，将用户和喜好对应的矩阵做特征分解，进而得到隐含的用户需求来做推荐。同时也可以用于NLP中的算法，比如潜在语义索引（LSI）。 SVD小结 SVD作为一个很基本的算法，在很多机器学习算法中都有它的身影，特别是在现在的大数据时代，由于SVD可以实现并行化，因此更是大展身手。
2K121发布于 2018-03-27
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