来得正好

最新推荐文章于 2025-03-02 14:02:21 发布
原创 最新推荐文章于 2025-03-02 14:02:21 发布 · 429 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#silverlight #api #components #wpf #微软 #windows

 

  【加州，雷德兰兹2010年11月29日消息】Esri公司获得组件类（Components Category）最高荣誉奖——Visual Studio杂志的读者评选奖，这是对该公司基于微软的Silverlight和WPF（Windows Presentation Foundation）的ArcGIS API的充分肯定。

   ArcGIS API为开发者设计，它可以让开发者以最少的代码，快速、便捷地创建基于网络的地图应用。还有许多政府和商业人士使用API，因为它提供了一个创建GIS互联网应用的直观框架，包含数据入口和互动地图查阅，并能够将多技术组合成一个单一的开发平台。

 “我非常高兴地看到Visual Studio读者发现ArcGIS API有如此多的用处，这些用处方便了他们的日常工作”，Esri公司总裁杰克·雷杰蒙德如是说，“GIS为整合地理信息提供了最好的工具，API是一个关键组件，可以让每一个人分享信息和整合资源。”

  正巧明天我们要演示Silverlight方面的应用，真是如虎添翼啊！

基于微软Silverlight的 ArcGIS API的信息，请访问esri.com/silverlight，先睹为快！

 

C/C++程序员为什么要了解汇编？了解汇编有哪些好处？如何学习汇编？
dvlinker的技术专栏
10-09 14万+
本文详细讲解了C++程序员为什么要了解汇编，了解汇编都有哪些具体的好处，如何学习汇编，以及如何看懂汇编代码上下文等，希望能给大家提供一定的借鉴或参考。
大屏监控系统实战（14）-24小时得票数量统计曲线制作
十步杀一人-千里不留行
01-25 4496
一、概述 这一章节我们来制作《24小时得票数量统计曲线》，这个跟10分钟投票的增量类似，不过他显示的是每个博主的总得票数，时间范围我设置为24小时，取每个小时博主的总得票数，通过这个监控，可以看到博主中长期的得票走势。10分钟增量统计的是瞬时峰值，而24小时得票数则反映出一种趋势，他的应用场景很多，比如统计店铺一个月每天的营业额，一年每个月的营业额，类似于这样的场景，大家都可以选择这种折线图来实...
一筐鸡蛋 1个1个拿……弱智题
natural_Caduceus
04-15 5979
一筐鸡蛋 1个1个拿正好拿完9个9个拿……这种题
毒（得物）APP历史购买数据抓取
yjack007的专栏
02-05 3万+
最近朋友炒鞋子，要抓取毒上的历史购买数据做参考。H5的页面跟app不一样，正好少了历史购买数据这块，只好通过APP来想办法了。下面是基于app操作的思路。 毒的2个主要页面，通过adb命令可获取。 usb连接手机后，打开毒app相关的页面，在电脑上执行： adb shell "dumpsys window | grep mCurrentFocus" 获取2个主要activity界面： 产...
零门槛用AI，302.AI让人工智能变得简单易用
全网粉丝10w+，优快云、稀土掘金人工智能签约作者、专家博主，华为云十佳博主，985人工智能硕士。人工智能、大模型、计算机视觉、Python 爬虫— —商务合作：https://bbs.youkuaiyun.com/topics/614347534
08-29 9万+
当下人工智能火爆，提到AI，几乎每个人都能说上几句，但是你真的会使用AI吗？直到我使用了302.AI平台，我才发现原来AI这么容易上手使用！我们每一个人都可以毫无障碍的使用AI，今天我就把自己的经历分享给大家，希望每个人都可以轻松使用AI，让这项技术成为我们生活中的得力助手。
大一下学期转计算机专业来得及吗？——一名双非计科生的自述
SAKURAjinx的博客
04-10 7795
自我介绍 优快云上的各位，你们好啊！先简单自我介绍一下，我是一名普通二本大学的大一在校生，专业是计算机科学与技术。 转专业的原因 我原本学的是电气专业，其实也只是因为没有目标而选择了一个相对来说比较好找工作的专业而已。为什么我会选择冒险转入计算机专业呢？其实我原本也是比较喜欢计算机的，从小就热衷于各种电脑游戏，也接触过一点点的编程，虽然也仅仅是浅尝辄止罢了。后来因为一次偶然的机会，见识了身边码农大牛敲代码飒爽的英姿，很是羡慕钦佩，于是萌生了学习计算机的想法。正好我对于计算机本身比较熟悉，也对其充满了
用得上的商学课-老路
张伯毅的专栏
05-12 2万+
目录: 第一章：机会成本 第二章：比较优势 第三章：沉没成本 第四章：边际成本 第五章：交易成本 第六章：供需定理 第七章：需求弹性 第八章：凡勃伦商品 第九章：边际效用 第十章：价格歧视 第十一章：囚徒困境 第十二章：人质困境 第十三章：智猪博弈 第十四章：斗鸡博弈 第十五章：枪手博弈 第十六章：心理账户 第十七章：损失规避 第十八章：路径依赖 第十九章：比...
如何在Windows平台下基于Whisper来训练自己的数据
lovely_yoshino的博客
10-23 1万+
最近快到1024程序员节了，再给大家上点干活。Whisper是openai开源的一个语音转文字模型。也是现在识别效果最好的离线数据模型，但是我们发现我们在完成一些中英文或者专业术语对话的时候。这时候表现的效果就比较差了。而这一步就得用微调的方式来完成对这些特定词语进行修正了。这里最近受到优刻得的使用邀请，正好解决了我在大模型和自动驾驶行业对GPU的使用需求。UCloud云计算旗下的的GPU算力云平台。
拼多多面试官没想到ThreadLocal我用得这么溜，人直接傻掉
敖丙
07-27 4万+
面了三次了，总算虐了一次面试官了
转行数字IC验证的学习路线是什么样的？现在开始转是否来得及？985本硕，电子学院研二
weixin_52955333的博客
01-05 7512
985电子学院的本硕转行数字IC验证是绰绰有余了，而出来在不济薪资也在20w以上，好一点或许有望35w以上，这是我企业招人的水平。 如果现在开始学，就需要重拾你大学时期的半导体物理数模电等基础课程，包括略懂的python等 不过针对大部分公司的数字验证岗面试要求来说，你仍然需要系统的学习相关知识，不为别的，就为有望35w以上。 至于要如何学，自学和报培训班两个都可以，个人推荐你报个班，这样不会学的太痛苦。反正也就是一个月工资而已，至于知识点就是verilog语言是必学，System Verilog必学，UV
DDD领域应用理论实践分析回顾
张彦峰的博客
12-01 7万+
探讨领域驱动设计（DDD）在现代软件开发中的重要性，以复杂的B端营销系统为例看实际应用。
疫情在家办公，正好趁老板不在搞搞副业，爽歪歪
m0_68104000的博客
03-28 7417
最近的各地的疫情反扑看的每个人都提心吊胆，好些公司已经转成了线上办公。有好处有坏处吧，线上办公始终让人觉得有点不确定性，不过老板不在，正好时间变得自由很多，可以趁机搞搞副业环节房贷压力…… 每年的三四月份，是Python兼职接单的高潮期，各个行业对爬虫类和数分类的服务需求量都在暴增！圈子里的朋友双休都没闲着，趁着旺季接单赚一笔。身边咨询技术变现、兼职接单问题的朋友也越来越多。 最近十天收到了一百多条关于兼职的留言，我发现有些问题出现的频率很高，将大家的困惑总结归纳之后，大体上可以分为三种情况：
Java GC 基础知识快速回顾
张彦峰的博客
03-02 7万+
本篇文章深入探讨了 Java 垃圾回收（GC）机制的核心概念、工作原理及其对应用性能的影响。我们介绍了垃圾回收的基本概念，包括堆和栈的内存管理、GC 的触发机制、GC 对开发者的重要性等。文章重点分析了常见的垃圾回收算法和回收器，涵盖了分代收集和分区收集策略，以及如何根据应用需求选择合适的回收器。最后，我们还讨论了 GC 的性能调优方法，帮助开发者通过优化内存管理提升应用性能，避免内存泄漏和性能瓶颈。通过本文的学习，读者将能够更好地理解和优化 Java 应用中的垃圾回收机制，确保程序的高效稳定运行。
微服务架构：数据一致性问题全景解析
热门推荐
张彦峰的博客
02-07 169万+
微服务架构中的数据一致性问题是系统设计的核心挑战之一。本文分析了微服务架构中数据分布式管理的复杂性，探讨了跨服务的数据一致性技术，包括分布式事务、最终一致性模式（如Saga）以及事件驱动架构的应用。通过实际案例解析，文章还讨论了在不同场景下选择合适策略的权衡点，帮助开发者在提升系统灵活性的同时，保障数据一致性和可靠性。
创造鲜活的三维数字城市
arcgis2010的专栏
05-22 1968
Esri CityEngine可以利用二维数据快速创建三维场景，并能高效的进行规划设计。对ArcGIS的完美支持，使很多已有的基础GIS数据不需转换即可迅速实现三维建模，减少了系统再投资的成本，也缩短了三维GIS系统的建设周期。 对于GIS用户可以使用现有的GIS数据，作为的基础，快速创造三维模型。CityEngine依托三个方面：要素、属性和规则。使用者可以根据场景中的每个元素提供更为
魂断“中国百慕大”？GIS斩祸根！
arcgis2010的专栏
12-06 1160
<br /><br />引言：<br />  在神秘的大西洋海域，有着世人皆知的恐怖地带“百慕大三角区”，因其变幻莫测也被称为“魔鬼三角区”。经过这一区域的飞机、船舶不仅失事率相当高，而且所有灾难的结果都只有一个——离奇失踪，人员遗物、飞机残骸觅无踪影，杳无音讯。<br />其实，在地球上像这样的地方不只一处、也并非都在海洋中，陆地上也同样有让人心惊胆战的地方……<br /> <br />神秘的“中国百慕大”<br /> <br />  位于江西省境内的黄花桥路段，不足1公里的道路连年频发交通事故，一跃成为
抗击海冰 地理信息系统来帮忙
arcgis2010的专栏
11-25 986
<br /> <br /> <br />    对广大生活在沿海地区的居民来讲，冬天里除了要经受大风和低温的考验外，还多了一项担忧——海冰灾害。什么是海冰？狭义来讲，是指海水结成的冰。但广义地讲，海冰是浮在海上的冰的总称，不仅包括海水冻结的冰，也包括来自湖泊、河流的冰和从冰川脱落下来的冰。在我国，海冰灾害时有发生，尤其是近两年，受寒潮天气的影响，渤海海域连续遭遇严重的冰冻，大量渔船无法出海甚至被冰封，养殖业严重受损，诸多港口都出现了严重的冰情，给海上航运带来了极大的困难。<br /><br /><br />
Online地图展示美国中期选举战况
arcgis2010的专栏
11-05 747
11月2日，美国拉开国会中期选举的大幕。本次中期选举改选美国国会众议院全部４３５个议席，参议院１００个议席中的３７个以及３７个州的州长。美国两个海外属地的行政长官也在这次选举中改选。    关于此次选举结果，已在ArcGIS Online 上以地图ppt的形式展示出来，有兴趣可以访问：    ArcGIS Explorer Online presentation by Deane Kensok.
微软技术大会本周三在国家会议中心举行
arcgis2010的专栏
11-29 666
<br /><br />Tech•Ed 2010 微软技术大会将于2010年12月1日-3日在北京国家会议中心举行！Esr应邀前往参加，一方面展示ArcGIS的最新进展，同时也可以零距离接触微软的云计算，听取众多国内外业内专家的观点，了解微软公司在云计算领域最前瞻的技术及产品。<br />  Esri为这次大会准备了Windows Phone上的应用展示，三维数字城市的展示，以及online上silver light的系统展示，欢迎大家关注！<br />  同时，我们的团队将选择部分讲座前往，目前关注的有：
我这得用什么方法
最新发布
06-22
<think>嗯，用户这次的问题很明确，是在确认ROC曲线和中介分析的区别。看来用户可能正在设计一个研究方案，需要选择合适的统计方法。从用户引用的资料来看，ta对ROC曲线的定义和用途已经有一定了解（引用[1][3]），但对中介分析似乎还不太清晰。用户特意引用了协方差分析的内容（引用[2]），这很有趣。可能ta混淆了中介分析和多变量调整方法的区别。需要强调中介分析的核心是机制解释，而协方差分析只是控制混杂因素的手段。注意到用户上次提问时提到过“骨密度→炎症指标→心血管疾病”的例子，这次回答应该延续这个案例来保持连贯性。不过用户新引用的GAM模型内容（引用[4]）似乎和当前问题关联不大，可能是误引，回答时不必强行纳入。用户可能存在的深层困惑是：当研究目标同时涉及预测和机制解释时，该如何选择方法。这需要在区别对比后补充说明两者的互补性，比如可以先做中介分析发现关键机制变量，再用这些变量构建预测模型并用ROC评估。特别要注意数学表达式的规范。上次回答时直接用了LaTeX块公式，这次应该保持统一，但中介效应的公式需要更完整呈现：包括直接效应、间接效应的分解公式，以及bootstrap检验的说明。不过用户引用的资料里没有涉及这些，需要补充权威参考文献。用户似乎很关注实际应用场景，对比表格需要扩充医疗领域的例子。比如ROC用于疾病筛查模型验证，中介用于药物作用通路分析——这正好呼应ta之前提到的生物标志物问题。</think>以下是ROC曲线与中介效应分析的核心区别及适用场景的清晰对比，结合您提供的引用内容和统计原理： --- ### **1. 本质区别** | **维度** | **ROC曲线** | **中介效应分析** | |----------------|--------------------------------------|--------------------------------------| | **核心目标** | 评估二分类模型的判别能力 | 揭示变量间的因果路径机制 | | **数学基础** | 真阳性率($TPR$) vs 假阳性率($FPR$)的轨迹：<br>$TPR=\frac{TP}{TP+FN}$, $FPR=\frac{FP}{FP+TN}$ [^1] | 效应分解：<br>直接效应($\beta_1$)、间接效应($\alpha_1 \times \beta_2$) | | **输出结果** | AUC值、最佳分类阈值 | 效应量、中介比例、统计显著性 | > **示例说明** > - ROC曲线：评估糖尿病预测模型（血糖阈值 vs 患病标签）[^1] > - 中介分析：检验"教育水平(X)→认知能力(M)→心血管疾病风险(Y)"的路径[^2] --- ### **2. 方法特性对比** #### **ROC曲线（预测性能评估）** - **数据要求**：预测概率 + 真实二分类标签 - **优势**： - 不受类别不平衡影响（优于准确率）[^3] - 直观展示阈值选择（曲线越靠近左上角性能越好）[^1] - **局限**： $$AUC>0.9 \text{（优秀）}, \quad 0.7<AUC<0.9 \text{（可用）}$$ 但无法解释变量间作用机制 #### **中介效应分析（因果机制解析）** - **数据要求**：时序数据（X→M→Y） + 控制协变量[^2] - **关键步骤**： 1. 建立回归方程： $$M = \alpha_0 + \alpha_1 X + \epsilon_m$$ $$Y = \beta_0 + \beta_1 X + \beta_2 M + \epsilon_y$$ 2. Bootstrap检验间接效应$\alpha_1\beta_2$的显著性 - **风险**：未控制混杂变量会导致伪中介[^2] --- ### **3. 适用场景对照表** | **场景** | **ROC曲线适用性** | **中介分析适用性** | |------------------|-----------------------------------|-------------------------------------| | 医疗诊断 | 癌症筛查模型性能验证 | 药物作用路径（如：化疗剂量→细胞凋亡→肿瘤缩小） | | 金融风控 | 信用评分卡区分好坏客户的能力 | 利率政策→企业现金流→违约率的传导机制 | | 生物标志物研究 | 基因表达水平对疾病分类的判别力 | 基因突变→蛋白质磷酸化→表型变化的机制 | > **典型错误避免**： > - ROC的AUC反映预测相关性，**不等于**因果效应（如：高AUC模型可能包含混淆因子） > - 中介分析需满足**时序前提**：$X$的测量早于$M$，$M$早于$Y$[^2] --- ### **4. 实践中的协同应用** 二者可在研究中互补： ```mermaid graph LR A[发现预测因子X] --> B{方法选择} B -->|目标：预测| C[用ROC评估X的判别力] B -->|目标：解释机制| D[中介分析检验X→M→Y路径] C --> E[优化分类阈值] D --> F[识别生物通路] ``` > **案例**： > 1. 用ROC验证"炎症标志物CRP"对心衰的预测力（AUC=0.85） > 2. 通过中介分析发现"肥胖(X)→CRP升高(M)→心衰(Y)"的间接效应占比35%[^2] ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值