<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[jql20182107的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/jql20182107</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; jql20182107]]></copyright><item><title><![CDATA[AOP记录操作日志【SpringBoot+MyBatis-Plus+MySQL】]]></title><link>https://blog.youkuaiyun.com/jql20182107/article/details/139417894</link><guid>https://blog.youkuaiyun.com/jql20182107/article/details/139417894</guid><author>jql20182107</author><pubDate>Mon, 03 Jun 2024 16:19:42 +0800</pubDate><description><![CDATA[Retention：描述注解保留的时间范围，取值有三种：RetentionPolicy.SOURCE(源文件保留)、CLASS(编译期保留，默认值)、RUNTIME(运行期保留，可以通过反射获取注解信息)；@Target: 描述注解的使用范围,取值有ElementType.TYPE(类、接口、枚举类)、FIELD(成员变量)、METHOD(成员方法)等等；@Inherited:使被它修饰的注解具有继承性（如果某个类使用了被@Inherited修饰的注解，则其子类将自动具有该注解）。]]></description><category></category></item><item><title><![CDATA[【240422】后端开发之角色管理、部门管理模块开发流程及技术说明]]></title><link>https://blog.youkuaiyun.com/jql20182107/article/details/138335218</link><guid>https://blog.youkuaiyun.com/jql20182107/article/details/138335218</guid><author>jql20182107</author><pubDate>Tue, 30 Apr 2024 09:44:31 +0800</pubDate><description><![CDATA[① 查询角色页面结果 ：调用service层的page( )方法拿到PO页面结果 -> 复制到BO页面对象。角色表删除角色记录 -> 角色菜单关联表基于角色id删除记录 -> 角色菜单关联表基于角色id删除记录。删除之前该角色所有的菜单权限 -> 拼接角色菜单列表对象，saveBatch( )保存角色菜单信息。③ 构造页面：基于页面大小、页数、对象集合，对象总数构造页面。② 拷贝给VO对象：将BO页面对象的每一行记录拷贝到VO。查询角色页面结果 -> 拷贝给VO对象 -> 构造页面。]]></description><category></category></item><item><title><![CDATA[【240419】后端开发之用户管理模块开发流程及技术说明]]></title><link>https://blog.youkuaiyun.com/jql20182107/article/details/138276502</link><guid>https://blog.youkuaiyun.com/jql20182107/article/details/138276502</guid><author>jql20182107</author><pubDate>Mon, 29 Apr 2024 10:23:01 +0800</pubDate><description><![CDATA[用户管理模型包括创建用户、修改用户、删除用户、查询用户、分页查询、根据用户角色查询树型菜单等]]></description><category></category></item><item><title><![CDATA[【240418】后端开发之登录模型开发流程及技术说明]]></title><link>https://blog.youkuaiyun.com/jql20182107/article/details/138270353</link><guid>https://blog.youkuaiyun.com/jql20182107/article/details/138270353</guid><author>jql20182107</author><pubDate>Sun, 28 Apr 2024 13:57:06 +0800</pubDate><description><![CDATA[开发登录模型的基本流程及关机技术说明]]></description><category></category></item><item><title><![CDATA[【线性模型】]]></title><link>https://blog.youkuaiyun.com/jql20182107/article/details/126674937</link><guid>https://blog.youkuaiyun.com/jql20182107/article/details/126674937</guid><author>jql20182107</author><pubDate>Sat, 03 Sep 2022 11:42:59 +0800</pubDate><description><![CDATA[在实践中，一般首选岭回归，但如果特征很多且认为有几个是重要的，那么选择lasso可能更好。scikit-learn还提供了ElasticNet类，结合了Ridge和Lasso的惩罚项。]]></description><category></category></item><item><title><![CDATA[【K近邻】]]></title><link>https://blog.youkuaiyun.com/jql20182107/article/details/126670042</link><guid>https://blog.youkuaiyun.com/jql20182107/article/details/126670042</guid><author>jql20182107</author><pubDate>Fri, 02 Sep 2022 21:32:27 +0800</pubDate><description><![CDATA[KNeighbors有2个重要参数：①邻居个数：在实践中，3-5个邻居个数往往可以得到较好的结果②数据点之间距离的度量方法：默认使用欧氏距离如何设置超参数：② 交叉验证：Split data into folds , try each fold as validation and average the results优点：容易理解、构建速度快缺点：如果训练集很大，预测速度会比较慢；]]></description><category></category></item><item><title><![CDATA[【Python机器学习基础教程】第一张引言知识总结及代码总结]]></title><link>https://blog.youkuaiyun.com/jql20182107/article/details/126668608</link><guid>https://blog.youkuaiyun.com/jql20182107/article/details/126668608</guid><author>jql20182107</author><pubDate>Fri, 02 Sep 2022 18:27:39 +0800</pubDate><description><![CDATA[【代码】【Python机器学习基础教程】第一张引言知识总结及代码总结。]]></description><category></category></item><item><title><![CDATA[【李航统计学习】学习笔记第七篇第六章：逻辑斯谛回归与最大熵模型]]></title><link>https://blog.youkuaiyun.com/jql20182107/article/details/126283439</link><guid>https://blog.youkuaiyun.com/jql20182107/article/details/126283439</guid><author>jql20182107</author><pubDate>Thu, 11 Aug 2022 16:43:26 +0800</pubDate><description><![CDATA[假设满足所有的约束条件的模型集合为：定义在条件概率分布P(Y|X)上的条件熵为：则模型集合C中的条件熵H§最大的模型称为最大熵模型。式中的对数为自然对数。]]></description><category></category></item><item><title><![CDATA[统计学习——简单阐述显著性水平α、p-value之间的关系]]></title><link>https://blog.youkuaiyun.com/jql20182107/article/details/126215337</link><guid>https://blog.youkuaiyun.com/jql20182107/article/details/126215337</guid><author>jql20182107</author><pubDate>Sun, 07 Aug 2022 18:44:44 +0800</pubDate><description><![CDATA[P值：原假设成立的情况下拒绝原假设的概率，即冤枉原假设的概率。p拒绝原假设。p≥α 冤枉的概率很大 ——>原假设成立。显著性水平α通常取0.01/0.05。]]></description><category></category></item><item><title><![CDATA[【李航统计学习】学习笔记第六篇第五章：决策树之CART算法]]></title><link>https://blog.youkuaiyun.com/jql20182107/article/details/126196747</link><guid>https://blog.youkuaiyun.com/jql20182107/article/details/126196747</guid><author>jql20182107</author><pubDate>Sat, 06 Aug 2022 18:09:08 +0800</pubDate><description><![CDATA[分类与回归树（classification and regression tree , CART）是应用广泛的决策树学习算法。CART同样由特征选择、树的生成及剪枝组成，既可以用于分类也可以用于回归。CART是在给定输入随机变量X条件下输出随机变量Y的条件概率分布的方法学习方法。CART假设决策树是二叉树，内部节点特征的取值为“是”和“否”，左分支是取值为“是”的分支，右分支是取值为“否”的分支。CART算法由以下两步组成：（1）决策树生成：基于训练数据集生成决策树，生成的决策树要尽量大；...]]></description><category></category></item><item><title><![CDATA[【李航统计学习】学习笔记第五篇第五章：决策树]]></title><link>https://blog.youkuaiyun.com/jql20182107/article/details/126189535</link><guid>https://blog.youkuaiyun.com/jql20182107/article/details/126189535</guid><author>jql20182107</author><pubDate>Sat, 06 Aug 2022 11:22:51 +0800</pubDate><description><![CDATA[决策树（decision tree）是一种基本的分类与回归方法。其主要有哦电视模型具有可读性，分类速度快。学习时，利用训练数据，根据损失函数最小化的原则建立决策树模型。预测时，对新的数据，利用决策树模型进行分类。决策树学习通常包含3个步骤：特征选择、决策树的生成和决策树的修剪。...]]></description><category></category></item><item><title><![CDATA[【李航统计学习】学习笔记第四篇：scikit-learn 朴素贝叶斯类库使用小结]]></title><link>https://blog.youkuaiyun.com/jql20182107/article/details/126084979</link><guid>https://blog.youkuaiyun.com/jql20182107/article/details/126084979</guid><author>jql20182107</author><pubDate>Sun, 31 Jul 2022 14:00:04 +0800</pubDate><description><![CDATA[朴素贝叶斯是一类比较简单的算法，scikit-learn中朴素贝叶斯类库的使用也比较简单。相对于决策树，KNN之类的算法，朴素贝叶斯需要关注的参数是比较少的，这样也比较容易掌握。在scikit-learn中，一共有3个朴素贝叶斯的分类算法类。分别是GaussianNB，MultinomialNB和BernoulliNB。其中GaussianNB就是先验为高斯分布的朴素贝叶斯，MultinomialNB就是先验为多项式分布的朴素贝叶斯，而BernoulliNB就是先验为伯努利分布的朴素贝叶斯。https。..]]></description><category></category></item><item><title><![CDATA[【李航统计学习】学习笔记第三篇第四章：朴素贝叶斯法]]></title><link>https://blog.youkuaiyun.com/jql20182107/article/details/126076381</link><guid>https://blog.youkuaiyun.com/jql20182107/article/details/126076381</guid><author>jql20182107</author><pubDate>Sat, 30 Jul 2022 19:49:52 +0800</pubDate><description><![CDATA[朴素贝叶斯法(naiveBayes)是基于贝叶斯定理和特征条件独立假设的分类方法。对于给定的训练数据聚集，首先基于特征条件独立假设学习输入输出的联合概率分布；然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。.........]]></description><category></category></item><item><title><![CDATA[【李航统计学习】学习笔记第二篇第二章：感知机]]></title><link>https://blog.youkuaiyun.com/jql20182107/article/details/126068798</link><guid>https://blog.youkuaiyun.com/jql20182107/article/details/126068798</guid><author>jql20182107</author><pubDate>Sat, 30 Jul 2022 11:45:09 +0800</pubDate><description><![CDATA[感知机（perceptron）是二类分类的线性分类模型，其输入为实例的特征向量，输出为实例的类别，取+1和-1二值。感知机对应于输入空间（特征空间）中将实例划分为正负两类的分离超平面，属于。感知机学习旨在求出将训练数据进行线性划分的分离超平面，为此导入基于误分类的损失函数，利用梯度下降法对损失函数进行极小化，求得感知机模型。...]]></description><category></category></item><item><title><![CDATA[【李航统计学习】学习笔记第一篇第一章：统计学习及监督学习概论]]></title><link>https://blog.youkuaiyun.com/jql20182107/article/details/126027947</link><guid>https://blog.youkuaiyun.com/jql20182107/article/details/126027947</guid><author>jql20182107</author><pubDate>Thu, 28 Jul 2022 13:59:49 +0800</pubDate><description><![CDATA[贝叶斯学习（Bayesianlearning）的主要想法是在概率模型的学习和推理中，利用贝叶斯定理，计算在给定数据条件下模型的条件概率，即后验概率，并应用这个原理进行模型的估计，以及对数据的预测。过拟合是指学习时选择的模型所包含的参数过多，以至出现这一模型对已知数据预测的很好，但对未知数据预测的很差的现象。特征空间每个具体的实例是一个实例（instance），通常由特征向量（featurevector）表示，这时，所有特征向量存在的空间称为特征空间（featurespace）。......]]></description><category></category></item><item><title><![CDATA[JS判断单选框是否选中]]></title><link>https://blog.youkuaiyun.com/jql20182107/article/details/123529882</link><guid>https://blog.youkuaiyun.com/jql20182107/article/details/123529882</guid><author>jql20182107</author><pubDate>Wed, 16 Mar 2022 16:36:08 +0800</pubDate><description><![CDATA[判断身份信息和性别是否选中
function checkNotNull1(obj){
var nodex = document.getElementsByName(obj);
var msg = document.getElementById(obj+“Msg”);
var div = document.getElementById(obj+“Div”);
var flag = false;
for(var i=0;i&lt;nodex.length;i++){
//选择框不为空
if(nodex[i].c]]></description><category></category></item><item><title><![CDATA[java直接打印数组 结果输出[I@28d93b30]]></title><link>https://blog.youkuaiyun.com/jql20182107/article/details/123401246</link><guid>https://blog.youkuaiyun.com/jql20182107/article/details/123401246</guid><author>jql20182107</author><pubDate>Thu, 10 Mar 2022 14:58:12 +0800</pubDate><description><![CDATA[一个简单的错误：

我的预期打印结果为-&gt;数组的内容
但是打印结果为：

总结：
直接打印数组后 输出结果为数组的内存地址 而非数组的内容
解决方案：
-使用Arrays.toString()方法（该方法可以将任意类型的数组转换为字符串）
如下：

打印结果为：
扩展：
-同样的，如果想打印多维数组可以使用Arrays.deepToString方法

结果为


...]]></description><category></category></item><item><title><![CDATA[我的mybatis学习笔记（一）——简单了解mybatis]]></title><link>https://blog.youkuaiyun.com/jql20182107/article/details/106683057</link><guid>https://blog.youkuaiyun.com/jql20182107/article/details/106683057</guid><author>jql20182107</author><pubDate>Thu, 11 Jun 2020 14:15:03 +0800</pubDate><description><![CDATA[一、mybtis简介
1、Mybatis原为Apache公司门下，原来叫ibatis（之前有1.0、2.0) ；后转为Google公司的Github下才改为Mybatis(3.0)
2、传统的.JDBC与数据库访问的方式：

特点：功能简单、sql语句写在java代码里；
缺点：硬编码高耦合
3、整体解决框架
（1）：Hibernate:全自动化映射（旨在消除sql，HQL用于sql优化）

希望：sql语句交给开发人员来编写；sql不失去灵活性
（2)Mybatis:半自动化框架

特点：sql与java]]></description><category></category></item></channel></rss>