第二章笔记 关系数据模型

文章介绍了关系数据模型的核心概念,包括数据结构(二维表)、数据完整性(实体完整性、引用完整性和域约束)以及数据运算(关系代数)。实体完整性强调主键的唯一性,引用完整性涉及外键约束,确保数据间的关联。此外,还提到了域约束确保字段的数据类型和取值范围,而业务规则约束则通过触发器实现。最后,文章阐述了关系代数的一元和二元运算,如选择、投影、连接等。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这章较为简略,还是要看着表的例子来学习,尤其关系代数多做题才行

2.1 关系数据模型

2.1.1关系数据模型概述

1)数据模型:描述数据数据间的关系,对数据的约束的有关概念。数据模型包括数据结构,数据完整性约束规则,数据运算三个部分。其目的是提供一个框架,在此基础上,实现数据操作简单,做到数据正确,完整,安全。

2)关系数据模型:关系来自数学的概念,通俗的说法就是表。

3)数据结构:二维表

4)数据完整性约束规则:实体,引用,域,约束规则

5)数据运算:关系代数

2.1.2关系数据模型的特性

1)专一性:数据严格按类分表保存

2)全局性:一个数据在数据库中只存一份,不能重复存储,一个类只对应一个表。

3)联系性:表与表之间有联系(通过主键与外键)

2.2实体完整性约束

其实就是主键约束,主键不能重复且不能为空,主键的确定要精准其包含的列不能多也不能少

当用户往一个表中添加一行数据时,可能它已经在表中存在,当对已有行进行修改时,改后的行与表中已有行出现重复,DBMS就会拒绝。

2.3引用完整性约束

其实就是外键约束,在含有外键的约束中,添加行数据或者修改已有行数据中的外键字段的值时,DBMS要检查,看是否会违背外键约束。一个表如果被别的表引用了,那么在删除行数据或修改行数据中的主键字段时要执行连带操作,维系关系。在定义表时,不能遗漏外键

2.4域约束和业务规则约束

域约束:在表的模式中,每个字段都有数据类型和取值范围的约束

业务规则约束:数据库中的数据要求完整,也就是必须满足业务规则要求(用触发器来实现)

2.5关系代数

一元运算:(摘取部分) 

        选择σ:对行进行操作,格式σ条件(表名)

        投影π:对列进行操作,格式π字段名(表名)

二元运算(格式:表名 符号 表名):

        横向连接:

                笛卡尔乘积×:两个表的所有组合,行*行,列+列,如果出现同名字段要改名

                自然连接⋈:两个表期中一个表的主键是另一个表的外键,将含有外键的表外键字段扩展为详细字段,没有产生联系的行就不会出现在结果中,顺序很重要,主要是主键与外键

        纵向连接:

                并⋃:类似于概率论里的并

                减-:类似于概率论里的减

                交⋂:类似于概率论的交

                除÷:两个表做除法,首先去除共同的列,然后再找出包含除数位置上共同字段数据均包含在被除数表的所有行并去重显示。

                

目录

2.1 关系数据模型

2.2实体完整性约束

2.3引用完整性约束

2.4域约束和业务规则约束

2.5关系代数


### 关于周志华《机器学习》(西瓜书)第二章的学习笔记 #### 模型评估与选择概述 模型评估与选择是机器学习领的重要组成部分,旨在通过合理的方法评价不同模型的表现并挑选最优者。这一过程不仅涉及如何衡量单个模型的好坏,还包括怎样对比多个候选方案以做出最佳决策。 #### 偏差、方差噪声的概念解析 偏差度量了学习算法的期望预测与实际结果之间的差距,反映了算法自身的拟合精度;方差描述的是相同规模训练集变化引起的学习效果波动情况,体现了数据扰动带来的影响;而噪声则设定了给定任务下所有可能采用的学习方法能达到的最佳预期泛化误差界限,揭示了问题本身固有的复杂性挑战性[^2]。 #### 性能度量指标——P-R图及其应用 为了更直观地展示各类分类器的工作特性,通常会绘制精确率-召回率(Precision-Recall, P-R)曲线来辅助分析。当面对多组实验结果时,可以通过观察这些图形相互间的位置关系来进行优劣评判:如果某条曲线始终位于另一条之上,则表明前者具有更好的整体表现;而对于那些存在交点的情况,则需进一步计算各自下方区面积大小作为判断依据之一。此外,“平衡点”作为一种特殊的性能测度,在特定条件下也能提供有价值的参考信息[^3]。 #### 偏差-方差分解理论简介 该理论为理解学习算法的一般化能力提供了框架性的指导思路,通过对平均测试错误率实施拆分操作,可以深入剖析导致过拟合现象背后的原因所在,并据此探索改进措施的方向。具体而言,总误差由三部分构成——不可约减误差点(即噪声)、平方形式表达出来的偏差项以及线性累加而成的方差成分[^4]。 ```python import numpy as np from sklearn.model_selection import train_test_split from sklearn.metrics import precision_recall_curve, auc def evaluate_model_performance(model, X, y): """ 计算并返回PR曲线下面积(AUC),用于量化模型的整体性能。 参数: model (object): 已经训练好的分类模型实例。 X (array-like of shape (n_samples, n_features)): 测试特征矩阵。 y (array-like of shape (n_samples,)): 对应的真实标签向量。 返回: float: PR AUC得分。 """ # 划分训练集/验证集 X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2) # 使用训练集拟合模型 model.fit(X_train, y_train) # 获取验证集中各观测对应的概率估计值 probas_pred = model.predict_proba(X_val)[:, 1] # 绘制PR曲线并求得AUC分数 precisions, recalls, _ = precision_recall_curve(y_val, probas_pred) pr_auc_score = auc(recalls, precisions) return pr_auc_score ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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