- 博客(273)
- 资源 (12)
- 收藏
- 关注
RSS订阅
原创 React Hook详解 - useState、useEffect、useContext、useRef、自定义hook
在上面的操作中都不用清理的副作用，然而，有些副作用是需要去清理的，不清理会造成异常甚至内存泄漏，比如开启定时器，如果不清理，则会多次开启，从上面可以看到。因为涉及到 state 的状态合并，react 认为当你在事件绑定中操作 state 是非常频繁的，所以为了节约性能 react 会把多次。类似，可以接收一个新的 state 值更新，也可以函数式更新。进行合并为一次，最后在一次性的更新 state，而定时器里面操作 state 是不会把多次合并为一次更新的。返回一个state，以及更新state的函数。
2022-10-16 07:36:09
1808
1
原创 [持续更新]【LeetCode】笔记汇总
文章目录算法分类ArrayStringTwo Pointers算法分类Array1. 两数之和11. 盛最多水的容器String3. 无重复字符的最长子串5. 最长回文子串6. Z 字形变换Two Pointers3. 无重复字符的最长子串11. 盛最多水的容器...
2022-01-28 15:12:39
3753
原创 逻辑回归：分类问题的利器
在机器学习领域，分类问题极为常见，像垃圾邮件识别、疾病诊断预测、客户信用风险评估及图像内容分类等都离不开分类算法。而逻辑回归，虽名称含“回归”，实际是强大的分类算法，在众多场景表现出色。
2025-03-20 15:00:00
763
原创 医疗领域疾病风险预测：监督学习算法应用
监督学习是机器学习的一个重要分支，它基于有标签的数据进行学习。在疾病风险预测中，标签通常表示疾病的有无（如 0 代表无疾病，1 代表有疾病）。逻辑回归：是一种广泛应用于分类问题的线性模型。它借助逻辑函数（Sigmoid 函数）把线性回归的输出映射到 0 到 1 之间的概率值，以此表示样本属于某一类别的概率。决策树：基于树结构进行决策。它通过对特征进行划分构建决策树，每个内部节点是一个特征上的测试，每个分支是测试输出，每个叶节点是一个类别。随机森林：由多个决策树组成的集成学习模型。
2025-03-19 15:38:23
685
原创 金融领域股票价格预测：线性回归原理、实现与应用
线性回归是一种用于建立自变量和因变量之间线性关系的统计模型。在股票价格预测中，我们可以将一些可能影响股票价格的因素（如成交量、市场指数等）作为自变量，股票价格作为因变量，通过线性回归模型来建立它们之间的关系。线性回归的基本方程为：其中，(y) 是因变量（股票价格），(x_1, x_2, \cdots, x_n) 是自变量，(\beta_0, \beta_1, \cdots, \beta_n) 是待估计的系数，(\epsilon) 是误差项。
2025-03-19 15:00:00
469
原创 机器学习——数据清洗（缺失值处理、异常值处理、数据标准化）
在数据处理与分析流程中，数据清洗占据着极为关键的地位。原始数据往往充斥着各种问题，如缺失值、异常值，且数据的尺度和分布也可能存在差异，这些问题会严重影响后续数据分析和机器学习模型的准确性与性能。因此，有效的数据清洗操作必不可少，它能够提升数据质量，为挖掘数据价值奠定坚实基础。接下来，我们将深入探讨数据清洗中的缺失值处理、异常值处理以及数据标准化这三个重要方面。
2025-03-18 16:50:50
660
原创 机器学习——数据清洗（缺失值处理、异常值处理、数据标准化）
在数据处理与分析流程中，数据清洗占据着极为关键的地位。原始数据往往充斥着各种问题，如缺失值、异常值，且数据的尺度和分布也可能存在差异，这些问题会严重影响后续数据分析和机器学习模型的准确性与性能。因此，有效的数据清洗操作必不可少，它能够提升数据质量，为挖掘数据价值奠定坚实基础。接下来，我们将深入探讨数据清洗中的缺失值处理、异常值处理以及数据标准化这三个重要方面。
2025-03-18 16:32:03
1034
原创 数据获取与导入：从文件、数据库、网络获取数据
数据获取与导入是数据科学项目的重要开端。通过从文件、数据库和网络获取数据，我们能够为后续的数据处理、分析和机器学习模型训练提供丰富的数据资源。在实际应用中，需要根据数据的来源和特点，选择合适的工具和方法。同时，要注意数据的合法性、准确性和完整性，确保获取到的数据能够满足项目的需求。随着技术的不断发展，新的数据获取和导入方式也在不断涌现，我们需要持续学习和探索，以更好地应对各种数据获取的挑战。
2025-03-13 16:26:07
688
原创 模型评估指标详解：分类与回归场景
不同的模型评估指标适用于不同的场景和任务。在分类问题中，我们需要综合考虑准确率、精确率、召回率、F1 值、ROC 曲线和 AUC 值等指标，以全面评估模型的性能；在回归问题中，均方误差、均方根误差、平均绝对误差和决定系数等指标可以帮助我们衡量模型的预测准确性和拟合优度。在实际应用中，我们应根据数据特性、业务需求选择合适的评估指标，并结合多指标进行综合评估，同时注意评估集的选择，以确保评估结果的可靠性。
2025-03-13 16:17:38
853
原创 无监督学习——降维问题：主成分分析（PCA）详解
PCA 是一种强大的降维技术，在数据可视化、特征提取、数据压缩等方面具有广泛的应用。通过本文的介绍，我们了解了 PCA 的原理、应用场景、代码实现以及优缺点。在实际应用中，需要根据数据的特点和具体问题选择合适的降维方法，并对降维后的效果进行评估。
2025-03-13 16:17:16
786
原创 无监督学习——聚类问题：K-Means聚类算法详解
K-Means 聚类算法是一种简单而有效的无监督学习方法，在多个领域都有广泛的应用。通过本文的介绍，我们了解了 K-Means 算法的原理、应用场景、代码实现以及优缺点。在实际应用中，需要根据具体问题选择合适的聚类算法，并对数据进行预处理，以提高聚类的效果。
2025-02-26 10:00:33
1492
原创 监督学习——基于线性回归的波士顿房价预测：理论、实践与评估
波士顿房价数据集是机器学习领域的经典数据集之一，包含了波士顿地区 506 个不同地段房屋的相关信息以及对应的房价。该数据集包含 13 个特征和 1 个目标变量（房价），这些特征涵盖了房屋的物理属性、周边环境等多个方面，能够较为全面地反映影响房价的因素。均方误差（MSE）：MSE 衡量了预测值与真实值之间误差的平方的平均值。较小的 MSE 表示模型的预测值与真实值较为接近，误差较小。均方根误差（RMSE）：RMSE 是 MSE 的平方根，与房价具有相同的单位，更直观地反映了预测误差的大小。
2025-02-26 09:57:35
1139
原创 监督学习——分类问题：以鸢尾花分类案例为例
监督学习的核心在于使用已知标签的数据来训练模型。在训练过程中，模型会不断调整自身参数，以最小化预测结果与真实标签之间的误差。训练完成后，模型就可以对未见过的数据进行预测。鸢尾花数据集是机器学习领域的经典数据集之一，由英国统计学家和生物学家 Ronald Fisher 在 1936 年收集整理。该数据集包含了 150 个样本，每个样本代表一朵鸢尾花，分为 3 个不同的品种（类别），每个品种有 50 个样本。通过鸢尾花分类案例，我们详细展示了监督学习在分类问题中的应用流程。
2025-02-25 16:24:24
1035
原创 机器学习基础入门——机器学习库介绍（NumPy、pandas、Matplotlib）
在 Python 机器学习的领域中，NumPy、pandas 和 Matplotlib 是三个不可或缺的基础库。它们分别在数值计算、数据处理与分析以及数据可视化方面发挥着关键作用，极大地提升了开发效率与数据洞察能力。接下来，我们将通过丰富的代码示例详细了解这三个库。
2025-02-24 16:22:42
1164
原创 机器学习基础入门——Python 基础语法回顾（变量、数据类型、控制流等）
Python 作为一门简洁而强大的编程语言，其基础语法是开启编程世界大门的钥匙。无论是开发小型脚本，还是构建复杂的机器学习模型，扎实掌握 Python 基础语法都是至关重要的。接下来，让我们深入回顾变量、数据类型、控制流等核心内容。
2025-02-24 16:03:59
392
原创 初识机器学习：从零到一的奇妙旅程
机器学习（Machine Learning）是人工智能（AI）的一个子领域，旨在通过数据和算法让计算机系统具备自我学习和改进的能力。与传统的编程方式不同，机器学习不是通过明确的指令来完成任务，而是通过大量的数据训练模型，使机器能够从中学习规律，并在新的数据上进行预测或决策。简单来说，机器学习就是让机器从数据中“学习”如何完成任务，而不需要人为地编写具体的规则。机器学习是一个充满挑战和机遇的领域。通过本文，我们初步了解了机器学习的基本概念、应用领域以及基本流程。
2025-02-21 14:47:34
631
原创 深入解析Kubernetes中的Service Mesh：Istio实战指南
Service Mesh是一种专门用于处理服务间通信的基础设施层。它通常以轻量级网络代理的形式部署在每个服务实例旁边，负责处理服务之间的通信、监控、安全等问题。Service Mesh的核心思想是将服务通信的逻辑从业务代码中剥离出来，交给专门的网络层来处理。Istio是一个开源的服务网格平台，由Google、IBM和Lyft共同开发。它提供了流量管理、安全性、可观测性等功能，帮助开发者更好地管理和监控微服务架构中的服务通信。
2025-02-15 15:50:32
886
原创 深度学习实战：使用卷积神经网络（CNN）进行图像分类
通过以上步骤，我们成功构建了一个简单的卷积神经网络，并在CIFAR-10数据集上进行了训练和评估。这个模型虽然简单，但已经能够在测试集上达到不错的准确率。你可以尝试调整模型的架构、增加更多的层、使用不同的优化器或正则化技术，以进一步提高模型的性能。# 加载数据集# 数据归一化到[0, 1]范围# 将标签转换为one-hot编码# 构建模型Flatten(),])# 编译模型# 训练模型# 评估模型。
2025-01-18 10:58:56
497
原创 K近邻算法实战——电影分类算法
如图3-7所示，若将国际象棋棋盘放在二维直角坐标系中，格子的边长定义为1，坐标的x轴及y轴和棋盘方格平行，原点恰落在某一格的中心点，则王从一个位置走到其他位置需要的步数恰为二个位置的切比雪夫距离，因此切比雪夫距离也称为棋盘距离。关于这里的距离度量，这个电影分类的例子有2个特征，也就是2维的，可以使用我们高中学过的两点距离公式（两点距离公式其实就是欧氏距离在二维空间上的公式，也就是欧氏距离n的值为2的情况，欧氏距离也称为欧几里德距离）来计算距离，如图3-3所示。对数据进行归一化，避免量纲对计算距离的影响。
2025-01-18 10:54:32
1057
原创 Java线程池实战案例：优化Web服务器性能
在现代Web开发中，性能优化是确保应用高效运行和用户体验良好的关键。随着用户数量的增加和请求复杂度的提升，传统的单线程或简单多线程模型已难以满足高并发场景下的需求。Java线程池作为一种高效的并发处理机制，能够帮助我们优化Web服务器的性能，提升系统的吞吐量和响应时间。本文将通过一个实战案例，展示如何使用Java线程池来优化Web服务器的性能。
2025-01-17 10:57:48
915
原创 深入解析Java并发编程中的线程池
Java并发编程在现代软件开发中扮演着至关重要的角色。随着多核处理器的普及和分布式系统的广泛应用，高效地利用并发资源已成为提高系统性能的关键。线程池作为并发编程中的一种重要技术，能够显著减少线程的创建和销毁开销，提高系统的响应速度和吞吐量。本文将深入解析Java线程池的基本概念、工作原理、核心参数配置以及实战应用。
2025-01-17 10:00:25
777
原创 MAP评价指标在Faster R-CNN中的使用
MAP，即平均精度均值，是目标检测领域常用的性能评估指标。它结合了精度（Precision）和召回率（Recall）两个重要概念，能够全面反映模型的检测性能。精度表示检测出来的目标中，真正是目标对象的比例；而召回率则表示所有目标对象中，被检测出来的比例。通过计算不同召回率下的精度，并绘制PR（Precision-Recall）曲线，我们可以得到AP（Average Precision），即PR曲线下的面积。最后，对所有类别的AP取平均，即可得到MAP。
2025-01-15 14:37:09
480
原创 计算机视觉与深度学习：使用深度学习训练基于视觉的车辆检测器（MATLAB源码-Faster R-CNN）
本文介绍了如何使用MATLAB和深度学习技术训练一个基于Faster R-CNN的车辆检测器。通过数据准备、模型搭建、训练、评估和应用等步骤，我们实现了一个能够在图像和视频中准确检测和标注车辆的系统。未来，我们可以进一步优化模型参数、扩展数据集规模、提高检测精度和速度，以满足实际应用中的更高需求。
2025-01-15 14:30:27
1636
原创 Windows 11开发深度实践：从零开始构建一个功能丰富的UWP应用
以下是一个使用C#和XAML构建的简单UWP（Universal Windows Platform）应用程序的代码案例。这个应用程序将实现一个基本的登录功能，使用Windows Hello作为身份验证机制。请注意，这只是一个简单的示例，实际应用中可能需要更多的功能和安全性考虑。
2025-01-14 15:06:42
449
原创 Docker实战案例：构建并部署一个Node.js Web应用
在当今快速迭代的软件开发环境中，容器化技术以其轻量级、可移植性和高效资源利用等特性，成为了开发和运维团队不可或缺的工具。Docker作为容器技术的佼佼者，极大地简化了应用的打包、分发和部署流程。本文将通过一个完整的Node.js Web应用案例，展示如何使用Docker从代码编写到部署的全过程。
2025-01-14 11:08:55
1405
原创 【深度学习】PyTorch：手写数字识别
在本博客中，我们使用PyTorch实现了一个手写数字识别系统。我们首先准备了必要的环境，加载了MNIST数据集，然后构建了一个简单的卷积神经网络。通过训练，我们的模型在测试集上达到了不错的准确率，并通过可视化结果直观地展示了模型的性能。这个项目是深度学习入门的一个很好示例，展示了从数据准备到模型训练、评估的完整流程。希望这个博客能帮助你更好地理解PyTorch和深度学习的基础。
2025-01-13 14:20:48
600
原创 Elasticsearch技术标准解析与实践案例
Elasticsearch凭借其强大的倒排索引机制、高效的写操作和读操作性能，成为实现全文搜索和高亮显示等功能的理想选择。通过本文的案例分析，我们可以看到Elasticsearch在实际应用中的强大功能和灵活性。无论是电商平台、日志分析系统还是其他需要高效搜索和数据分析的场景，Elasticsearch都能提供强大的支持。
2025-01-13 09:57:03
1084
原创 构建云原生后端服务——以Spring Boot + Kubernetes为例
通过本文，我们展示了如何使用Spring Boot构建微服务，并通过Docker和Kubernetes进行容器化和部署。这种云原生架构提供了高度的灵活性和可扩展性，能够很好地支持现代应用的快速迭代和部署。此外，通过集成CI/CD工具，可以进一步提高开发效率和部署质量。
2025-01-10 14:54:20
1281
原创 Vue组件开发实战指南
Vue组件是Vue.js中自定义的、可复用的Vue实例。每个组件可以包含自己的模板（HTML）、样式（CSS）和逻辑（JavaScript）。通过组件化开发，我们可以将复杂的页面拆分成多个独立、可复用的部分，提高代码的可维护性和可读性。Vue组件是Vue.js框架的核心概念之一，通过组件化开发，我们可以构建出结构清晰、易于维护的大型应用。本文介绍了Vue组件的基础、组件间的通信方式以及两个实战应用示例。希望这些内容能帮助你更好地理解Vue组件的开发，并在实际项目中灵活运用。
2025-01-10 10:43:10
301
原创 k最近邻算法——电影分类及案例详解
如图3-7所示，若将国际象棋棋盘放在二维直角坐标系中，格子的边长定义为1，坐标的x轴及y轴和棋盘方格平行，原点恰落在某一格的中心点，则王从一个位置走到其他位置需要的步数恰为二个位置的切比雪夫距离，因此切比雪夫距离也称为棋盘距离。关于这里的距离度量，这个电影分类的例子有2个特征，也就是2维的，可以使用我们高中学过的两点距离公式（两点距离公式其实就是欧氏距离在二维空间上的公式，也就是欧氏距离n的值为2的情况，欧氏距离也称为欧几里德距离）来计算距离，如图3-3所示。对数据进行归一化，避免量纲对计算距离的影响。
2023-06-12 15:47:45
3949
原创 js_moment
Moment.js是一个轻量级的JavaScript时间库，它方便了日常开发中对时间的操作，提高了开发效率。日常开发中，通常会对时间进行下面这几个操作：比如获取时间，设置时间，格式化时间，比较时间等等。下面就是我对moment.js使用过程中的整理，方便以后查阅。
2023-01-29 10:17:19
694
原创 CentOS7下解决ifconfig command not found
确认IP地址是否设置正常，设置好如下所示，如果没有获取到IP地址则设置一个即可。插件，此插件中带有此命令。，可见下图所示，并没有。等待安装完成，再次输入。
2023-01-03 09:56:30
474
原创 dva搭建项目实例
编辑list.js// 当前model的名称。// 整个应用的state，由多个小的model的state以namespace为key合成 namespace : 'list' , // 该model当前的状态。// 数据保存在这里，决定了视图层的输出 state : {data : [ ] , } , // action处理器 处理同步动作，更新state reducers : {return {
2022-10-25 20:06:25
1160
原创 Java面试：SpringMVC核心组件
该方法实现的原理是 Controller 开始处理请求时，Spring 会将 request 对象赋值到方法参数中。在 Spring MVC 中可以通过配置和实现 HandlerInterceptor 接口，来实现自己的拦截器。题目解析：页面报错会提示：可选的参数“id”不能转为 null，因为基本类型不能赋值 null，所以会报错。自动类型转换指的是，Spring MVC 可以将表单中的字段，自动映射到实体类的对应属性上。业务的操作过程中可能会出现中文乱码的情况，以下是处理中文乱码的解决方案。
2022-10-24 15:46:51
629
原创 Spring、SpringMVC常用注解
正常情况下，你在userService里面要做一个userDao的setter/getter方法，但如果你用了@Autowired，你就不需要写getter/setter方法了，只需要在UserService的实现类中声明即可，之所以不用写，秘诀就在于java的“该注解使用@ControllerAdvice和@ResponseBody注解，使用此注解的类会被看作是一个ControllerAdvice，而该类中所有使用@ExceptionHandler注解的方法都默认使用了@ResponseBody注解。
2022-10-24 15:01:07
545
原创 @RequestMapping注解详细解析
SpringMVC路径中的占位符常用于restful风格中，当请求路径中将某些数据通过路径的方式传输到服务器中，就可以再对于的。SpringMVC接收到指定的请求，就会来找到在映射关系中对应的控制器方法开处理这个请求。属性是一个字符串类型的数组，表示该请求映射能匹配多个请求地址所对应的请求。对于处理指定请求方式的控制器方法，SpringMVC中提供了。注解，将占位符所表示的数据赋值给控制器方法的形参。属性必须设置，至少通过请求地址匹配请求映射。属性通过请求的请求地址匹配请求映射。表示传输的数据，在通过。
2022-10-24 07:40:26
1331
原创 @Transactional注解详细说明
注解只有作用到public方法上事务才生效，不推荐在接口上使用；避免同一个类中调用l 注解的方法，这样会导致事务失效；正确的设置的和属性，否则事务可能会回滚失败;被注解的方法所在的类必须被 Spring 管理，否则不生效；底层使用的数据库必须支持事务机制，否则不生效；
2022-10-24 07:11:35
863
原创 sql优化的一些方法
指出MySQL能使用哪个索引在表中找到记录，查询涉及到的字段上若存在索引，则该索引将被列出，但不一定被查询使用（该查询可以利用的索引，如果没有任何索引显示 null）,就会有两列,两个id.，不同的id代表不同子查询，id越大优先级越高，越先被解析,如果id相同,则按照从上到下的顺序查找.列与索引的比较，表示上述表的连接匹配条件，即哪些列或常量被用于查找索引列上的值。显示这一行的数据是关于哪张表的，有时不是真实的表名字，可能是简称。表示索引中使用的字节数，可通过该列计算查询中使用的索引的长度（
2022-10-23 06:45:40
1009
基于java的股票系统的实现
2022-06-08
基于java的农田管理系统的实现
2022-06-08
JAVA实现基于知识图谱的古诗词智能问答
2022-06-08
Java实现基于数据挖掘的图书馆书目推荐
2022-06-08
Java+React实现kmeans宿舍管理系统
2022-06-08
INTEL Parallel Studio XE 2016 With Updates License
2019-06-27
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人