MySql学习-3-命令脚本
一、数据库操作： 1. 登录数据库：mysql -uroot -p （这个password是自己设定的，我这里的没密码） 注意：（数据路径是：D:\MySql\install1\data 操作路径:D:\MySql\install1\bin） 2.登录成功查看效果：版本：select version();显示时间：select now(); 3.创建数据库：create database 数据库名 charset=utf8; 4. 删除数据库：drop database 数据库名; 5.切换数
EntityFrameworkCore教程：控制台程序生成数据库表
一、引言 我们使用Code First的方式来生成数据库表，我们先讲解如何在控制台项目中生成数据库表。 在前面的文章中，我们是直接在控制台项目中安装的Mircosoft.EntityFrameworkCore，在真实的项目中，我们很少这样使用，都是采用分层的结构，将EF Core有关的操作放在一个单独的类库项目里，下面的例子中我们就以这种分层的结构来进行讲解。项目结构如下图所示： 项目结构： EFCoreTest.Con：控制台项目，用来运行程序，在项目中会引用EFCoreTest.Data。
软件包管理-yum客户端配置文件
1，yum源路径：repodata所在的路径 2，服务器端不再需要配置文件； 3，客户端配置文件： a,/etc/yum.repos.d中已存在有repo文件，将这些repo文件移到指定位置 mkdir bak b,/etc/yum.repos.d中建立repo文件，并配置内容（本地） 图中根据repodata的位置路径，知道yum源路径为/misc/cd c,继续配置第二个仓库，epel仓库（网络） 多个yum源路径时，可以像图片一样放在同一个repo文件中，也可以放在多个r
洛谷 P3796 【模板】AC自动机（加强版）（AC自动机）
题目链接：https://www.luogu.com.cn/problem/P3796 AC自动机：复杂度$O( (N+M)\times L )$，N为模式串个数，L为平均长度，M为文章长度。 insert： 构造一个trie，然后标记一下每一个模式串的最后一个，即$vis$。 get_fail： 进行在trie上进行BFS，第一层点的失配指针指向根节点；之后的一个节点失配指针指向/他父亲的失配指针/指向的节点中/的儿子具有相同节点的位置。 这里有一个小优化：fail是用来寻找失配
安利自己写的easy-clipboard库
概述 clipboard.js 是一个非常好用的剪切板插件，但是随着前端框架的演变，用户与网页交互的方式越来越多，不仅限于点击事件了，并且在很多情况下，我们可能不需要它强制性自带的点击事件，所以我打算把 clipboard.js 精简一下，把点击事件删掉，这就是我开发 easy-clipboard 这个库的初衷。 值得说明的是，这是我第一个完整结合 ts + rollup + demo + jest 写的一个库！ 项目地址 遇到的困难 1.semantic error TS2531: Obje
【ML-6-2】集成学习-boosting（Adaboost和GBDT ）
目录 简述集成学习 Boosting介绍 AdaBoost算法 GBDT算法 总结 一、简述集成学习 上一篇博文已经介绍了：集成算法是由多个弱学习器组成的算法，根据个体学习器的生成方式不同，集成算法分成两类： 个体学习器之间不存在强依赖关系，可以并行化生成每个个体学习器，这一类的代表是Bagging（常见的算法有RandomForest）。 个体学习器之间存在强依赖关系，必须串行化生成的序列化方法，这一类的代表是Boosting（常见的算法有Adaboost、GBDT）； 本文只介绍第一类：
【ML-5】决策树算法
一、目录 目录 决策树初步认知 决策树--ID3算法 决策树--C4.5算法 决策树--CART CART算法的剪枝 决策树的优缺点 其他补充 总结 二、决策树初步认知 决策树算法在机器学习中算是很经典的一个算法系列了。它先按照影响结果的主要因素进行排序，选取最主要的因素先进行分岔，依次循环下去。各种方法不同之处在于选择的因素判别方法不同。 它既可以作为分类算法，回归算法，同时也特别适合集成学习比如随机森林。作为一个码农经常会不停的敲if-else 。If-else其实就已经在用到决策树的思想
问题解决：DataConversionWarning: A column-vector y was passed when a 1d array was expected
在进行预测时，使用代码如下：model_AdaBoostRegressor.fit(df_train人工智能
特征选择错误：The classifier does not expose "coef_" or "feature_importances_" attributes
在利用RFE进行特征筛选的时候出现问题，源代码如下：from sklearn.svm import 人工智能
今日推荐
周排行