【统计分析数学模型】判别分析(四):机器学习分类算法

news2024/12/23 16:02:52

在这里插入图片描述

【统计分析数学模型】判别分析(四):机器学习分类算法

  • 一、机器学习分类算法
    • 1. 交叉验证方法
    • 2. 案例数据集
    • 3. 数据标准化
  • 二、决策树模型
    • 1. 基本原理
    • 2. 计算步骤
    • 3. R语言实现
  • 三、K最邻近分类
    • 1. 基本原理
    • 2. K值的选择
    • 3. R语言实现
  • 四、支持向量机
    • 1.基本原理
    • 2. R语言实现
  • 五、神经网络分类
    • 1. 基本原理
    • 2. BP神经网络
    • 3. R语言实现
  • 六、随机森林分类
    • 1. 基本原理
    • 2. R语言实现
  • 七、总结


一、机器学习分类算法

机器学习中的分类算法也常常用来解决判别分析问题。常见的分类算法包括决策树、K最邻近、支持向量机、神经网络、随机森林等。

1. 交叉验证方法

在用这些算法建立分类模型时,如果用全部数据建立模型并用回代法进行模型的内部验证,可能会出现过度拟合现象。因此,在建模时需要进行交叉验证以避免过度拟合问题。常用的交叉验证方法有以下3种:

  1. 保留交叉验证(hand-out cross validation)
    将样本集随机分成训练集(training set)和验证集(test set),比例通常是7∶3或8∶2。使用模型在训练集上学习得到假设,然后使用验证集对假设进行验证,看模型预测的准确性,选择误差小的模型。
  2. k折交叉验证(k-fold cross validation)
    把样本集分成k份,分别使用其中的k−1份作为训练集,剩下的1份作为交叉验证集,最后通过所有模型的平均误差来评估模型参数。
  3. 留一法验证(leave-one-out validation)
    实质上是n折交叉验证,n是样本集的大小,就是只留下一个样本来验证模型的准确性。

2. 案例数据集

以MASS包中的数据集Pima.tr和Pima.te为例说明常见机器学习分类算法的实现方法。

它们是居住在美国某地区皮马印第安人后裔中部分女性的糖尿病调查数据。两个数据框中的变量都是一样的,其含义如下。

  • npreg:怀孕次数
  • glu:血糖浓度
  • bp:舒张压(单位:mmHg)
  • skin:三头肌皮褶厚度(单位:mm)
  • bmi:体质指数
  • ped:糖尿病家族史因素
  • age:年龄
  • type:是否患有糖尿病(Yes/No)

其中,结局变量为type,其余均为数值型的预测变量。

3. 数据标准化

首先,加载这两个数据集并分别将它们作为训练集和测试集:

library(MASS)
data(Pima.tr)
data(Pima.te)

由于预测变量的测量单位之间有较大差异,下面用函数scale()将它们标准化,都转换为均值为0、标准差为1的变量,并将训练集命名为data.train,测试集命名为data.test:

data.train<-Pima.tr
data.train[,-8]<-scale(data.train[,-8])
data.test<-Pima.te
data.test[,-8]<-scale(data.test[,-8])

二、决策树模型

1. 基本原理

决策树(decision tree)模型 是一种简单易用的非参数分类方法。它不需要对数据的分布有任何的先验假设,计算速度快,结果也容易解释。

分类回归树方法(CART) 是决策树模型中的一种经典算法,CART分为分类树(classification tree)和回归树(regression tree)两种。

分类树用于因变量为分类数据的情况,树的末端为因变量的类别;回归树用于因变量为连续型变量的情况,树的末端给出相应类别中的因变量描述或预测。

2. 计算步骤

  • 首先对所有自变量和所有分隔点进行评估,最佳的选择是使分隔后组内的数据“纯度”更高,即组内目标变量的变异最小;
  • 再对分类树模型进行修剪或称为剪枝:如果不加任何限制,过度复杂的分类树模型很容易产生“过度拟合”的问题。

通常使用CP参数(complexity parameter)控制树的复杂度。CP参数取值越小,模型越复杂,越偏向于过度拟合。

通常的做法是先建立一个枝节较多的分类树模型,再使用交叉验证的方法来估计不同“剪枝”条件下各个模型的误差,从而选择误差最小的分类树模型。

3. R语言实现

library(rpart)
set.seed(123)
pima.rpart<-rpart(type~.,data=data.train,control=rpart.control(cp=0))
pima.rpart

决策树模型的输出结果看起来像是以树状形式排列的一系列if-else语句。每行括号前面的数字代表节点,行缩进表示分支,*表示叶节点,loss表示误差数量。各节点后括号里的数值代表了各类别的比例:

> pima.rpart
n= 200 

node), split, n, loss, yval, (yprob)
      * denotes terminal node

 1) root 200 68 No (0.66000000 0.34000000)  
   2) glu< -0.01484184 109 15 No (0.86238532 0.13761468)  
     4) age< -0.3289163 74  4 No (0.94594595 0.05405405) *
     5) age>=-0.3289163 35 11 No (0.68571429 0.31428571)  
      10) glu< -1.072718 9  0 No (1.00000000 0.00000000) *
      11) glu>=-1.072718 26 11 No (0.57692308 0.42307692)  
        22) bp>=-0.2839819 19  6 No (0.68421053 0.31578947) *
        23) bp< -0.2839819 7  2 Yes (0.28571429 0.71428571) *
   3) glu>=-0.01484184 91 38 Yes (0.41758242 0.58241758)  
     6) ped< -0.4923593 35 12 No (0.65714286 0.34285714)  
      12) glu< 1.32724 27  6 No (0.77777778 0.22222222) *
      13) glu>=1.32724 8  2 Yes (0.25000000 0.75000000) *
     7) ped>=-0.4923593 56 15 Yes (0.26785714 0.73214286)  
      14) bmi< -0.597043 11  3 No (0.72727273 0.27272727) *
      15) bmi>=-0.597043 45  7 Yes (0.15555556 0.84444444) *

用plot()函数绘制分类树:

plot(pima.rpart,uniform=TRUE,margin=0.1)
text(pima.rpart,use.n=TRUE)

在这里插入图片描述
寻找最小xerror值对应的CP值,并由此CP值决定树的规模,再用函数prune()对树模型进行剪枝:

cptable<-as.data.frame(pima.rpart$cptable)
cpvalue<-cptable[which.min(cptable$xerror),"CP"]
cpvalue#最小的CP值
prune.model<-prune(pima.rpart,cpvalue)

画出剪枝后的模型对象prune.model的分类树模型:

plot(prune.model,uniform=TRUE,margin=0.1)
text(prune.model,use.n=TRUE)

在这里插入图片描述
分类树模型对于建模数据的预测结果:

probs.rp<-predict(prune.model)
head(probs.rp)

pred.train<-predict(prune.model,type="class")
pred.train[1:6]#查看前6个分类结果

结果如下:

> head(probs.rp)
            No       Yes
[1,] 0.8623853 0.1376147
[2,] 0.2500000 0.7500000
[3,] 0.8623853 0.1376147
[4,] 0.7777778 0.2222222
[5,] 0.8623853 0.1376147
[6,] 0.8623853 0.1376147

> pred.train[1:6]
[1] No  Yes No  No  No  No 
Levels: No Yes

建立混淆矩阵查看判别效果:

cm.train<-table(pred.train,data.train$type)
cm.train

sum(diag(cm.train))/sum(cm.train)#计算回判正确率

结果如下:

> cm.train
          
pred.train  No Yes
       No  123  24
       Yes   9  44

> sum(diag(cm.train))/sum(cm.train)#计算回判正确率
[1] 0.835

一共有33名对象被错判,回判正确率为83.5%,这个预测是针对训练集进行的。

下面用测试数据进行外部验证:

pred.test<-predict(prune.model,newdata=data.test[,-8],type="class")
cm.test<-table(pred.test,data.test$type)
cm.test

sum(diag(cm.test))/sum(cm.test)#计算预测正确率

结果如下:

> cm.test
         
pred.test  No Yes
      No  193  49
      Yes  30  60
 
> sum(diag(cm.test))/sum(cm.test)#计算预测正确率
[1] 0.7620482

预测正确率为76.2%。一般来说,外部验证的正确率会低于内部验证的正确率(回判正确率)。

三、K最邻近分类

1. 基本原理

K最邻近(K-nearest neighbor, KNN)算法是一个理论上比较成熟的算法,也是最简单的分类算法之一。

其基本思路是,如果一个样品在特征空间中与K个最邻近(或最相似)样品中的大多数属于某一个类别,则将该样品判为这个类别。

2. K值的选择

KNN算法在进行判别时,主要依靠样品周围若干邻近样品的信息,选择不同的K值可能得到不同的分类结果。

如果选择较小的K值,就相当于用较小邻域中的训练样品进行预测,“学习”的近似误差会减小,只有与待判样品较近的训练样品才会对预测结果起作用。但其缺点是“学习”的估计误差会增大,预测结果对邻近的样品点非常敏感。换句话说,K值的减小意味着整体模型变得复杂,容易发生过度拟合现象。

如果选择较大的K值,就相当于用较大邻域中的训练样品进行预测。其优点是可以减少“学习”的估计误差,但缺点是“学习”的近似误差会增大。这时与待判样品较远的(不相似的)训练样品也会对预测起作用,使预测发生错误。K值增大就意味着整体模型变得简单。

K值的选择反映了对近似误差与估计误差的权衡,通常可以尝试选择不同的K比较模型的预测效果,从而选择预测效果最优的K。

3. R语言实现

class包里的函数knn()可以实现基本的KNN算法,在函数中需要输入训练集(train)、测试集(test)、训练集里样品的类别标签(cl)和邻近点的个数(K)等。

library(caret)
set.seed(123)#设定随机数种子
ctrl<-trainControl(method="repeatedcv",number=10,repeats=3)
tunedf<-data.frame(k=3:10)
knnmodel<-train(type~.,data=data.train,method="knn",trControl=ctrl,tuneGrid=tunedf)
plot(knnmodel)

对每次抽样得到的数据都进行10重交叉验证,即得到30次验证的结果。
在这里插入图片描述
从图中可以看出,对于该数据集,当K取5时模型的预测效果最佳。

计算回判正确率和预测正确率:

knn.pred.train<-predict.train(knnmodel)
confusionMatrix(knn.pred.train,data.train$type)

knn.pred.test<-predict(knnmodel,newdata=data.test[,-8])
confusionMatrix(knn.pred.test,data.test$type)

结果如下:

> confusionMatrix(knn.pred.train,data.train$type)
Confusion Matrix and Statistics

          Reference
Prediction  No Yes
       No  124  26
       Yes   8  42
                                          
               Accuracy : 0.83            
                 95% CI : (0.7706, 0.8793)
    No Information Rate : 0.66            
    P-Value [Acc > NIR] : 6.299e-08       
                                          
                  Kappa : 0.5952          
                                          
 Mcnemar's Test P-Value : 0.003551        
                                          
            Sensitivity : 0.9394          
            Specificity : 0.6176          
         Pos Pred Value : 0.8267          
         Neg Pred Value : 0.8400          
             Prevalence : 0.6600          
         Detection Rate : 0.6200          
   Detection Prevalence : 0.7500          
      Balanced Accuracy : 0.7785          
                                          
       'Positive' Class : No              
                                          

> confusionMatrix(knn.pred.test,data.test$type)
Confusion Matrix and Statistics

          Reference
Prediction  No Yes
       No  196  54
       Yes  27  55
                                          
               Accuracy : 0.756           
                 95% CI : (0.7062, 0.8013)
    No Information Rate : 0.6717          
    P-Value [Acc > NIR] : 0.0005027       
                                          
                  Kappa : 0.4094          
                                          
 Mcnemar's Test P-Value : 0.0038661       
                                          
            Sensitivity : 0.8789          
            Specificity : 0.5046          
         Pos Pred Value : 0.7840          
         Neg Pred Value : 0.6707          
             Prevalence : 0.6717          
         Detection Rate : 0.5904          
   Detection Prevalence : 0.7530          
      Balanced Accuracy : 0.6918          
                                          
       'Positive' Class : No  

回判正确率为83.0%,预测正确率为75.6%。

这表明对于当前的数据集,KNN算法的分类效果比rpart算法稍差。

四、支持向量机

1.基本原理

支持向量机(support vector machine, SVM)是一种有监督学习的分类和回归分析方法。它的基本思想是对于给定的训练数据,在数据的特征空间中找到一个超平面(即分隔超平面),将数据划分为两个类别,并且使这个超平面与数据最近的样本点(支持向量)距离最大,从而得到一个最优的决策边界。SVM在解决高维数据分类问题上具有很高的效率,并且能够解决非线性分类问题。

笔者在2019年记录过SVM相关理论的学习,可以帮助更加详细理解理解SVM的4个关键概念:分隔超平面、最大边缘超平面、软边缘、核函数。

SVM学习笔记(一)——介绍与原理推导

SVM学习笔记(二)——软间隔(soft-margin)

SVM学习笔记(三)——核函数

SVM学习笔记(四)——SVM模型实例

SVM学习笔记(五)——在Python下使用不同核函数进行训练

2. R语言实现

现在仍以前面的例子,使用多重交叉验证的方法来建立模型:

set.seed(123)
ctrl<-trainControl(method="repeatedcv",number=10,repeats=3)
tunedf<-data.frame(C=seq(0.1,1,length=10))
svmmodel<-train(type~.,data=data.train,
                method="svmRadialCost",
                trControl=ctrl,
                tuneGrid=tunedf)
plot(svmmodel)

在这里插入图片描述
计算回判正确率和预测正确率:

svm.pred.train<-predict.train(svmmodel)
confusionMatrix(svm.pred.train,data.train$type)

svm.pred.test<-predict(svmmodel,newdata=data.test[,-8])
confusionMatrix(svm.pred.test,data.test$type)

结果如下:

> confusionMatrix(svm.pred.train,data.train$type)
Confusion Matrix and Statistics

          Reference
Prediction  No Yes
       No  121  26
       Yes  11  42
                                          
               Accuracy : 0.815           
                 95% CI : (0.7541, 0.8663)
    No Information Rate : 0.66            
    P-Value [Acc > NIR] : 8.89e-07        
                                          
                  Kappa : 0.5645          
                                          
 Mcnemar's Test P-Value : 0.02136         
                                          
            Sensitivity : 0.9167          
            Specificity : 0.6176          
         Pos Pred Value : 0.8231          
         Neg Pred Value : 0.7925          
             Prevalence : 0.6600          
         Detection Rate : 0.6050          
   Detection Prevalence : 0.7350          
      Balanced Accuracy : 0.7672          
                                          
       'Positive' Class : No              
                                          

> confusionMatrix(svm.pred.test,data.test$type)
Confusion Matrix and Statistics

          Reference
Prediction  No Yes
       No  200  47
       Yes  23  62
                                          
               Accuracy : 0.7892          
                 95% CI : (0.7413, 0.8318)
    No Information Rate : 0.6717          
    P-Value [Acc > NIR] : 1.53e-06        
                                          
                  Kappa : 0.4934          
                                          
 Mcnemar's Test P-Value : 0.005977        
                                          
            Sensitivity : 0.8969          
            Specificity : 0.5688          
         Pos Pred Value : 0.8097          
         Neg Pred Value : 0.7294          
             Prevalence : 0.6717          
         Detection Rate : 0.6024          
   Detection Prevalence : 0.7440          
      Balanced Accuracy : 0.7328          
                                          
       'Positive' Class : No 

结果表明,回判正确率为81.5%,预测正确率约为78.9%。

五、神经网络分类

1. 基本原理

神经网络是一种运算模型,它由大量的节点(或称神经元)和它们之间的相互连接构成,每个节点代表一种特定的输出函数,称为激励函数(activation function)。

每两个节点间的连接都代表一个对于通过该连接信号的加权值,称为权重。网络的输出则依网络的连接方式、权重值和激励函数的不同而不同。

2. BP神经网络

BP神经网络是一种按照误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。

P神经网络模型的结构包括输入层(input layer)、隐层(hide layer)和输出层(output layer)。nnet包中的函数nnet()可以实现BP神经网络算法,其中的重要参数如下。

参数含义
size隐层神经元的个数,数字越大模型越复杂。
decay学习速率,是为了避免过度拟合,这个值一般在0~0.1,默认为0。
linout隐层到输出层的函数形式,若是回归问题则设为TRUE,表示线性输出,若是分类问题则设为FALSE,表示非线性输出。

3. R语言实现

set.seed(123)
ctrl<-trainControl(method="repeatedcv",number=10,repeats=3)
tunedf<-expand.grid(decay=0.1,size=3:10)
nnetmodel<-train(type~.,data=data.train,
                 method="nnet",
                 trControl=ctrl,
                 tuneGrid=tunedf,
                 trace=FALSE)
nnetmodel
plot(nnetmodel)

结果显示,BP神经网络模型的参数在隐层神经元为9个时,准确率最高:

> nnetmodel
Neural Network 

200 samples
  7 predictor
  2 classes: 'No', 'Yes' 

No pre-processing
Resampling: Cross-Validated (10 fold, repeated 3 times) 
Summary of sample sizes: 179, 180, 180, 181, 180, 180, ... 
Resampling results across tuning parameters:

  size  Accuracy   Kappa    
   3    0.7091353  0.3369336
   4    0.7057477  0.3245978
   5    0.7154845  0.3372826
   6    0.7073893  0.3293559
   7    0.7184670  0.3464772
   8    0.6969591  0.3122613
   9    0.7187469  0.3546736
  10    0.7075647  0.3238119

Tuning parameter 'decay' was held constant at a value of 0.1
Accuracy was used to select the optimal model using the largest value.
The final values used for the model were size = 9 and decay = 0.1.

在这里插入图片描述

计算回判正确率和预测正确率:

nnet.pred.train<-predict(nnetmodel)
confusionMatrix(nnet.pred.train,data.train$type)

nnet.pred.test<-predict(nnetmodel,newdata=data.test[,-8])
confusionMatrix(nnet.pred.test,data.test$type)

结果如下:

> confusionMatrix(nnet.pred.train,data.train$type)
Confusion Matrix and Statistics

          Reference
Prediction  No Yes
       No  126  12
       Yes   6  56
                                          
               Accuracy : 0.91            
                 95% CI : (0.8615, 0.9458)
    No Information Rate : 0.66            
    P-Value [Acc > NIR] : <2e-16          
                                          
                  Kappa : 0.7951          
                                          
 Mcnemar's Test P-Value : 0.2386          
                                          
            Sensitivity : 0.9545          
            Specificity : 0.8235          
         Pos Pred Value : 0.9130          
         Neg Pred Value : 0.9032          
             Prevalence : 0.6600          
         Detection Rate : 0.6300          
   Detection Prevalence : 0.6900          
      Balanced Accuracy : 0.8890          
                                          
       'Positive' Class : No              
                                          

> confusionMatrix(nnet.pred.test,data.test$type)
Confusion Matrix and Statistics

          Reference
Prediction  No Yes
       No  190  41
       Yes  33  68
                                          
               Accuracy : 0.7771          
                 95% CI : (0.7285, 0.8207)
    No Information Rate : 0.6717          
    P-Value [Acc > NIR] : 1.585e-05       
                                          
                  Kappa : 0.485           
                                          
 Mcnemar's Test P-Value : 0.4158          
                                          
            Sensitivity : 0.8520          
            Specificity : 0.6239          
         Pos Pred Value : 0.8225          
         Neg Pred Value : 0.6733          
             Prevalence : 0.6717          
         Detection Rate : 0.5723          
   Detection Prevalence : 0.6958          
      Balanced Accuracy : 0.7379          
                                          
       'Positive' Class : No 

回判正确率为91.0%,预测正确率约为77.7%。

六、随机森林分类

1. 基本原理

集成学习(ensemble learning) 试图通过连续调用单个学习算法,获得不同的模型,然后根据某种规则把这些模型进行组合来解决某一问题,这样做的目的是提高学习系统的泛化能力。组合多个模型预测结果主要采用加权平均或投票的方法。

随机森林(random forest) 是一种常用的集成学习算法,它是将许多棵决策树整合成森林并用来预测最终结果。决策树算法对样本的微小变化会很敏感。在使用分类树进行判别分析时,如果对单个分类树的判别结果不满意,可以考虑随机抽取样本来生成多个分类树,形成一批森林,然后综合森林中的所有树形成最终的单一树的预测结果。这样就能避免单棵树对样本变化敏感的问题,以提高模型的预测能力。

2. R语言实现

set.seed(123)
ctrl<-trainControl(method="repeatedcv",number=10,repeats=3)
rfmodel<-train(type~.,data=data.train,
               method="rf",
               trControl=ctrl,
               tuneLength=5)
varImp(rfmodel)

varImp()函数用来返回各变量的重要程度:

> varImp(rfmodel)
rf variable importance

      Overall
glu   100.000
age    46.892
ped    34.886
bmi    29.866
skin    7.340
npreg   6.708
bp      0.000

用图示法显示变量对于模型的重要程度:

library(randomForest)
varImpPlot(rfmodel$finalModel)

在这里插入图片描述
计算回判正确率和预测正确率:

rf.pred.train<-predict.train(rfmodel)
confusionMatrix(rf.pred.train,data.train$type)

rf.pred.test<-predict.train(rfmodel,newdata=data.test[,-8])
confusionMatrix(rf.pred.test,data.test$type)

结果如下:

> confusionMatrix(rf.pred.train,data.train$type)
Confusion Matrix and Statistics

          Reference
Prediction  No Yes
       No  132   0
       Yes   0  68
                                     
               Accuracy : 1          
                 95% CI : (0.9817, 1)
    No Information Rate : 0.66       
    P-Value [Acc > NIR] : < 2.2e-16  
                                     
                  Kappa : 1          
                                     
 Mcnemar's Test P-Value : NA         
                                     
            Sensitivity : 1.00       
            Specificity : 1.00       
         Pos Pred Value : 1.00       
         Neg Pred Value : 1.00       
             Prevalence : 0.66       
         Detection Rate : 0.66       
   Detection Prevalence : 0.66       
      Balanced Accuracy : 1.00       
                                     
       'Positive' Class : No         
                                     

> confusionMatrix(rf.pred.test,data.test$type)
Confusion Matrix and Statistics

          Reference
Prediction  No Yes
       No  191  44
       Yes  32  65
                                          
               Accuracy : 0.7711          
                 95% CI : (0.7221, 0.8152)
    No Information Rate : 0.6717          
    P-Value [Acc > NIR] : 4.613e-05       
                                          
                  Kappa : 0.4659          
                                          
 Mcnemar's Test P-Value : 0.207           
                                          
            Sensitivity : 0.8565          
            Specificity : 0.5963          
         Pos Pred Value : 0.8128          
         Neg Pred Value : 0.6701          
             Prevalence : 0.6717          
         Detection Rate : 0.5753          
   Detection Prevalence : 0.7078          
      Balanced Accuracy : 0.7264          
                                          
       'Positive' Class : No              
                             

回判正确率达到了100%,预测正确率约为77.1%。


七、总结

在选择分类算法时,需要考虑模型的泛化能力、算法复杂度以及对结果的可解释性,且应不断积累新的数据资料,对算法进行修正。

对于以上各类机器学习分类算法的基本原理和推导,有机会再单独做详细的介绍。(留个坑

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1467693.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

图像压缩感知的MATLAB实现(OMP)

前面实现了 压缩感知的图像仿真&#xff08;MATLAB源代码&#xff09; 效果还不错&#xff0c;缺点是速度慢如牛。 下面我们采用OMP对其进行优化&#xff0c;提升速度。具体代码如下&#xff1a; 仿真 构建了一个MATLAB文件&#xff0c;所有代码都在一个源文件里面&#xf…

MySQL——基础内容

目录 第01章_数据库概述 关系型数据库(RDBMS)——表、关系模型 非关系型数据库(非RDBMS) 表、记录、字段 表的关联关系 一对一关联 一对多关系 多对多 自我引用 第02章_MySQL环境搭建 登录命令 常用命令 show databases; create database use 数据库名 show tables 第03章…

2023最新简绘AI开源版支持MJ绘画,AI问答

应用介绍 本文来自&#xff1a;2023最新简绘AI开源版支持MJ绘画&#xff0c;AI问答 - 源码1688 简介&#xff1a; 简绘AI开源版&#xff0c;从闲鱼上买的&#xff0c;搭建教程如下 测试环境&#xff1a;NginxPHP7.4MySQL5.6 图片&#xff1a;

CentOS 中 RSYNC 同步分发脚本一键部署

文章目录 一、场景说明二、脚本职责三、参数说明四、操作示例五、注意事项 一、场景说明 本自动化脚本旨在为提高研发、测试、运维快速部署应用环境而编写。 脚本遵循拿来即用的原则快速完成 CentOS 系统各应用环境部署工作。 统一研发、测试、生产环境的部署模式、部署结构、…

ChatGpt的初步认知(认知搬运工)

前言 ChatGpt火了有一段时间了&#xff0c;对各行各业也有了一定的渗透&#xff0c;当然发展过程中也做了一些安全约束&#xff0c;今天主要是来跟大家分享下关于chatGpt的初步认知。 一、chatGpt是什么&#xff1f; ChatGPT&#xff0c;全称聊天生成预训练转换器&#xff08;英…

如何利用AI产品写作高质量SEO文章

在搜索引擎优化&#xff08;SEO&#xff09;的过程中&#xff0c;我们的目标非常明确&#xff0c;即增加网站的流量并实现有效的转化。那么&#xff0c;如何才能吸引更多的用户访问网站呢&#xff1f;这时候&#xff0c;文章就成为了一个非常好的工具。用户可以通过阅读文章来了…

How to implement multiple file uploads based on Swagger 3.x in Spring boot 3.x

How to implement multiple file uploads based on Swagger 3.x in Spring boot 3.x Projectpom.xmlOpenAPIConfigFileUploadControllerapplication.yaml Project pom.xml <?xml version"1.0" encoding"UTF-8"?> <project xmlns"http://…

【科普知识】什么是电机的开环和闭环

电机是现代工业和生活中不可或缺的一部分&#xff0c;无论是电动工具、电动汽车还是工业机器人&#xff0c;都离不开电机的驱动。电机的控制系统根据有无反馈信号可以分为开环和闭环两种类型&#xff0c;这两种系统各有其特点和应用场景。 01.开环控制系统 开环控制系统是电机控…

AP引擎助力加速生产SQL运行

Rapid存储引擎简介 从GreatSQL 8.0.32-25版本开始&#xff0c;新增Rapid存储引擎&#xff0c;该引擎使得GreatSQL能满足联机分析&#xff08;OLAP&#xff09;查询请求。 Rapid引擎采用插件&#xff08;Plugin&#xff09;方式嵌入GreatSQL中&#xff0c;可以在线动态安装或卸…

(九)springmvc+mybatis+dubbo+zookeeper分布式架构 整合 - maven构建ant-framework核心代码Base封装

今天重点讲解的是ant-framework核心代码Base封装过程。 因为涉及到springmvc、mybatis的集成&#xff0c;为了使项目编码更简洁易用&#xff0c;这边将基础的BASE进行封装&#xff0c;其中包括&#xff1a;BaseBean、BaseDao、BaseService、CRUD的基础封装、分页组件的封装、m…

OSCP靶场--Nickel

OSCP靶场–Nickel 考点(1.POST方法请求信息 2.ftp&#xff0c;ssh密码复用 3.pdf文件密码爆破) 1.nmap扫描 ┌──(root㉿kali)-[~/Desktop] └─# nmap 192.168.237.99 -sV -sC -p- --min-rate 5000 Starting Nmap 7.92 ( https://nmap.org ) at 2024-02-22 04:06 EST Nm…

22款奔驰C260L升级小柏林音响 无损音质效果

奔驰新款C级号称奔驰轿车的小“S”&#xff0c;在配置方面上肯定也不能低的&#xff0c;提了一台低配的车型&#xff0c;通过后期升级加装件配置提升更高档次&#xff0c;打造独一无二的奔驰C级&#xff0c;此次来安排一套小柏林之声音响&#xff0c;效果怎么样&#xff0c;我们…

maven3旧版本的下载地址(含新版本)

因为现有的3.8版本与IDEA不兼容&#xff0c;我需要下载3.6版本&#xff0c;但是官网的位置非常隐蔽&#xff0c;找了很多资料才看到。故记录一下。 第一步 进入网址&#xff0c;选择需要的版本 Index of /dist/maven/maven-3 第二步 选择binaries 第三步 选择zip文件下载就可…

Nacos配置中心实战

目录 配置中心 什么是Nacos配置中心&#xff1f; SpringCloud整合Nacos配置中心 nacos server配置中心中准备配置数据 微服务接入配置中心 Config相关配置 RefreshScope实现动态感知 配置中心 在微服务架构中&#xff0c;当系统从一个单体应用&#xff0c;被拆分成分布式…

Qt应用-音乐播放器实例

本文讲解Qt音乐播放器应用实例。 实现主要功能 声音播放、暂停,拖动控制、声音大小调节; 播放列表控制; 歌词显示; 界面设计 pro文件中添加 # 播放媒体 QT += multimedia 头文件 #ifndef FRMMUSICPLAYER_H #define FRMMUSICPLAYER_H#include <QWidget> #include…

陆毅小女油画惊艳,11岁已超越王诗龄。

♥ 为方便您进行讨论和分享&#xff0c;同时也为能带给您不一样的参与感。请您在阅读本文之前&#xff0c;点击一下“关注”&#xff0c;非常感谢您的支持&#xff01; 文 |猴哥聊娱乐 编 辑|徐 婷 校 对|侯欢庭 陆毅假期宅家享天伦之乐&#xff0c;晒出二女儿小叶子的画作&…

wordpress免费主题模板

免费大图wordpress主题 首页是一张大图的免费wordpress主题模板。简洁实用&#xff0c;易上手。 https://www.jianzhanpress.com/?p5857 wordpress免费模板 动态效果的wordpress免费模板&#xff0c;banner是动态图片效果&#xff0c;视觉效果不错。 https://www.jianzhan…

Beyond Compare4破解方法

方式一 第一种办法&#xff08;也是最有效的&#xff09; 删除C:\Users\用户名\AppData\Roaming\Scooter Software\Beyond Compare 4下的所有文件&#xff0c;重启Beyond Compare 4即可&#xff08;注意&#xff1a;用户名下的AppData文件夹有可能会被隐藏起来) 方式二 删…

第2讲-Memory

存储系统概述 存储单元电路

万字干货-京东零售数据资产能力升级与实践

开篇 京东自营和商家自运营模式&#xff0c;以及伴随的多种运营视角、多种组合计算、多种销售属性等数据维度&#xff0c;相较于行业同等量级&#xff0c;数据处理的难度与复杂度都显著增加。如何从海量的数据模型与数据指标中提升检索数据的效率&#xff0c;降低数据存算的成…