万字长文解读机器学习——决策树

news2024/11/13 11:01:39

🌺历史文章列表🌺

  1. 机器学习——损失函数、代价函数、KL散度
  2. 机器学习——特征工程、正则化、强化学习
  3. 机器学习——常见算法汇总
  4. 机器学习——感知机、MLP、SVM
  5. 机器学习——KNN
  6. 机器学习——贝叶斯
  7. 机器学习——决策树
  8. 机器学习——随机森林、Bagging、Boosting、集成学习
  9. 机器学习——聚类算法(Kmeans、GMM-使用EM优化)
  10. 机器学习——降维

文章目录

    • 决策树(Decision Tree)概述
    • 基本概念
    • 任务类型
      • 分类任务
      • 回归任务
      • 分类和回归中的差异
    • 决策树算法的具体实现
      • 比较总结
      • ID3(Iterative Dichotomiser 3)
        • 原理
        • 主要特点
        • 信息熵(Entropy)
        • 信息增益(Information Gain)
        • 算法流程
        • 优点
        • 缺点
      • C4.5
        • 原理
        • 主要特点
        • 信息增益比(Information Gain Ratio)
        • 固有信息(Intrinsic Information)
        • 处理连续型变量
        • 处理缺失值
        • 算法流程
        • 优点
        • 缺点
      • CART(Classification and Regression Tree)
        • 原理
        • 主要特点
        • 分类任务基尼指数(Gini Index)
        • 回归任务均方误差(Mean Squared Error, MSE)
        • 分类树算法流程
        • 回归树算法流程
        • 优点
        • 缺点
    • 决策树的过拟合和欠拟合
      • 解决欠拟合
      • 解决过拟合
    • 剪枝(Pruning)
      • 预剪枝(Pre-pruning)
      • 后剪枝(Post-pruning)
        • C4.5 的错误率估计剪枝操作
        • CART 的成本复杂度剪枝操作
      • 总结


决策树(Decision Tree)概述

决策树是一种基于树形结构的机器学习算法,广泛应用于分类和回归任务中。它通过一系列的规则将数据集划分为不同的子集,从而进行分类或预测。决策树算法直观、易于解释,并且能够处理复杂的特征交互。

基本概念

  • 节点(Node)
    • 根节点(Root Node):树的起始节点,表示整个数据集
    • 内部节点(Internal Node):表示数据集的划分条件,包含特征和阈值
    • 叶节点(Leaf Node):表示分类或回归的最终结果,包含类别标签或连续值
  • 分支(Branch)——决策规则:从一个节点到另一个节点的路径。
  • 路径(Path)——决策过程:从根节点到叶节点的序列。
  • 深度(Depth)——决策树的复杂度:从根节点到最深叶节点的最长路径长度。

任务类型

决策树既可以用于分类任务,也可以用于回归任务

分类任务

在分类任务中,决策树用于将数据划分到不同的离散类别中。目标是通过一系列条件判断,将数据划分为不同类别,并最终在叶节点上输出类别标签。

  • 常用算法(不同的划分特征的标准)

    • ID3:使用信息增益来选择划分特征。
    • C4.5:使用信息增益比来选择划分特征,并支持连续特征处理。
    • CART(分类树):使用基尼系数(Gini Index) 来选择最优划分特征。
  • 应用场景

    • 电子邮件分类(垃圾邮件识别)。
    • 图像识别(识别不同的物体类别)。
    • 医疗诊断(预测病人的健康状况类别)。

回归任务

在回归任务中,决策树用于预测连续值。目标是通过一系列的分裂操作,将数据划分成不同的区间,并在每个叶节点上输出一个数值(通常是该节点中所有样本的均值)。

  • 常用算法

    • CART(回归树):使用**最小化均方误差(Mean Squared Error, MSE)**或其他度量标准来选择最优划分特征。
  • 应用场景

    • 房价预测(预测某个地区的房屋价格)。
    • 股票市场预测(预测股票的未来价格)。
    • 气象预测(预测某个地点的温度或降雨量)。

分类和回归中的差异

分类树(Classification Tree):

  • 输出的是离散类别标签。
  • 每个叶节点表示一个类别。
  • 划分标准基于分类纯度(如信息增益、基尼系数)。

回归树(Regression Tree):

  • 输出的是连续数值。
  • 每个叶节点表示一个数值(如节点样本的均值)。
  • 划分标准基于回归误差(如均方误差)。

决策树算法的具体实现

比较总结

算法划分标准支持连续特征处理缺失值树结构优点缺点适用场景
ID3信息增益多叉树实现简单,适合小规模数据偏向于选择取值多的特征,不能处理连续变量小规模、离散特征数据集
C4.5信息增益比多叉树支持连续特征,能处理缺失值计算复杂度高,生成树较大大规模数据,有连续特征和缺失值的数据
CART基尼系数二叉树适用于分类和回归问题,剪枝方便对噪声数据敏感,容易过拟合分类、回归任务,要求生成二叉树时
  • ID3 适合小规模的、离散特征的数据集,但不适合处理连续特征和缺失值
  • C4.5 是 ID3 的改进版本,能处理连续特征、缺失值,适合处理复杂的大规模数据集。
  • CART 能同时用于分类和回归任务,生成简洁的二叉树结构,但对噪声敏感,适合需要生成二叉树结构的应用场景。

ID3(Iterative Dichotomiser 3)

原理
  • ID3 通过信息增益(Information Gain)来选择划分特征,ID3 选择信息增益最大的特征进行划分。信息增益表示划分数据集后信息熵的减少程度,熵越小,数据纯度越高。主要用于分类任务
主要特点
  • 划分准则:使用信息增益,优先选择信息增益最大的特征进行分裂。
  • 适用数据类型:ID3 主要适用于离散特征,不支持连续特征的处理。
  • 剪枝:ID3 本身没有提供剪枝机制,容易出现过拟合问题。
信息熵(Entropy)

信息熵用于衡量数据集的(纯度或)混乱程度信息熵越高,数据越混乱;信息熵越低,数据越纯。

对于数据集 ( D D D ),它的熵定义为:
H ( D ) = − ∑ i = 1 m p i log ⁡ 2 ( p i ) H(D) = - \sum_{i=1}^m p_i \log_2(p_i) H(D)=i=1mpilog2(pi)
其中:

  • m m m 是类别的总数。
  • p i p_i pi 是数据集中属于第 i i i 类的样本所占的比例。
信息增益(Information Gain)

表示某一特征 A A A 将数据集 D D D 划分后的纯度提升程度。ID3 选择信息增益最大的特征进行划分。信息增益的公式为:
信息增益 = H ( D ) − ∑ v = 1 V ∣ D v ∣ ∣ D ∣ H ( D v ) \text{信息增益} = H(D) - \sum_{v=1}^V \frac{|D_v|}{|D|} H(D_v) 信息增益=H(D)v=1VDDvH(Dv)
其中:

  • H ( D ) H(D) H(D) 是数据集 D D D 的信息熵。
  • V V V 是特征 A A A 的可能取值数。
  • D v D_v Dv 是根据特征 A A A 的取值 v v v 分割得到的子集。
  • ∣ D v ∣ / ∣ D ∣ |D_v| / |D| Dv∣/∣D 表示取值 v v v 的样本在数据集 D D D 中的比例。
  • H ( D v ) H(D_v) H(Dv) 是子集 D v D_v Dv 的熵。
算法流程
  1. 计算当前所有特征对数据集的信息增益
  2. 选择信息增益最大的特征作为当前节点的划分标准。
  3. 根据该特征的不同取值划分数据集,并在每个子集上递归地重复步骤 1 和步骤 2。
  4. 当所有特征都被使用,或所有样本都属于同一类别时,停止划分。
优点
  • 简单易懂:ID3 的核心思想和实现相对简单,能够快速生成决策树。
  • 高效:ID3 计算信息增益后即可快速进行划分。
缺点
  • 倾向于选择取值多的特征:ID3 更倾向于选择取值多的特征进行划分,可能导致过拟合。
  • 只能处理离散特征:ID3 不能处理连续特征。
  • 对缺失值不敏感:ID3 不能有效处理数据中的缺失值。

C4.5

原理

选择信息增益比信息增益与分裂信息的比值最大的特征进行划分,用于平衡特征数量和划分质量之间的关系。通过引入“分裂信息”(Split Information)来惩罚分裂数目较多的特征支持连续特征,处理缺失值,加入剪枝

主要特点
  • 划分准则:使用信息增益比,避免 ID3 中对多值特征的偏向。
  • 适用数据类型:支持离散和连续特征
  • 剪枝:C4.5 支持错误率估计的后剪枝策略,防止过拟合。
信息增益比(Information Gain Ratio)

信息增益比是信息增益与特征的“固有信息”之比。特征的固有信息衡量的是特征取值的均匀性。信息增益比的公式为:

信息增益比 = 信息增益 固有信息 \text{信息增益比} = \frac{\text{信息增益}}{\text{固有信息}} 信息增益比=固有信息信息增益

其中,信息增益的公式与 ID3 相同

固有信息(Intrinsic Information)

固有信息衡量的是特征 A A A 的取值分布,它的计算公式为:

固有信息 = − ∑ v = 1 V ∣ D v ∣ ∣ D ∣ log ⁡ 2 ( ∣ D v ∣ ∣ D ∣ ) \text{固有信息} = - \sum_{v=1}^V \frac{|D_v|}{|D|} \log_2 \left( \frac{|D_v|}{|D|} \right) 固有信息=v=1VDDvlog2(DDv)
其中:

  • V V V 是特征 A A A 的可能取值数。
  • D v D_v Dv 是数据集 D D D 中特征 A A A 取值为 v v v 的子集。
  • ∣ D v ∣ / ∣ D ∣ |D_v| / |D| Dv∣/∣D 表示取值 v v v 的样本在数据集 D D D 中的比例。

在 C4.5 算法中,处理连续型变量和缺失值的方法具体如下:


处理连续型变量

当特征是连续型变量时,C4.5 算法将其转化为一个二值问题(例如,小于某个阈值和大于等于该阈值),以便将连续变量用于决策树的分裂。

步骤

  1. 生成候选划分点:将连续特征值按升序排列,计算每个相邻值的中点作为候选划分点。例如,如果连续特征的两个相邻值为 x i x_i xi x i + 1 x_{i+1} xi+1,候选划分点为 t = x i + x i + 1 2 t = \frac{x_i + x_{i+1}}{2} t=2xi+xi+1
  2. 计算信息增益比:对于每个候选划分点 ( t ),将数据集划分成两个子集
    • 子集 1:特征值 ≤ t \leq t t 的样本。
    • 子集 2:特征值 > t > t >t 的样本。
  3. 选择最佳划分点:计算所有候选划分点的信息增益比,选择信息增益比最大的划分点作为最终分裂点。这样可以有效地将连续变量转化为二值判断。

处理缺失值

在 C4.5 算法中,对于特征值缺失的样本,算法不会简单地丢弃,而是利用概率分布填充缺失值,从而有效利用数据。

步骤

  1. 计算样本权重:在计算信息增益比时,含缺失值的样本按照其在整个数据集中的比例被赋予一个权重。这些缺失样本将按比例分布到不同分支
  2. 按概率分配样本:在分裂节点时,缺失特征的样本将依据分支上的样本比例进行分配。例如,如果一个特征缺失的样本在某节点有 70% 的概率被归入左子树,则会将 70% 的权重分配给左子树,30% 的权重分配给右子树。
  3. 分类时的缺失值处理:在决策树生成后进行预测时,对于测试样本中缺失的特征,C4.5 也使用概率分布填充,使其根据现有特征值的分布推断分类。
算法流程
  1. 计算每个特征的信息增益比
  2. 选择信息增益比最大的特征作为划分特征
  3. 如果特征是连续型变量,将特征值划分为小于某个阈值和大于等于该阈值的两部分。
  4. 处理缺失值,使用概率分布填充
  5. 递归地构建子树,直到满足停止条件。
优点
  • 支持连续特征:C4.5 通过引入阈值分割,能够处理连续型变量。
  • 减少过拟合倾向:使用信息增益比来进行特征选择,避免了对取值多的特征的偏好。
  • 处理缺失值:能够处理数据集中缺失值的问题。

算法流程中的:
3. 如果特征是连续型变量,将特征值划分为小于某个阈值和大于等于该阈值的两部分。
4. 处理缺失值,使用概率分布填充

缺点
  • 计算复杂度较高:相比 ID3,C4.5 由于需要计算信息增益比、处理连续特征和缺失值,计算复杂度较高。
  • 容易产生较大的树:C4.5 生成的树结构有时可能过大,需要进行剪枝以减少过拟合。

CART(Classification and Regression Tree)

原理

CART(Classification and Regression Tree)算法可以用于分类和回归任务。CART 构造的是一棵二叉树

  1. 对于分类任务,选择基尼指数最小的特征作为划分特征。
  2. 对于回归任务,选择均方误差最小的特征进行分裂。
主要特点
  • 划分准则
    • 分类任务:使用基尼指数作为划分准则。
    • 回归任务:使用均方误差作为划分准则。
  • 适用数据类型:支持离散和连续特征
  • 剪枝:CART 支持后剪枝策略,通过成本复杂度剪枝来防止过拟合。
分类任务基尼指数(Gini Index)

基尼指数用于衡量数据集的纯度。基尼系数越小,数据集的纯度越高。选择基尼指数最小的特征作为划分特征。

对于数据集 D D D,其基尼指数定义为:
基尼指数 = 1 − ∑ i = 1 m p i 2 \text{基尼指数} = 1 - \sum_{i=1}^m p_i^2 基尼指数=1i=1mpi2
其中:

  • m m m 是类别的总数。
  • p i p_i pi 是数据集中属于第 $ i$ 类的样本所占的比例。

当一个特征 A A A 有多个可能的取值时,特征 A A A 对数据集 D D D 的基尼指数可以表示为:

Gini ( D , A ) = ∑ v = 1 V ∣ D v ∣ ∣ D ∣ Gini ( D v ) \text{Gini}(D, A) = \sum_{v=1}^V \frac{|D_v|}{|D|} \text{Gini}(D_v) Gini(D,A)=v=1VDDvGini(Dv)

其中:

  • V V V 是特征 A A A 的取值个数。
  • D v D_v Dv 是根据特征 A A A 的取值 v v v 划分得到的子集。
  • Gini ( D v ) \text{Gini}(D_v) Gini(Dv) 是子集 D v D_v Dv 的基尼指数。
回归任务均方误差(Mean Squared Error, MSE)

对于回归任务,CART 算法选择均方误差(MSE)最小的特征进行分裂。均方误差衡量的是预测值和实际值之间的平均平方差。对于数据集 D D D ,均方误差定义为:
MSE = 1 ∣ D ∣ ∑ i = 1 ∣ D ∣ ( y i − y ^ ) 2 \text{MSE} = \frac{1}{|D|} \sum_{i=1}^{|D|} (y_i - \hat{y})^2 MSE=D1i=1D(yiy^)2
其中:

  • ∣ D ∣ |D| D 是数据集中样本的数量。
  • y i y_i yi 是第 i i i 个样本的真实值。
  • y ^ \hat{y} y^ 是数据集 D D D 中所有样本的均值。
分类树算法流程
  1. 对每个特征,计算不同划分下的基尼系数
  2. 选择基尼系数最小的特征作为当前节点的划分特征。
  3. 递归地构建二叉树。
  4. 当达到停止条件(如节点样本数小于设定阈值)时,停止递归。
回归树算法流程
  1. 遍历每个特征:对于每个特征,尝试在数据集中的不同数值作为可能的分裂点。

  2. 计算分裂后的均方误差:对于每个分裂点,计算其分裂后左右子集的加权均方误差(MSE),公式如下:
    在这里插入图片描述

  3. 选择最优分裂点:选择使得分裂后均方误差最小的分裂点,将该特征和分裂点作为当前节点的分裂依据。

  4. 递归构建树:对分裂后的左右子节点重复步骤 1-3,继续寻找最优分裂点,构建新的子节点。

  5. 停止条件:当达到预设的停止条件时(例如节点样本数小于设定阈值或MSE降低不明显),停止递归分裂。此时,该节点成为一个叶节点,并赋予其目标值的平均值作为预测值。

优点
  • 可处理分类和回归问题:CART 不仅适用于分类任务,也可用于回归任务。
  • 生成二叉树结构:树结构简单,每个节点最多有两个分支,便于实现和计算。
  • 易于剪枝:CART 提供了剪枝机制,可以有效减少过拟合。
缺点
  • 对噪声数据敏感:CART 对于数据中的噪声较为敏感,容易生成较复杂的树结构。
  • 基尼系数局限性:基尼系数在处理某些分类问题时效果不如信息增益或信息增益比。
  • 连续特征处理较复杂:虽然 CART 可以处理连续特征,但需要遍历所有特征值进行划分,计算量较大。

决策树的过拟合和欠拟合

解决欠拟合

欠拟合要增加模型复杂度:

  1. 增加树的深度
  2. 减少最小样本分裂数,让更多节点可以分裂
  3. 减少最小叶子节点数,让树生长得更深

欠拟合通常是因为模型的复杂度不够,无法很好地拟合训练数据。应对欠拟合的方法通常是增加模型复杂度。包括:

  • 增加树的深度(max_depth):通过增加决策树的深度,可以让模型拟合更多的数据特征,从而减少欠拟合。
  • 减少最小样本分裂数(min_samples_split):减少节点分裂所需的最小样本数,让更多节点可以分裂,使模型更复杂。
  • 减少最小叶子节点数(min_samples_leaf):减少叶子节点的最小样本数,让树生长得更深、更复杂。

解决过拟合

过拟合要增加模型复杂度:

  1. 限制树的深度
  2. 增加最小样本分裂数,限制树的生长
  3. 增加最小叶子节点数,减少树的大小

过拟合是因为模型过于复杂,导致对训练数据的拟合过度。应对过拟合的方法通常是减少模型复杂度。包括:

  • 限制树的深度(max_depth):限制树的最大深度可以防止树过于复杂,有助于防止过拟合。
  • 增加最小样本分裂数(min_samples_split):通过增加节点分裂所需的最小样本数,可以限制树的生长,使树不至于过度拟合训练数据。
  • 增加最小叶子节点数(min_samples_leaf):增加叶子节点的最小样本数可以减少树的复杂度,防止过拟合。
  • 使用剪枝技术(如代价复杂度剪枝):剪枝是控制过拟合的重要技术之一,通过减少树的大小来防止模型过度拟合。

剪枝(Pruning)

剪枝是决策树中用来防止过拟合的一种技术。它通过移除或合并一些不必要的节点来减少树的复杂度,从而提高模型的泛化能力。剪枝可以分为两种方式:

预剪枝(Pre-pruning)

  • 原理:在构建决策树的过程中,提前停止树的生长,以避免树过于复杂。
  • 方法
    1. 设置最大深度:限制决策树的最大深度,防止树过深导致过拟合。
    2. 设置最小样本数:要求每个节点至少包含一定数量的样本,如果样本数不足则停止划分。
    3. 设置最小信息增益:如果划分后的信息增益小于某个阈值,则停止划分。
  • 优点:节省计算资源,减少构建时间。
  • 缺点:可能会提前停止构建,导致欠拟合。

后剪枝(Post-pruning)

  • 原理在决策树完全生长后,通过评估树的各个子树的表现来剪去不必要的分支,从而简化模型。
  • 方法
    1. 子树替换(Subtree Replacement)用一个叶节点替换一个子树,直到错误率最低。
    2. 子树提升(Subtree Raising)将子节点提升到父节点位置,删除不必要的中间节点
    3. 成本复杂度剪枝(Cost Complexity Pruning):通过最小化模型复杂度和训练误差的加权和,选择最优的子树
  • 优点:能够更精确地控制模型复杂度,提高泛化能力。
  • 缺点:计算量较大,剪枝过程复杂。

:C4.5 和 CART 都使用了后剪枝post-pruning方法来防止决策树的过拟合。

C4.5 的错误率估计剪枝操作

C4.5 在剪枝过程中采用错误率估计(Error-based Pruning)来决定是否剪枝。它通过对每个分支的误分类情况估计,如果剪去子树后能减少误分类率,就将该子树替换为叶节点。

  • 操作步骤
    1. 每个叶节点和子树进行错误率估计。C4.5 引入了拉普拉斯平滑估计来计算每个节点的错误率。
    2. 计算子树的错误率,如果子树的错误率比该子树替换为叶节点后的错误率高,则将该子树剪除,将其变为叶节点。
    3. 重复该过程,直到所有需要剪枝的子树都被剪除。
  • 优点:这种剪枝策略考虑了训练数据中的随机性,可以有效防止过拟合。
  • 局限性:由于需要计算每个节点的错误率,并进行多次迭代计算,剪枝过程的计算开销较大。
CART 的成本复杂度剪枝操作

CART 使用的是成本复杂度剪枝(Cost Complexity Pruning),也称为最小代价复杂度剪枝。基于子树的错误率和模型复杂度的权衡。计算每个子树的错误率和复杂度,复杂度用子树中节点的数量来衡量。CART 会逐步剪掉那些增加了模型复杂度但并没有显著降低错误率的子树

  • 原理:成本复杂度剪枝通过平衡模型的复杂度预测误差来选择最佳子树。它会给每个子树分配一个代价复杂度得分(Cost Complexity Score),该得分考虑了模型的复杂度和训练误差之和。

  • 代价复杂度(Cost Complexity)
    在这里插入图片描述

  • 操作步骤
    1. 计算当前决策树每个子树的代价复杂度得分 (R_\alpha(T))。
    2. 找到降低代价复杂度得分最多的子树,并将其剪除,合并为一个叶节点。
    3. 重复上述步骤,逐步剪枝,直到得到最优子树为止。
    4. 使用交叉验证等方法选择最优的 (alpha) 值,确定最终的剪枝结果。
  • 优点:能够在模型复杂度和预测性能之间找到最优平衡点,较好地控制了模型的复杂度。
  • 局限性:代价复杂度参数的选择对模型性能影响较大,需要进行交叉验证等方法来优化。

总结

  • C4.5 主要用于分类任务,并使用错误率估计的后剪枝策略进行剪枝,以防止过拟合。它通过比较子树和叶节点的错误率来决定是否剪枝。
  • CART 可用于分类和回归任务,采用成本复杂度剪枝方法,通过平衡模型复杂度和训练误差选择最优子树,确保模型具有良好的泛化能力。

因此,C4.5 和 CART 在剪枝策略上各有特点,分别针对不同的任务和模型复杂度进行了优化。

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/2238480.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

Kotlin约束泛型参数必须继承自某个父类

Kotlin约束泛型参数必须继承自某个父类 open class SuperData { }class DataA : SuperData {constructor() {println("DataA constructor")} }class DataB : SuperData {constructor() {println("DataB constructor")} }fun <T : SuperData> myfun(p…

Spring挖掘: (事务篇)

谈到事务,我们就绕不开事务的ACID四大特性,我们先来简单介绍一下何为事务 一. 概念 事务是数据库操作的最小工作单元&#xff0c;作为单个逻辑工作单元执行的一系列操作。这些操作作为一个整体一起向系统提交&#xff0c;要么都执行、要么都不执行。事务是一组不可再分割的操作…

Information Server 中共享开源服务中 kafka 的__consumer_offsets目录过大清理

1,11.7新版本的 IBM InfoSphere Information Server 将 Apache Kafka、Solr 和 ZooKeeper 安装在<ISHOME>服务层的 /shared-open-source 目录中。 默认情况下&#xff0c;共享开源中的 Kafka 对 __consumer_offsets 主题使用“压缩”日志清理策略&#xff0c;这可能会导…

Linux系统程序设计--2. 文件I/O

文件I/O 标准C的I/O FILE结构体 下面只列出了5个成员 可以观察到&#xff0c;有些函数没有FILE类型的结构体指针例如printf主要是一些标准输出&#xff0c;因为其内部用到了stdin&#xff0c;stdout&#xff0c;stderr查找文件所在的位置:find \ -name stat.h查找头文件所…

linux网络的基本设置

1、查看网络接口信息 ip a/ip addr #简略的查看网络接口信息 ifconfig #只显示当前活跃的设备 ifconfig -a #实现当前主机的所有网络设备&#xff0c;包括未运行的设备 rootubuntu1:~# ifconfig ens33:flags4163<UP,BROADCAST,RUNNING,MULTICAST> mtu 1500 设备名…

利用AI制作《职业生涯规划PPT》,10分钟完成

职业生涯规划是大学生活中非常重要的一环。通过制定职业规划&#xff0c;你能够明确未来的职业目标、认清自身的优劣势&#xff0c;进而制定切实可行的计划&#xff0c;以便顺利踏上职业发展的道路。而制作一份精美的职业生涯规划PPT&#xff0c;能有效帮助你在面试、职业规划报…

【数据结构与算法】希尔排序(直接插入排序)

大家好&#xff0c;我是小卡皮巴拉 文章目录 目录 引言 一.直接插入排序的基本思想 二. 直接插入排序算法解析 详细版本的算法思想解析 算法思想提炼 实现代码 画图刨析 三. 直接插入排序的特性 复杂度分析 稳定性分析 四. 希尔排序的基本思想 五. 希尔排序算法解…

RK3568 Android12跳过认证 预置谷歌服务GMS

在Rom开发中需要发布海外版本时基本都需要内置google服务,而规范方式集成的话都需要设备进行认证,获取google应用签名等非常复杂的一套流程,一般大厂才有这些资质和资源,这里介绍一种非常规方式集成GMS,跳过设置认证流程,在RK3568 android12环境亲测有效。 谷歌全家桶中…

深度学习之卷积问题

1 卷积在图像中有什么直观作用 ​ 在卷积神经网络中&#xff0c;卷积常用来提取图像的特征&#xff0c;但不同层次的卷积操作提取到的特征类型是不相同的&#xff0c;特征类型粗分如表1所示。 ​ 表1 卷积提取的特征类型 卷积层次特征类型浅层卷积边缘特征中层卷积局部特征深…

Go语言的内置容器

文章目录 一、数组数组的定义数组声明数组特点数组元素修改 二、切片切片声明基于数组创建切片使用make()函数构造切片使用append()为切片动态添加元素\使用copy()复制新的切片数组与切片相互转换 三、Map映射Map定义使用make()函数创建map用切片作为map的值使用delete()函数删…

二叉树的各种操作补充

二叉树的各种操作补充 求二叉树的结点数求二叉树的叶结点数求二叉树的高度求二叉树的第k层结点数查找指定结点层序遍历判断二叉树是否是完全二叉树 我们任然沿用二叉树的基本信息&#xff1a; typedef char BTDataType; typedef struct BinaryTreeNode {BTDataType _data;struc…

Go语言的常用内置函数

文章目录 一、Strings包字符串处理包定义Strings包的基本用法Strconv包中常用函数 二、Time包三、Math包math包概述使用math包 四、随机数包&#xff08;rand&#xff09; 一、Strings包 字符串处理包定义 Strings包简介&#xff1a; 一般编程语言包含的字符串处理库功能区别…

Perfetto中如何使用SQL语句

在使用 Perfetto 分析 Android 性能时&#xff0c;可以通过 Perfetto 提供的内置 SQL 查询来提取和分析不同的性能数据。Perfetto 允许你在 UI 界面或命令行中运行 SQL 查询&#xff0c;提取出 Trace 数据中包含的各种性能信息&#xff0c;比如 CPU 使用率、线程状态、内存分配…

QML项目实战:自定义TextField

目录 一.添加模块 import QtQuick.Controls 1.2 import QtQuick.Controls.Styles 1.4 import QtGraphicalEffects 1.15 二.自定义TextField 1.属性设置 2.输入框设置 3.按钮开关 三.效果 1.readonly为false 2.readonly为true 四.代码 一.添加模块 import QtQuick.…

【进阶】Stable Diffusion 插件 Controlnet 安装使用教程(图像精准控制)

Stable Diffusion WebUI 的绘画插件 Controlnet 最近更新了 V1.1 版本&#xff0c;发布了 14 个优化模型&#xff0c;并新增了多个预处理器&#xff0c;让它的功能比之前更加好用了&#xff0c;最近几天又连续更新了 3 个新 Reference 预处理器&#xff0c;可以直接根据图像生产…

DAF-FM DA与NO反应后,生成的产物能够发出强烈的绿色荧光,254109-22-3

一、基本信息 产品名称&#xff1a;DAF-FM DA&#xff08;一氧化氮NO荧光探针DAF-FM&#xff09; 英文名称&#xff1a;DAF-FM DA&#xff0c;DAF-FM diacetate CAS号&#xff1a;254109-22-3 分子式&#xff1a;C25H18F2N2O7 供应商&#xff1a;陕西新研博美生物科技 分…

在 Mac 和 Windows 系统中快速部署 OceanBase

OceanBase 是一款分布式数据库&#xff0c;具备出色的性能和高扩展性&#xff0c;可以为企业用户构建稳定可靠、灵活扩展性能的数据库服务。本文以开发者们普遍熟悉的Windows 或 Mac 环境为例&#xff0c;介绍如何快速上手并体验OceanBase。 一、环境准备 1. 硬件准备 OceanB…

使用Ant Design的Layout布局不能撑满整个屏幕问题解决方法

代码示例&#xff1a; import React, { useState } from react import {LaptopOutlined,NotificationOutlined,UserOutlined, } from ant-design/icons import type { MenuProps } from antd import { Layout, Menu, theme } from antd import routes from ./routes/index imp…

【ubuntu18.04】使用U盘制作ubuntu18.04启动盘操作说明

打开show application 打开Startup Disk 选择镜像 双击选择ubuntu的iso镜像 镜像下载地址 Ubuntu 18.04.6 LTS (Bionic Beaver) 制作镜像 注意&#xff1a; 制作镜像会格式化U盘&#xff0c;记得备份资料 点击Make Startup Disk,弹出如下对话框 点击Yes 输入管理员密码&a…

22.04Ubuntu---ROS2创建python节点

创建工作空间 mkdir -p 02_ros_ws/src 然后cd到该目录 创建功能包 在这条命令里&#xff0c;tom就是你的功能包 ros2 pkg create tom --build-type ament_python --dependencies rclpy 可以看到tom功能包已经被创建成功了。 使用tree命令&#xff0c;得到如下文件结构 此时…