- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
机器学习入门 4-9 更多有关k近邻算法的思想
02 k近邻算法的缺点 对于一个新的预测数据来说，需要O(m * n)： ? 当然针对kNN缺点，有很多优化，比如使用树结构：KD-Tree, Ball-Tree。 前面介绍了kNN算法的第一个缺点：效率低下； kNN算法的第二个缺点：kNN算法得到的最终结果是高度的数据相关，当然对于我们的机器学习算法来说，就是使用喂给机器学习算法的数据来进行预测，所以理论上所有的机器学习算法都是高度的数据相关的 ，不过kNN算法对大的噪声数据（outlier）更加的敏感，比如说假设使用3近邻算法，如果我们预测样本周边一旦有2个错误的值的话，就足以让我们最终的预测结果错误，但是在整个空间中是有大量正确的样本的，这就是 实际上，使用机器学习算法来处理数据的时候，在实际生产环境中，在很多领域处理成千上万维的数据是很正常。当然维度过高，可以通过降维的方式来解决。 03 机器学习流程回顾 ? 划分数据集为训练集和测试集； 对于kNN这种算法，需要数据在同一尺度下，因此要进行数据的归一化： 先将训练集进行归一化Scaler，然后将归一化后的数据进行训练，得到最终的模型； 测试集要使用训练集上的
61000发布于 2019-11-13 尼康五年来首度营业亏损，下调全年光刻机销量
11月6日，日本相机及光刻机大厂尼康（Nikon）公布了2026财年上半年（2025年4-9月）财报。 从主营业务来看，今年4-9月期间精机业务（包含半导体光刻、FPD光刻设备）营收较去年同期减少14.3%至698.86亿日元、营业利润受益于结构改革效益而暴涨222.6%至30.44亿日元；图像业务（相机业务 从产品销量来看，4-9月期间，尼康半导体光刻机销量为9台，低于去年同期的10台；FPD光刻设备销量为15台，低于去年同期的16台；尼康单反相机全球销售量同比增长17%至48万台、更换用镜头销售量同比增长
48710编辑于 2026-03-19- 来自专栏二猫の家
GEE代码实例教程详解：地表温度长时间序列分析
通过结合Landsat 4-9的数据，我们将探索1982年至2024年间地表温度的变化趋势。 背景知识 Landsat数据集 Landsat数据集提供了多时相、多光谱的地表观测数据，是遥感领域中应用最广泛的数据集之一。 加载Landsat数据集 加载Landsat 4-9的数据集，并根据时间范围、地理范围和质量条件进行筛选。 3. 数据合并与排序 将所有Landsat数据集合并，去除云层覆盖较多的图像，并按时间排序。 4. LST单位转换 将LST数据从原始单位转换为开尔文和摄氏度，以便于分析和解释。 5. 导出数据 将2019-2020年的LST图像导出到Google Drive。 结论 本教程展示了如何使用GEE对长时间序列的Landsat数据进行地表温度分析。
1.1K10编辑于 2024-07-09 - 来自专栏常用算法专栏
常用的排序算法之桶排序（Bucket Sort）
缺点： 当要排序的数据分布得非常不均匀，或者数据的范围非常大时，会造成空间浪费和效率不高。 当桶内元素较多时，桶内排序的时间复杂度可能较高。 使用场景 桶排序适用于待排序数据分布在一个较小范围内的场景，特别是当数据是均匀分布时，效率会非常高。 确定桶的数量和范围：假设我们使用5个桶，每个桶的范围是0-1, 1-2, 2-3, 3-4, 4-9。 将数据放入对应的桶中： 桶0（0-1）: 无数据 桶1（1-2）: [1] 桶2（2-3）: [2, 2, 3, 3] 桶3（3-4）: [4] 桶4（4-9）: [8] 对每个桶内的数据进行排序： 桶1: [1] 桶2: [2, 2, 3, 3]（可以使用插入排序或其他排序算法） 桶3: [4] 桶4: [8] 将各个桶中的数据合并：按照桶的顺序，将桶中的数据依次取出，合并成最终排序后的数组[1,
62610编辑于 2025-04-05 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】直方图匹配
在代码清单4-9中给出了实现直方图匹配的示例程序。 程序中待匹配的原图是一个图像整体偏暗的图像，目标直方图分配形式来自于一张较为明亮的图像，经过图像直方图匹配操作之后，提高了图像的整体亮度，图像直方图分布也更加均匀，程序中所有的结果在图4-8、图4-9给出 代码清单4-9 myHistMatch.cpp图像直方图匹配 1. #include <opencv2\opencv.hpp> 2. #include <iostream> 3. 4. 图4-9 myHistMatch.cpp程序中给图像的直方图
3K30发布于 2019-12-24 - 来自专栏碱基矿工
今天在看NAR的database专刊时无意发现“国家基因组科学数据中心”在这上面连续6年每年都发一篇介绍中心的文章，图片4-9分别对应2017-2022的文章主图。我服了，原来可以这样干！每年都更新一
今天在看NAR的database专刊时无意发现“国家基因组科学数据中心”在这上面连续6年每年都发一篇介绍中心的文章，图片4-9分别对应2017-2022的文章主图。我服了，原来可以这样干！
53620编辑于 2022-04-12 - 来自专栏测试开发干货
【基础理论-黑盒用例-边界值】边界值七条原则，打赌没人知道！
比如输入要求为4-9 的边界值用例为： 特殊点：0，1 离点：3，10 上点：4，9内点：7 原则 没听错，每个用例设计方法都有自己的原则。 原则3：根据输出条件，使用原则1 原则4：根据输出条件，使用原则2 原则5：如果输入域和输出域是有序的，则去第一个和最后一个元素作为测试数据。 原则6：如果使用了内部数据，则应该用内部数据的边界上的值作为测试数据。 原则7：分析规格说明，找出隐藏的边界条件。
1.2K10编辑于 2022-05-20 - 来自专栏二猫の家
GEE代码实例教程详解：长时间序列NDVI分析
背景知识 Landsat数据集 Landsat是美国地质调查局和美国航天局联合发射的一系列卫星，提供地表的长时间序列、中等分辨率的遥感数据。 , 'SR_B4']).rename('ndvi'); return ndvi.copyProperties(img, img.propertyNames()); } // 筛选Landsat 4- Landsat 7 SLC正常和偏移后的数据 ... 筛选和处理Landsat数据集 分别筛选Landsat 4-9的数据集，应用相应的NDVI计算函数，并处理SLC偏移问题。 6. 导出数据 将2010年的NDVI图像导出到Google Drive。 结论 本教程展示了如何使用GEE对长时间序列的Landsat数据进行NDVI分析。
2.1K11编辑于 2024-07-09 day13 学习日记: 一天内把一个建议RAG项目初版跑通（RAG + 日期检索救火）
这篇就按当天的真实节奏，把关键步骤、坑点、以及当时的体感记录下来——以后再遇到类似“明明有数据但检索不到”的问题，可以直接按这份清单排查。 按时间线拆解） 1）目标确认：先把“能用的 RAG”跑起来 我给自己定的验收标准很简单： 能流式对话（体验像“打字机”一样顺滑） 能从 Supabase 向量库检索到上下文并回答 能按日期准确命中（例如：问 4- 9 必须能明确找到 2026-4-09.md） 2）第一轮实现：RAG 通了，但日期查询会漂移 现象库里确实有 2026-4-09.md 的切片，但问“4-9 写了什么”时，经常出现： 找不到相关内容
13700编辑于 2026-06-17- 来自专栏Golang语言社区
解决连通性问题的四种算法
问题示例 输入 不连通 连通 3-4 3-4 4-9 4-9 8-0 8-0 2-3 2-3 5-6 5-6 2-9 2-3-4-9 5-9 5-9 7-3 7-3 4-8 4 如完成 4-9 后， id[3] 和 id[4] 的值均为终点结点 9。此时判断 3 和 9 是否连通，直接判断 id[3] 和 id[9] 的值是否相等，相等则连通，不等则不存在连通关系。 数据结构 使用数组作为树的实现： 结点数组 id[N]，id[i] 存放 i 的父结点 i 的根结点是 id[id[...id[i]...]] = id[i] { i = id[i] } return i } 算法三：带权快速合并算法 概述 快速合并算法有一个缺陷：数据量很大时，任意合并子树，会导致树越来越高，在查找根结点时要遍历数组大部分的值 数据结构 树结点的存储依旧使用 id[i] ，但需要一个额外的数组 size[i]，记录结点 i 的子结点数。
3.3K91发布于 2018-03-19 - 来自专栏华章科技
手把手教你用ECharts画柱状图
导读：柱状图主要用于表示离散数据的频数，也是一种基础可视化图。 label: { show: true, position: 'top' }, }] }; 可视化结果如图4- ▲图4-9 简单的柱状图加入label 02 聚合柱状图 除了简单的柱状图，在实际场景中也会经常用到聚合柱状图，以更直观地比较各维度信息。 ▲图4-13 堆叠柱状图调整堆叠效果 关于作者：王大伟，毕业于华东理工大学，硕士学历，目前就职于平安金融壹账通，从事数据挖掘算法工作，擅长ECharts、Python、自然语言处理、数据分析挖掘、机器学习 本文摘编自《ECharts数据可视化：入门、实战与进阶》，经出版方授权发布。
4.1K20发布于 2021-02-05 - 来自专栏python3
python 正则匹配手机号
import re phone = str(input('请输入手机号:')) # b = str(12345678912) t = re.compile(r'^1(3\d|4[4-9]|5[0-35-
3.7K10发布于 2020-01-17 - 来自专栏愿天堂没有BUG（公众号同名）
SpringCloudRPC调用核心原理：RxJava响应式编程框架，聚合操作符
count操作符 count操作符用来对源Observable流的数据项进行计数，最后将总数弹射出来；如果源流弹射错误，就会将错误直接报出来；在源Observable流没有终止前，count操作符是不会弹射统计数据的 使用count操作符对数据流序列进行计数，具体的执行流程如图4-9所示。 图4-9 使用count操作符对数据流序列进行计数 下面是一个使用count操作符的简单例子，代码如下： package com.crazymaker.demo.rxJava.basic;//省略import Observable流所弹射的数据项数量。 除了第一项之外，reduce操作符会将上一个数据项应用归约函数的结果作为下一个数据项在应用归约函数时的输入。所以，和scan操作符一样，reduce操作符也有点类似递归操作。
67740编辑于 2022-10-28 - 来自专栏全栈程序员必看
正则表达式验证手机号码格式_正则表达式身份证校验
import re patt=r’(13[4-9]\d{8,})KaTeX parse error: Undefined control sequence: \d at position 12: |(15
94010编辑于 2022-09-30 - 来自专栏Ms08067安全实验室
最新SQL注入漏洞原理及与MySQL相关的知识点
SQL语句来实现对数据库的任意操作。 — 参数被带入数据库查询：传入的参数被拼接到SQL语句中，且被带入数据库查询。 在MySQL 5.0版本之后，MySQL默认在数据库中存放一个名为“information _schema”的数据库。 图4-8 COLUMNS表存储该用户创建的所有数据库的库名、表名和字段名，如图4-9所示。 需要记住该表中记录数据库库名、表名和字段名的字段名分别为TABLE_ SCHEMA、TABLE_NAME和COLUMN_NAME。 图4-9 常用的MySQL查询语句和语法如下。
80960编辑于 2023-09-11 - 来自专栏全栈程序员必看
java验证电话号码的正则_html注册验证正则表达式
PhoneFormatCheckUtils { public static boolean isMobile(String mobile) { String regex = "^((13[0-9])|(14[0,1,4-
1.4K10编辑于 2022-09-30 - 来自专栏人力资源数据分析
对于岗位人数少的职级，应该如何分析薪酬结构
我们在做薪酬数据分析的时候，都会按照薪酬结构的各个职级，对岗位进行薪酬曲线的绘制和数据分析。最进行分析的时候，我们会去计算各个职级的中位值数据，这些都是一个标准的薪酬分析的流程。 ? 但是对有些企业来说，他们的岗位结构比较简单，岗位的职级就几个层级，岗位的人员也就3-4个人，对于这样的简单的数据，我们几乎不能去绘制岗位的薪酬曲线，对于这样的企业我们要如何去做数据分析呢，今天我们通过案例来分析下 首先我们来看数据 ? 这组数据大家发现经理级别的只有3个，职级的话只有4-9，有些职级还只有一个数据，相对来说这个数据比较的简单，针对各个职级去算中位值其实意义也不大，因为数据只有2-3个。 但是我们考虑到岗位的本省数据比较少，在进行薪酬曲线绘制的时候数据的偶然性比较的大，所以除了我们可以做这样的薪酬曲线外，我们还可以做岗位的薪酬分布图，把每个岗位的薪酬数据在该岗位对应的市场分位置上用散点图做分布
1.7K10发布于 2020-03-12 - 来自专栏人工智能头条
资源 | Python数据分析课程：从入门到实战
整理 | 阿司匹林 出品 | 人工智能头条（AI_Thinker） 想要成为一名数据科学家，首先你得学会数据分析，而 Python 就是一个很好的数据分析工具。 这门课程将教会你使用 Python 来分析所有类型的数据，而且不需要任何的编程经验。 以下是课程内容介绍： ▌课程主题 介绍/审查命令行 Python 基础知识及其数据类型 数据分析软件包 Numpy 和 Pandas 绘图软件包 Matplotlib 和 Seaborn 统计学 常用表达 第 4-9 课将介绍如何使用 Python 进行编程。主要内容将是 Learn Python 3 the Hard Way。 第 10-18 课将着重介绍如何用 Python 软件包进行数据分析。我们将使用 Python for Data Analysis 作为教材，这本书的主要内容是数据分析，数据统计和制作漂亮的图表。
1.6K30发布于 2018-06-05 - 来自专栏啄木鸟软件测试
更正以前风险调整中的一个缺陷
用户登录 3 6 18 用户注册 2 7 14 填写购物地址及支付信息 2 5 10 选择商品 3 4 12 放入购物车 3 5 15 结算 4 5 20 在线付款 4 6 24 目前级别发现的风险见表4- 表4-9 目前级别发现的缺陷 模块 高级 中级 低级 用户登录 2 5 16 用户注册 3 6 31 填写购物地址及支付信息 2 7 22 选择商品 1 5 13 放入购物车 1 0 3 结算 2 4
55400编辑于 2025-01-22 - 来自专栏张叔叔讲互联网
什么是标签元数据查询服务
标签元数据查询服务即通过服务化的方式提供标签元数据查询能力。其中标签基本信息、标签分类信息和标签值统计信息是使用较多且需要服务化的数据，其他元数据因为服务化使用场景较少，在本节中不做介绍。 标签元数据查询服务除了直接应用在画像平台自身标签管理模块之外，还可以提供给第三方业务使用。 比如第三方业务在搭建平台过程中需要支持规则人群创建能力，平台上需要展示出可选择的标签并在人群圈选时支持对标签进行配置，这些功能所需要的信息可以通过调用标签元数据服务获取。 图4-9展示了标签元数据查询服务的主要应用场景，结合画像平台分群服务共同支持了第三方平台的人群能力建设。 图片 综上可知，标签元数据查询服务可以对外提供标签元数据信息查询能力，调用方一般在标签管理和规则人群创建环节使用该服务。 ---- 本文节选自《用户画像：平台构建与业务实践》，转载请注明出处。
56710编辑于 2023-10-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号