- 博客(53)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 Java web—访问http://localhost:8080/xx/xx.jsp报404错误问题
（本人找了一上午404错误的问题，后面找到关于jsp不能放在自己创建的包上会导致路径出错，最后解决了页面404的问题）.jsp文件不能放到另外的Package包中，会一直报404错误，最好还是放在webapp目录下。如果浏览器地址栏的地址和代码请求的路径一致，依然报404错误，看eclipse的tomcat有没有启动。通俗的讲就是当用户输入了错误的链接时，返回的页面。例如，该表单提交的的路径messageServlet，启动服务器后发现404错误，可从路径上寻找原因。再运行Tomcat就可以解决问题了。
2022-11-10 19:54:23
10784
1
原创 eclipse运行某个Java文件时出现Errors exist in required project(s)
Connection对象调用方法没有做一个异常抛出，从而导致报错为Unhandled exception type Exception，做一个try-catch异常抛出的处理就可以解决了。
2022-11-10 14:25:19
1571
原创 项目中uri提示http://java.sun.com/jsp/jstl/找不到jar包
先点击Java Build Path，选择Libraries，再选择Add External JAPs…，导入自己下载的jar包，刷新就可以了。右击项目选择Build Path，再选择Configure Build Path…二、 eclipse导入jar包方式。
2022-11-10 11:36:25
1758
原创 对Java Web的MVC模式认识
在Servlet中编写html的画面输出不是好的主意，在JSP上编写Java语言也不是很建议；对于Java程序代码与呈现画面的html等混杂在一起，非但撰写不易、日后对维护人员也不友好，而且对大型项目的分工合作也是一大困扰，将来若需要转换为其它页面模板技术上也会遇到很大麻烦。MVC是Model、View、Controller的缩写，是编写JSP的一种模式。Model是模型层也称为数据可持续层主要用到JavaBean技术实现对业务逻辑处理，数据类（结果的保存）View是视图层。
2022-11-04 14:12:50
1083
原创 解决Maven中No valid Maven installation found. Either set the home directory in the configuration dialog
打开setting，选择Build,Execution,Deplyment，再选择Build Tools，点击Maven，会出现下图。由于创建Maven工程时引入一些新的依赖，或者加入了新的实体类，mapper映射，我们都会选择。设置完成后，点击apply和ok重新构建项目即可。（即重新刷新下载Maven依赖）原因：IDEA的maven地址设置出错，系统找不到指定的maven路径。IDEA 导入maven项目，会报错。点击install下载依赖出现错误。
2022-11-02 12:12:45
32618
1
原创 idea报错为：java：错误：不支持发行版本5
Language level is invalid or missing in pom.xml. Current project JDK is 18. Specify language level insql-father-backend（项目名称）在做maven项目时经常会报这种错误：java：错误：不支持发行版本5。因为在项目中Java编译器中。这种方式不太好，因为一旦后面修改了pom.xml文件，这里的设置就可能又会被自动设置为1.5。
2022-11-02 11:26:15
5192
原创 idea中使用Maven出现https://repo.maven.apache.org/maven2问题
在idea中连接数据库提示下载依赖，依赖下载不成功会。：检查自己的配置镜像有没有配错。
2022-11-02 10:57:06
7660
原创 web.xml 文件报错：cvc-id.3: A field of identity constraint ‘web-common-servlet-name-uniqueness‘ matched
在对项目中的web.xml进行配置时，遇到如下错误，大概的翻译如下：“身份约束“ web-common-servlet-name-uniqueness”字段与元素“ web-app”匹配，但该元素没有简单的类型。.sun.com/xml/ns/javaee”，web.xml文件报错信息全都没有了，且可以正常运行！由于有些项目创建后没有web.xml，要手动点击后才显示。.sun.com/xml/ns/javaee” 中的。，具体如下：xmlns=“http://将上面 xmlns=“http://
2022-10-27 13:17:05
1054
原创 错误异常“The superclass “javax.servlet.http.HttpServlet“ was not found on the Java Build Path”的解决方法
原因分析：在java web工程下没有引入中间件（服务器tomcat）运行的library。在eclipse中导入项目后常出现的问题。Java web导入项目后出现“
2022-10-27 11:29:22
4354
1
原创 python数据分析—删除value=0的行
拿到一堆数据，首先我们是要对其进行数据的预处理，其中数据存在一些值为空或者是我们不想要的数据，对其进行删除或者是修改数据值。下面是对于该例子进行删除和修改：>>> dfout[]:0 10000 23 男1 15000 34 女2 23000 21 男3 0 20 女4 28500 0 男5 35000 37 男。
2022-09-15 11:52:37
17679
原创 数学建模之多项式回归
对于多项式回归方法来说，若你的数据点不适合线性回归(就是直线大部分不穿过数据点)，那么使用该方法就比较合适。并且多项式回归像线性回归一样，都是用变量 x 和 y 之间的关系来找到绘制数据点线最好的方法。
2022-09-09 15:13:26
1584
原创 机器学习11—原型聚类之学习向量量化（LVQ）
周志华的《机器学习》介绍学习向量量化（LVQ）中可以知道，LVQ也是基于原型的聚类算法，与K-Means不同的是，LVQ使用样本真实类标记辅助聚类，首先LVQ根据样本的类标记，从各类中分别随机选出一个样本作为该类簇的原型，从而组成了一个原型特征向量组，接着从样本集中随机挑选一个样本，计算其与原型向量组中每个向量的距离，并选取距离最小的原型向量所在的类簇作为它的划分结果，再与真实类标比较。LVQ算法的流程如下所示：统计样本的类别，假设一共有q类，初始化为原型向量的标记为{t1,t2,……,tq}。
2022-08-20 18:02:29
3894
原创 机器学习10—多元线性回归模型
在市场的经济活动中，经常会遇到某一市场现象的发展和变化取决于几个影响因素的情况，也就是一个因变量和几个自变量有依存关系的情况。而且有时几个影响因素主次难以区分，或者有的因素虽属次要，但也不能略去其作用。例如，某一商品的销售量既与人口的增长变化有关，也与商品价格变化有关。这时采用一元回归分析预测法进行预测是难以奏效的，需要采用多元回归分析预测法。多元回归分析预测法，是指通过对两个或两个以上的自变量与一个因变量的相关分析，建立预测模型进行预测的方法。当自变量与因变量之间存在线性关系时，称为多元线性回归分析。
2022-08-19 22:43:11
23295
1
原创 机器学习之算法优化（二）
模拟退火算法的应用很广泛，可以高效地求解NP完全问题，如旅行商问题(Travelling Salesman Problem，简记为TSP)、最大截问题(Max Cut Problem)、0-1背包问题(Zero One Knapsack Problem)、图着色问题(Graph Colouring Problem)等等，但其参数难以控制，不能保证一次就收敛到最优值，一般需要多次尝试才能获得（大部分情况下还是会陷入局部最优值）。观察模拟退火算法的过程，具有以下主要优势迭代搜索效率高，并且可以并行化；...
2022-08-17 20:26:07
656
原创 机器学习之算法优化—Geatpy工具中案例分析
问题1：如何用多种群来进行单目标优化下面代码是通过加multi来构建SEGA进化算法来进行多种群进化优化：上述代码输出为：差分进化DE_rand_1_bin算法算法描述:差分进化DE_rand_1_bin算法构造函数：主要参数说明：代码为：输出为：2.2例2是展示了一个带约束的单目标旅行商问题的求解。问题2：代码如下：输出为：matplotlib绘制路线图为：问题3：代码为：输出为：问题4：模型：分析：该问题可以单纯用实整数编码’RI’来实现，但由于有一个”x3,
2022-08-16 18:40:27
2642
2
原创 机器学习之算法优化（一）
Geatpy是一个高性能实用型进化算法工具箱，可用于求解单目标优化、多目标优化、复杂约束优化、组合优化、混合编码进化优化等。内部封装了多种算法，包括遗传算法，差分进化算法，群粒子算法，模拟退火算法等。1.方法一def aimFunc(pop) : # 定义目标函数（含约束） Vars = pop . Phen。...
2022-08-15 21:37:33
2044
2
原创 机器学习9—关联分析之Apriori算法和FP-Growth算法
FpGrowth算法通过构造一个树结构来压缩数据记录，使得挖掘频繁项集只需要扫描两次数据记录，而且该算法不需要生成候选集合，所以效率会比较高。FP-Tree（频繁模式树）：是一个树形结构，包括一个频繁项组成的头表，一个标记为null的根结点，它的子结点为一个项前缀子树的集合。频繁项：单个项目的支持度超过最小支持度则称其为频繁项（frequentitem）。频繁头表：频繁项头表的每个表项由两个域组成，一个是项目名称，一个是链表指针，指向下一个相同项目名称的结点。生成FP-Growth树。......
2022-08-10 19:29:17
5422
原创 机器学习8—聚类算法之DBSCAN和Birch算法
DBSCAN算法优缺点优点1）不需要划分个数。跟 K-means 比起来，DBSCAN 不需要人为地制定划分的类别个数，而可以通 过计算过程自动分出。2）可以处理噪声点。经过 DBSCAN 的计算，那些距离较远的数据不会被记入到任何一个簇中，从而成为噪声点，这个特色也可以用来寻找异常点。3）可以处理任意形状的空间聚类问题。从我们的例子就可以看出来，与 K-means不同，DBSCAN 可以处理各种奇怪的形状，只要这些数据够稠密就可以了。缺点1）需要指定最小样本量和半径两个参数。...
2022-08-09 16:50:15
2178
原创 机器学习7—聚类算法之K-means算法
聚类是将数据集中某些方面相似的数据划分在一起，给定简单的规则，对数据集进行分堆，是一种无监督学习。聚类集合中，处于相同聚类中的数据彼此是相似的，处于不同聚类中的元素彼此是不同的。由于在聚类中那些表示数据类别的分组信息或类标是没有的，即这些数据是没有标签的，所有聚类又被称为无监督学习（Unsupervised Learning）。K-means算法一种自下而上的聚类方法，是采用划分法来实现。K-means算法的优缺点：优点简洁明了，计算复杂度低。收敛速度较快。......
2022-08-08 14:44:14
2400
原创 机器学习六—深度学习算法之人工神经网络（ANN）
人工神经网络的灵感来自其生物学对应物。生物神经网络使大脑能够以复杂的方式处理大量信息。大脑的生物神经网络由大约1000亿个神经元组成，这是大脑的基本处理单元。神经元通过彼此之间巨大的连接（称为突触）来执行其功能。接收区（receptive zone）：树突接收到输入信息。触发区（trigger zone）：位于轴突和细胞体交接的地方，决定是否产生神经冲动。传导区（conducting zone）：由轴突进行神经冲动的传递。输出区。...
2022-08-06 23:14:34
10494
原创 机器学习—分类算法的对比实验
对各种机器学习分类算法进行对比，以鸢尾花数据集为例，我们从绘制的分类边界效果以及实验评估指标（Precision、Recall、F1-socre）分别进行对比。# 第一步，数据准备 from sklearn import datasets # 引入iris数据 import numpy as np。...
2022-08-05 16:29:36
2655
原创 机器学习5—分类算法之随机森林（Random Forest）
随机森林（Random Forest）是Bagging（一种并行式的集成学习方法）的一个拓展体，它的基学习器固定为决策树，多棵树也就组成了森林，而“随机”则在于选择划分属性的随机，随机森林在训练基学习器时，也采用有放回采样的方式添加样本扰动，同时它还引入了一种属性扰动，即在基决策树的训练过程中，在选择划分属性时，Random Forest先从候选属性集中随机挑选出一个包含K个属性的子集，再从这个子集中选择最优划分属性，一般推荐K=log2（d）。...
2022-08-05 15:14:37
89524
25
原创 机器学习4—分类算法之朴素贝叶斯 (Naive Bayes)
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考算法的优缺点优点逻辑清晰简单、易于实现，适合大规模数据。根据算法的原理，只要我们把样本中所有属性相关的概率值都计算出来，然后分门别类地存储好，就获得了我们的朴素贝叶斯模型。运算开销小。根据上一条我们可以得知，所有预测需要用到的概率都已经准备好，当新数据来了之后，只需要获取对应的概率值，并进行简单的运算就能获得结果。...
2022-08-03 19:26:07
2181
原创 机器学习3—分类算法之支持向量机（Support Vector Machine，SVM）算法
SVM算法分析的六个步骤第一步，加载数据集。采用loadtxt()函数加 - 载酒类数据集，采用逗号（,）分割。第二步，划分数据集。将Wine数据集划分为训练集和预测集，仅提取酒类13个特种中的两列特征进行数据分析。第三步，SVM训练。导入Sklearn机器学习包中svm.SVC()函数分析，调用fit()函数训练模型，predict(test_data)函数预测分类结果。第四步，评价算法。...
2022-08-02 18:14:21
3149
2
原创 机器学习3—分类算法之K邻近算法（KNN）
加载数据集采用loadtxt()函数加载酒类数据集，采用逗号（,）来分割。划分数据集由于Wine数据集第一列为类标，后面13列为13个酒类特征，获取其中两列特征，并将其划分成特征数组和类标数组，调用concatenate()函数实现。KNN训练调用Sklearn机器学习包中KNeighborsClassifier()函数训练，设置K值为3类，并调用clf.fit(train_data,train_target)训练模型，clf.predict(test_data)预测分类结果。...
2022-08-01 17:11:50
2516
3
原创 机器学习2—分类算法之决策树（Decision Tree）
训练。给定一个数据集，每个样本包含一组特征和一个类别信息，然后调用分类算法训练分类模型。预测。利用生成的模型或函数对新的数据集（测试集）进行分类预测，并判断其分类后的结果，并进行可视化绘图显示。分类实例进行讲解。假设存在一个垃圾分类系统，将邮件划分为“垃圾邮件”和“非垃圾邮件”，现在有一个带有是否是垃圾邮件类标的训练集，然后训练一个分类模型，对测试集进行预测，步骤如下随机森林为了更好地解决泛化及树结构变动~等~问题，从决策树演进出来随机森林算法。httpshttpshttps。...
2022-07-31 21:06:34
3332
1
原创 机器学习1一回归模型（二）
在前面讲述的回归模型中，处理的因变量都是数值型区间变量，建立的模型描述是因变量的期望与自变量之间的线性关系或多项式曲线关系。比如常见的线性回归模型而在采用回归模型分析实际问题中，所研究的变量往往不全是区间变量而是顺序变量或属性变量，比如二项分布问题。通过分析年龄、性别、体质指数、平均血压、疾病指数等指标，判断一个人是否换糖尿病，Y=0表示未患病，Y=1表示患病，这里的响应变量是一个两点（0或1）分布变量，它就不能用h函数连续的值来预测因变量Y（Y只能取0或1）。绘制Sigmoid曲线。https。.....
2022-07-30 20:19:21
743
原创 算法2—图与网络模型及方法（三）
由于我们只讨论V,A为有限集合的情况，所以对于弧上的权函数L,U和顶点上的权函数D，可以直接用所有孤上对应的权和顶点上的权组成的有限维向量表示，因此L,U,D有时直接称为权向量，或简称权。对于新的流，如果仍存在可增广轨，则用同样的方法使流的值增大，继续这个过程，直到网络中不存在关于新得到流的可增广轨为止，则该流就是所求的最大流。考虑如下流网络N=(V,A,U,D)节点s为网络中唯一的源点，t为唯一的汇点，而其它节点为转运点。G和G’中的流以一个简单的方式相互对应。...
2022-07-30 10:40:19
1473
原创 机器学习1一回归模型（一）
上图是一个简单的回归模型，X坐标是质量，Y坐标是用户满意度，从图中可知，产品的质量越高其用户评价越好，这可以拟合一条直线y=ax+b来预测新产品的用户满意度。在回归模型中，我们需要预测的变量叫做因变量，比如产品质量；选取用来解释因变量变化的变量叫做自变量，比如用户满意度。回归的目的就是建立一个回归方程来预测目标值，整个回归的求解过程就是求这个回归方程的回归系数。回归定义，如果曲线是一条三次曲线，就被称为三次多项回归。线性结果和特征之间是一次函数关系，比如上述例子中直线y=ax+b。......
2022-07-29 22:23:24
1960
原创 算法2—图与网络模型及方法（二）
i)Prim算法是直接查找，多次寻找邻边的权重最小值，而Kruskal是需要先对权重排序后查找的。(ii)Kruskal只需一次对权重的排序就能找到最小生成树，而Prim算法需要多次对邻边排序才能找到～Prim算法的实现过程首先以一个结点作为最小生成树的初始结点，然后以迭代的方式找出最小生成树中各结点权重最小的边，并加到最小生成树中。（加入之后如果产生回路了就要跳过这条边，选择下一个结点）当所有的结点都加入到最小生成树中后，就找出了这个连通图的最小生成树。Kruskal算法的实现过程。...
2022-07-28 19:00:54
155
原创 算法2—图与网络模型及方法（一）
Dijkstra算法和Floyd算法详细使用它们区别在1.Dijkstra不能处理负权图，Flyod能处理负权图。2.Dijkstra处理单源最短路径而Flyod是处理多源最短路径。3.Dijkstra时间复杂度为O（n^2），Flyod时间复杂度为O（n^3）空间复杂度为O（n^2）;如果题目中是单源点正权图，就用Dijkstra算法，如果是任意两个点之间的最短路径或者是负权图，就用Floyd。httpshttpshttpshttpshttpshttps。......
2022-07-27 22:42:14
534
原创 算法2—整数规划
规划中的变量（部分或全部）限制为整数时，称为整数规划。若在线性规划模型中，变量限制为整数，则称为整数线性规划。(目前求解整数规划方法只是适用整数线性规划）对有约束条件的最优化问题（其可行解为有限）的所有可行解空间恰当地进行系统搜索，这就是分枝与定界内容。分支定界法把全部可行解空间反复地分割为越来越小的子集，称为分枝；并且对每个子集内的解集计算一个目标上界，称为定界。每次分枝后，对于超出已知可行解集目标值的那些子集不再进一步分枝，就可以删减很多子集，这称为剪枝。......
2022-07-26 22:03:08
8948
原创 python数据分析(七)—pandas数据可视化
frame.plot(kind=‘barh’,stacked=True)#柱状图barh是水平方向制作。frame.plot(kind=‘bar’,stacked=True)#stacked设置重叠区域。stacked是否堆积，在折线图和柱状图中默认为False，在区域图中默认为True。x和y表示标签或者位置，用来指定显示的索引，默认为None。subplots是否对列分别作子图，默认False。kind表示绘图的类型，默认为line，折线图。Kernel概率密度线。......
2022-07-22 22:04:36
1887
原创 python数据分析(六)—数据清洗2
如果要对全DataFrame或者是Series数据集中的数据进行某种替换，map()可能需要对数据集中的每个列都进行map()操作才可以，但是replace方法可以一次性替换掉DataFrame或者是Series中所有的数据。drop_duplicates返回的是DataFrame，输出的是去除了重复行的新对象，默认保留按照顺序下来第一个遇到的序列。对象.rename(index={‘原索引’‘重命名索引’}，columns={‘原索引’‘重命名索引’})...
2022-07-21 21:39:35
725
原创 python数据分析(五)—数据清洗1
在数据分析中，缺失数据是经常发生的事，pandas的目标之一就是尽量简单处理缺失数据。1.缺失数据的虑除。
2022-07-20 23:41:11
446
原创 python数据分析(四)
SQLAlchemy项目是一个流行的PythonSQL工具，它抽象出了SQL数据库中的许多常见差异。数据库的选择通常取决于性能、数据完整性以及应用程序的伸缩性需求。虽然可以用PyTables或h5py库直接访问HDF5文件，pandas提供了更为高级的接口，可以简化存储Series和DataFrame对象。实现数据的高效二进制格式存储最简单的办法之一是使用Python内置的pickle序列化。将数据从SQL加载到DataFrame的过程很简单，此外pandas还有一些能够简化该过程的函数。...
2022-07-20 11:12:28
675
查找最小的k个元素-java版
2022-03-15
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人