统计学习方法学习总结（四）：决策树

最新推荐文章于 2024-10-02 23:04:10 发布
最新推荐文章于 2024-10-02 23:04:10 发布
阅读量936 收藏 20
点赞数 26
文章标签： 学习方法 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/newqingzbk/article/details/135814525
版权

概念 

分类决策树模型是一种描述对实例进行分类的树形结构。 决策树由结点(node)  和有向边(directed edge)组成。结点有两种类型：内部结 点(internal     node) 和叶结点(leaf       node)。内部结点表示一个特征或属性，叶结点表 示一个类。

用决策树分类，从根结点开始，对实例的某一特征进行测试，根据测试结果，将实 例分配到其子结点；这时，每一个子结点对应着该特征的一个取值。如此递归地对实 例进行测试并分配，直至达到叶结点。最后将实例分到叶结点的类中。

决策树中的学习

 

 

至于决策树的应用领域，它们非常广泛，包括但不限于：

  • 医疗诊断：根据病人的症状和检验结果来诊断疾病。
  • 金融分析：评估贷款申请者的信用风险或预测股票市场。
  • 客户关系管理：根据客户的历史数据预测其未来的购买行为或流失可能性。
  • 故障诊断：在制造业或技术支持中用于诊断设备或系统的故障。
  • 推荐系统：在电子商务中用于根据用户的历史购买和浏览行为推荐产品。

决策树学习过程的基本步骤：

  1. 选择最佳分割属性：在训练的初始阶段，算法会评估数据集中的每个特征，以确定哪个特征最适合作为树的根节点。这通常是通过计算信息增益（Information Gain）、信息增益比（Gain Ratio）或基尼不纯度（Gini Impurity）等标准来实现的。这个特征将被用来分割数据集，形成树的第一个决策点。

  2. 分割数据集：根据选择的特征，数据集被分割成子集。每个子集包含在该特征上具有相同值的数据点。例如，如果选择的特征是“年龄”，则数据可能根据年龄分为“少年”、“青年”、“中年”、“老年”等子集。

  3. 递归构建子树：对每个子集重复上述过程，选择最佳分割属性，然后继续分割。这个递归过程会持续进行，直到满足特定的停止条件，例如达到预定的树深度、节点中数据点的数量小于某个阈值，或者所有数据点都属于同一个类别。

  4. 剪枝：为了防止过拟合（即模型在训练数据上表现很好，但在新数据上表现不佳），通常会对决策树进行剪枝。剪枝可以在树构建过程中（预剪枝）或构建后（后剪枝）进行。它涉及到移除部分子树或叶节点，以简化模型。

  5. 评估和使用：一旦决策树被构建，它可以用来对新的数据实例进行分类或回归预测。评估其性能通常涉及到使用独立的测试数据集，以检验模型的泛化能力。

决策树的特征选择

决策树的特征选择是一个关键步骤，它决定了如何从数据中选择最佳特征来分割节点。主要的特征选择方法有三种：信息增益（Information Gain）、增益率（Gain Ratio）和基尼指数（Gini Index）。 

1. 信息增益（Information Gain）

信息增益是决策树中最常用的特征选择方法，特别是在ID3算法中。它是基于熵的概念，熵是度量数据集中随机性或不确定性的指标。

熵的定义：

 

 其中，H(S) 是集合 S 的熵，pi​ 是该集合中第 i 类结果的概率。
信息增益的计算：

其中，IG(S,A) 是特征 A 对集合S 的信息增益，T 是特征 A 的所有可能值，St​ 是特征 A 的值为 t 时的子集，∣St​∣ 和 ∣S∣ 分别是子集和原始集合的大小。

用一个简单的例子来解释信息增益的计算过程。假设我们有一个小型数据集，它描述了一些动物是否属于哺乳类。我们的目标是决定“体型”和“有无毛发”这两个特征中哪一个更适合作为决策树的根节点。

数据集如下：

动物体型有无毛发哺乳类
动物1大有是
动物2小无否
动物3中有是
动物4小有是
动物5大无否

首先，我们需要计算整个数据集的熵。在这个例子中，有3个哺乳类和2个非哺乳类。

  • 整个数据集的熵: 

让我们来计算这个值。

整个数据集的熵 H(S) 约为 0.971。

接下来，我们将分别计算基于“体型”和“有无毛发”这两个特征的信息增益。

1. 以“体型”为特征的信息增益

“体型”这个特征有三个值：大、中、小。我们需要计算每个子集的熵，然后计算信息增益。

  • 体型为大的子集熵:

    • 包含两个样本，一个是哺乳类（动物1），一个不是哺乳类（动物5）。
    • H(体型=大)=−(p哺乳类​log2​(p哺乳类​)+p非哺乳类​log2​(p非哺乳类​))

  • 体型为中的子集熵:

    • 只包含一个样本，是哺乳类（动物3）。
    • H(体型=中)=0 （因为没有不确定性）

  • 体型为小的子集熵:

    • 包含两个样本，一个是哺乳类（动物4），一个不是哺乳类（动物2）。
    • H(体型=小)=−(p哺乳类​log2​(p哺乳类​)+p非哺乳类​log2​(p非哺乳类​))

然后，我们将计算“体型”这个特征的整体熵，最后计算信息增益。

2. 以“有无毛发”为特征的信息增益

这个过程类似，但是我们只有两个子集：“有毛发”和“无毛发”。

让我们先计算基于“体型”特征的信息增益。

# 计算基于“体型”特征的信息增益

# 体型为大的子集熵
p_哺乳类_大 = 1 / 2
p_非哺乳类_大 = 1 / 2
H_体型大 = -(p_哺乳类_大 * math.log2(p_哺乳类_大) + p_非哺乳类_大 * math.log2(p_非哺乳类_大))

# 体型为中的子集熵（只有一个哺乳类，所以熵为0）
H_体型中 = 0

# 体型为小的子集熵
p_哺乳类_小 = 1 / 2
p_非哺乳类_小 = 1 / 2
H_体型小 = -(p_哺乳类_小 * math.log2(p_哺乳类_小) + p_非哺乳类_小 * math.log2(p_非哺乳类_小))

# 体型特征的整体熵
H_体型 = (2 / 5) * H_体型大 + (1 / 5) * H_体型中 + (2 / 5) * H_体型小

# 信息增益
IG_体型 = H_S - H_体型
IG_体型

​​

基于“体型”特征的信息增益 体型IG体型​ 约为 0.171。

现在，我们将计算基于“有无毛发”特征的信息增益。过程与之前相似，只是我们需要考虑的子集是“有毛发”和“无毛发”。

  • 有毛发的子集熵:

    • 包含三个样本，两个是哺乳类（动物1、动物3和动物4），一个不是哺乳类（动物2）。
    • H(有毛发)=−(p哺乳类​log2​(p哺乳类​)+p非哺乳类​log2​(p非哺乳类​))

  • 无毛发的子集熵:

    • 包含两个样本，都不是哺乳类（动物5）。
    • H(无毛发)=0 （因为没有不确定性）

然后，我们将计算“有无毛发”这个特征的整体熵，最后计算信息增益。让我们来计算这个值。

# 计算基于“有无毛发”特征的信息增益

# 有毛发的子集熵
p_哺乳类_有毛发 = 3 / 4
p_非哺乳类_有毛发 = 1 / 4
H_有毛发 = -(p_哺乳类_有毛发 * math.log2(p_哺乳类_有毛发) + p_非哺乳类_有毛发 * math.log2(p_非哺乳类_有毛发))

# 无毛发的子集熵（只有非哺乳类，所以熵为0）
H_无毛发 = 0

# 有无毛发特征的整体熵
H_有无毛发 = (3 / 5) * H_有毛发 + (2 / 5) * H_无毛发

# 信息增益
IG_有无毛发 = H_S - H_有无毛发
IG_有无毛发

​​

基于“有无毛发”特征的信息增益有无毛发IG有无毛发​ 约为 0.484。

比较两个特征的信息增益，我们发现 体型IG有无毛发​>IG体型​，这意味着“有无毛发”这个特征比“体型”更适合用来作为决策树的根节点。因为“有无毛发”在区分哺乳类和非哺乳类方面提供了更多的信息。在实际的决策树构建过程中，我们会选择具有最高信息增益的特征来分割节点。 ​

2. 信息增益比（Gain Ratio）

增益率是对信息增益的一种改进，特别是在C4.5算法中使用。它解决了信息增益偏向于选择具有更多值的特征的问题。

  • 分裂信息的定义：​wAAACH5BAEKAAAALAAAAAABAAEAAAICRAEAOw==编辑

  • 增益比

  • 的计算： 

3. 基尼指数（Gini Index）

基尼指数是另一种常用的特征选择方法，特别是在CART（Classification and Regression Trees）算法中。它是度量数据集的不纯度的指标。

决策树的剪枝

决策树的剪枝是一种减少决策树复杂度、防止过拟合的技术。过拟合是指模型在训练数据上表现很好，但在未见过的数据上表现不佳的情况。剪枝通过减少决策树的大小来提高模型的泛化能力。

决策树剪枝分为两种：预剪枝（Pre-pruning）和后剪枝（Post-pruning）。

预剪枝（Pre-pruning）

预剪枝是在决策树完全生成之前停止树的生长。方法包括：

  1. 限制树的深度：设置树的最大深度。
  2. 限制节点的最小样本数：如果一个节点的样本数少于阈值，就不再继续分割。
  3. 信息增益阈值：如果一个分割的信息增益小于某个阈值，则停止分割。
  4. 验证数据集的性能监控：使用验证集来监控模型性能。如果模型在验证集上的表现不再改善，则停止生长。

预剪枝简单易行，但可能会导致欠拟合，即模型在训练数据上也没有很好的表现。

后剪枝（Post-pruning）

后剪枝是在决策树完全生成后进行的。它通常比预剪枝更能提高模型的泛化能力。方法包括：

  1. 剪除测试：使用独立的验证集来测试剪除某些分支后模型的性能。如果剪除后性能提高或保持不变，则进行剪枝。
  2. 最小错误剪枝：考虑节点的错误率，如果合并子节点后整体错误率降低或保持不变，则合并。
  3. 代价复杂性剪枝：在树的复杂度和预测误差之间寻找最佳平衡。这种方法考虑了树的大小和其性能，寻找最优的剪枝策略。

后剪枝过程更加复杂，计算成本也更高，但通常能获得更好的结果。

 

决策树的算法

1. ID3（Iterative Dichotomiser 3）

  • 特点：ID3是最早的决策树算法之一，由Ross Quinlan在1986年提出。
  • 核心：使用信息增益作为标准来选择分割数据集的特征。
  • 限制：只能处理分类问题，不能直接处理数值型数据和缺失数据。
import numpy as np
import pandas as pd
from collections import Counter

def calculate_entropy(y):
    """
    计算熵
    y: 数据集中的目标变量
    """
    # 统计每个类别的频率
    counts = Counter(y)
    probabilities = [count / len(y) for count in counts.values()]

    # 计算熵
    entropy = -np.sum([p * np.log2(p) for p in probabilities])
    return entropy


def calculate_information_gain(X, y, feature):
    """
    计算信息增益
    X: 数据集
    y: 目标变量
    feature: 要计算信息增益的特征
    """
    # 计算初始熵
    entropy_before = calculate_entropy(y)

    # 按照特征分割数据集
    values = set(X[feature])
    entropy_after = 0
    for value in values:
        y_subset = y[X[feature] == value]
        entropy_after += calculate_entropy(y_subset) * len(y_subset) / len(y)

    # 计算信息增益
    information_gain = entropy_before - entropy_after
    return information_gain


def id3(X, y, features):
    """
       ID3算法的实现
       X: 数据集
       y: 目标变量
       features: 特征列表
    """
    # 如果所有实例都属于同一个类别，则直接返回该类别
    if len(set(y)) == 1:
        return y.iloc[0]  # 修改此处，适用于pandas.Series

    # 如果没有特征可以用来进一步分割数据，返回最多的类别
    if len(features) == 0:
        return Counter(y).most_common(1)[0][0]

    # 计算每个特征的信息增益
    gains = [calculate_information_gain(X, y, feature) for feature in features]

    # 选择信息增益最大的特征
    max_gain_feature = features[np.argmax(gains)]

    # 创建决策树节点
    tree = {max_gain_feature: {}}

    # 移除已选择的特征
    features = [i for i in features if i != max_gain_feature]

    # 递归地构建决策树
    for value in set(X[max_gain_feature]):
        subset_X = X[X[max_gain_feature] == value]
        subset_y = y[X[max_gain_feature] == value]

        # 在这里可以添加剪枝逻辑，例如限制树的深度或节点最小样本数

        tree[max_gain_feature][value] = id3(subset_X, subset_y, features)

    return tree


# 示例数据
data = {
    'Outlook': ['Sunny', 'Sunny', 'Overcast', 'Rain', 'Rain', 'Rain', 'Overcast', 'Sunny', 'Sunny', 'Rain'],
    'Temperature': ['Hot', 'Hot', 'Hot', 'Mild', 'Cool', 'Cool', 'Cool', 'Mild', 'Cool', 'Mild'],
    'Humidity': ['High', 'High', 'High', 'High', 'Normal', 'Normal', 'Normal', 'High', 'Normal', 'Normal'],
    'Wind': ['Weak', 'Strong', 'Weak', 'Weak', 'Weak', 'Strong', 'Strong', 'Weak', 'Weak', 'Weak'],
    'PlayTennis': ['No', 'No', 'Yes', 'Yes', 'Yes', 'No', 'Yes', 'No', 'Yes', 'Yes']
}
df = pd.DataFrame(data)

# 构建决策树
tree = id3(df, df['PlayTennis'], list(df.columns[:-1]))
print(tree)

2. C4.5

  • 特点：C4.5是ID3的后继者，也是由Ross Quinlan开发。
  • 核心：引入了增益率（Gain Ratio）来选择特征，以解决ID3倾向于选择拥有更多值的特征的问题。
  • 改进：能够处理连续型数据和缺失数据，支持对生成的树进行剪枝。

3. CART（Classification and Regression Trees）

  • 特点：由Breiman等人于1984年提出，用于分类和回归任务。
  • 核心：使用基尼不纯度（Gini Index）来选择特征。
  • 特性：生成的是二叉树，每个节点只产生两个子节点，适用于更广泛的数据类型。
  • import numpy as np
import pandas as pd
from collections import Counter

def calculate_gini(y):
    """
    计算给定数据集的基尼不纯度
    y: 目标变量
    """
    if len(y) == 0:
        return 0
    else:
        counts = Counter(y)
        probabilities = [count / len(y) for count in counts.values()]
        gini = 1 - sum([p**2 for p in probabilities])
        return gini

def calculate_gini_impurity(X, y, feature):
    """
    计算基于特定特征的基尼不纯度
    X: 数据集
    y: 目标变量
    feature: 特征
    """
    unique_values = set(X[feature])
    weighted_gini = 0
    for value in unique_values:
        subset_y = y[X[feature] == value]
        gini = calculate_gini(subset_y)
        weighted_gini += gini * len(subset_y) / len(y)
    return weighted_gini

def cart(X, y, features):
    """
    CART算法的实现
    X: 数据集
    y: 目标变量
    features: 特征列表
    """
    # 如果所有实例都属于同一个类别，返回该类别
    if len(set(y)) == 1:
        return y.iloc[0]

    # 如果没有特征可以分割，返回最多的类别
    if len(features) == 0:
        return Counter(y).most_common(1)[0][0]

    # 计算每个特征的基尼不纯度
    gini_impurities = [calculate_gini_impurity(X, y, feature) for feature in features]

    # 选择基尼不纯度最小的特征
    best_feature = features[np.argmin(gini_impurities)]

    # 创建决策树节点
    tree = {best_feature: {}}

    # 移除已选择的特征
    features = [i for i in features if i != best_feature]

    # 递归地构建决策树
    for value in set(X[best_feature]):
        subset_X = X[X[best_feature] == value]
        subset_y = y[X[best_feature] == value]
        tree[best_feature][value] = cart(subset_X, subset_y, features)

    return tree

# 示例数据
data = {
    'Outlook': ['Sunny', 'Sunny', 'Overcast', 'Rain', 'Rain', 'Rain', 'Overcast', 'Sunny', 'Sunny', 'Rain'],
    'Temperature': ['Hot', 'Hot', 'Hot', 'Mild', 'Cool', 'Cool', 'Cool', 'Mild', 'Cool', 'Mild'],
    'Humidity': ['High', 'High', 'High', 'High', 'Normal', 'Normal', 'Normal', 'High', 'Normal', 'Normal'],
    'Wind': ['Weak', 'Strong', 'Weak', 'Weak', 'Weak', 'Strong', 'Strong', 'Weak', 'Weak', 'Weak'],
    'PlayTennis': ['No', 'No', 'Yes', 'Yes', 'Yes', 'No', 'Yes', 'No', 'Yes', 'Yes']
}
df = pd.DataFrame(data)

# 构建CART决策树
tree = cart(df, df['PlayTennis'], list(df.columns[:-1]))
print(tree)

 

 

newqingzbk
关注
模式识别与机器学习（Python实现）：决策树分男女
安静到无声
10-21 1713
欢迎大家来到安静到无声的《模式识别与人工智能（程序与算法）》，如果对所写内容感兴趣请看模式识别与人工智能（程序与算法）系列讲解 - 总目录，同时这也可以作为大家学习的参考。欢迎订阅，优惠价只需9.9元，请多多支持！
深度学习知识点全面总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
01-05 25万+
本文详细介绍深度学习概念及原理，参考网上相关资料汇总，内容包含众多章节，包括神经网络基础及常见深度学习网络结构介绍，用于个人学习总结，适合深度学习初学者学习。同时介绍机器学习常见的分类算法：SVM、神经网络、随机森林、逻辑回归、KNN、贝叶斯。常见的监督学习算法：感知机、SVM、人工神经网络、决策树、逻辑回归.........
决策树Gini系数计算过程详细解答
kunshanyuZ的博客
02-21 3万+
最近看了篇文章，关于决策树的基尼系数计算过程，很详细，也很完整； 文章出处：https://sefiks.com/2018/08/27/a-step-by-step-cart-decision-tree-example/ 收藏记录一下。 An algorithm can be transparent only if its decisions can be read and understo...
统计学习方法决策树
一枝韩独秀的博客
12-19 4494
决策树（decision tree） 是一种基本的分类与回归方法。决策树模型呈树形结构， 在分类问题中， 表示基于特征对实例进行分类的过程。 它可以认为是if-then规则的集合， 也可以认为是定义在特征空间与类空间上的条件概率分布。 其主要优点是模型具有可读性， 分类速度快。 学习时， 利用训练数据， 根据损失函数最小化的原则建立决策树模型。 预测时， 对新的数据， 利用决策树模型进行分类。 决...
机器学习三：决策树
泠山的博客
03-23 4679
机器学习三：决策树1. 介绍2. 参数2.1. min_samples_split2.2. 不纯度和熵2.2.1 信息增益2.1.1.1 信息增益计算3. Bias-Variance Dilemma4. 总结5. SK Learn 1. 介绍 决策树是机器学习中最早也是最常使用的算法之一，它已经有几十年历史，稳定性非常好。 它和支持向量机类似，也可以在这里使用核技巧，将线性决策面转换为非线性。决策树可以通过核技巧把简单的线性决策面转换为非线性的决策面。 举个例子，有个叫 Tom 的朋友，他非常喜欢冲浪，而冲
【机器学习实战】3、决策树
热门推荐
呆呆的猫的博客
03-13 36万+
(声明：本文内容来自机器学习实战和统计学习方法，是两者的整合，并非来自单个书籍）决策树（decision tree）：是一种基本的分类与回归方法，此处主要讨论分类的决策树。在分类问题中，表示基于特征对实例进行分类的过程，可以认为是if-then的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。决策树通常有三个步骤：特征选择、决策树的生成、决策树的修剪。用决策树分类：从根节点开始，对实例的某一特征进行测试，根据测试结果将实例分配到其子节点，此时每个子节点对应着该特征的一个取值，如此递归的对实例进行测
机器学习算法（十四）：决策树系列
weixin_39910711的博客
04-24 3750
目录 1 决策树 2 信息增益 2.1香农熵 2.2信息增益 2.3信息增益比 3决策树的生成和修剪 3.1决策树的构建 3.1.1 ID3算法 3.1.2 C4.5算法 3.2 决策树的剪枝 3.3 CART算法 3.3.1CART决策树生成 3.3.2CART决策树剪枝 3.3.3 CART剪枝算例 4停止分裂的条件 1 决策树 ...
Python3《机器学习实战》学习笔记（二）：决策树基础篇之让我们从相亲说起
Jack-Cui
07-21 7万+
有读者反映，说我上篇文章Python3《机器学习实战》学习笔记（一）：k-近邻算法(史诗级干货长文)，太长了。一看那么长，读的欲望都降低了。既然如此，决策树的内容，我就分开讲好了。本篇讨论决策树的原理和决策树的构建，完整实例内容会在下一篇进行讲解。
机器学习_3:决策树的构建及应用
chuxiao_scx的博客
10-28 1902
文章目录实验背景1.决策树算法原理1.1.什么是决策树1.2.如何构建好的决策树1.2.1.香浓熵1.2.2.信息增益1.2.3.信息增益率1.2.4.基尼指数1.3.如何优化构建完的决策树1.3.1.预剪枝1.3.2.后剪枝2.三种决策树构造2.1.基于信息增益构造的决策树（ID 3）2.2.基于信息增益率构造的决策树（C 4.5）2.3.基于基尼指数构造的决策树（CART）3.决策树测试4.总结 实验背景 在之前的实验： 机器学习_1:K-近领算法 机器学习_2:K-近领算法 我们了解到了K-近邻算法是
【机器学习-15】决策树（Decision Tree，DT）算法：原理与案例实现
qq_38614074的博客
04-10 2万+
决策树算法是机器学习领域中的一种重要分类方法，它通过树状结构来进行决策分析。决策树凭借其直观易懂、易于解释的特点，在分类问题中得到了广泛的应用。本文将介绍决策树的基本原理，包括熵和信息熵的相关概念，以及几种经典的决策树算法。
《统计学习方法》第五章：决策树
11-25
### 《统计学习方法》第五章：决策树 #### 5.1 决策树模型与学习 ##### 5.1.1 决策树模型 决策树是一种用于分类和回归的强大工具，它通过一系列的if-then规则来进行决策。在决策树中，树的每个节点代表一个特征或...
基于《统计学习方法》的决策树算法原理总结
09-22
内容概要：本文根据李航老师的著作《统计学习方法》，全面系统地阐述了决策树模型的核心知识点，包括不确定性衡量、特征筛选标准、损失函数以及决策树构造和优化的方法论，并剖析了决策树算法的实际应用效果。...
前端框架React的详细的学习方法和过程
2401_87352036的博客
09-25 684
此外，你还可以关注React社区的最新动态，阅读优秀的博客文章、教程和视频教程，以了解React生态系统的发展和最新技术。React Hooks是React 16.8版本引入的一个重要特性，它允许你在不编写类的情况下使用state和其他React特性。随着React的不断更新和发展，你需要不断地学习和实践，以掌握最新的技术和最佳实践。你可以尝试构建一些简单的React项目，如待办事项列表、天气预报应用等，以加深对React概念和技术的理解。学习React作为前端架构的一部分，是一个系统且逐步深入的过程。
Go基础学习08-并发安全型类型-通道（chan）深入研究
FLJS_T的博客
09-28 830
在前面学习中了解到对于单值变量，如：int、string；多值变量，如：map存在多协程对资源竞争的并发问题，为了解决并发性通常需要引入sync.Mutex解决。>对于通道的基本声明方式有三种：声明并初始化带缓冲的通道（ch1）；声明并初始化一个不带缓冲的通道（ch2）；仅仅声明一个通道（ch3） >什么是通道：==一个通道相当于一个先进先出（FIFO）的队列。也就是说，通道中的各个元素值都是严格地按照发送的顺序排列的，先被发送通道的元素值一定会先被接收。Select和for循环实现对channel的多次选
10.2学习
2401_87363162的博客
10-02 850
​ Spring AOP就是基于动态代理的，如果要代理的对象，实现了某个接⼝，那么Spring AOP会使⽤JDKProxy，去创建代理对象，⽽对于没有实现接⼝的对象，就⽆法使⽤ JDK Proxy 去进⾏代理了，这时候Spring AOP会使⽤基于asm框架字节流的Cglib动态代理 ，这时候Spring AOP会使⽤ Cglib ⽣成⼀个被代理对象的⼦类来作为代理。每个线程中都有一个自己的ThreadLocalMap类对象，可以将线程自己的对象保持到其中，各管各的，线程可以正确的访问到自己的对象。
H.264学习笔记
zfenggo的博客
09-26 847
H.264凭借其出色的压缩效率、灵活的编码方式以及高质量的视频表现，成为了现代视频技术的核心标准之一。它不仅减少了存储需求，还提高了流媒体和实时视频传输的可行性。对于从高清到超高清视频，H.264的编码能力仍然广泛适用。H.264的帧结构设计（I帧、P帧和B帧）极大地提高了视频编码的压缩效率。I帧保存完整的图像信息，P帧通过参考之前的帧减少冗余数据，而B帧则通过双向参考提供进一步的压缩优势。这种帧间的协同工作大幅降低了带宽需求和存储成本，同时保持了视频的高质量。NALU头。
从0学习React（3）
qq_54432917的博客
09-29 626
在第一篇文章中，我们对index.tsx文件的每一行代码都做了简单的分析。通过第一篇文章的总结，我也大致知道了index.tsx里的很多语法。而第二篇文章，我对index.tsx文件的框架做了一个大致的分析，通过第二篇文章，我对index.tsx有了进一步的认识。按理来讲，第三篇文章我还是解析index.tsx文件，但是我发现，对于前两篇文章，其实我对语法的细节有很多不明白的点。因此这篇文章，我就把React的一些最基础的知识给梳理一下，帮助我更好的理解index.tsx的代码。
Go基础学习10-原子并发包sync.atomic的使用：CSA、Swap、atomic.Value......
最新发布
FLJS_T的博客
10-02 504
原子操作sync.atomic以及原子变量atomic.Value详细介绍。go中原生的支持原子操作的函数支持的变量类型int32、int64、uint32、uint64、uintptr，以及unsafe包中的Pointer。对于上述原子操作类型中的每一个，可以支持的数据类型有：==int32、int64、uint32、uint64、uintptr，以及unsafe包中的Pointer。但是否sync.Mutex变量能够保证操作的原子性。atomic.Value类型是开箱即用的，我们声明一个该类型的变量
6.824 Lab 2C 学习记录
kingsill的博客
09-29 295
最后10s，开始的时候，恢复网络，插入一个数据，等待这个数据被提交，如果超过这10s就报错。2C的test中的unreliable figure8算是给博主的迎头一棒，需要根据raft论文的figure8进行解决，leader。根据前任及博主自己的经验，unreliable figure8的除了上述这一点以外，需要对。博主由于之前的不严谨，给自己留下了很大的改进困难，最后不得不重构代码。进行一定的设计，可以参考课程里老师提出的意见。一下为博主的github仓库，需要的可以参考。有一定的考验，那么就需要对。
《统计学习方法》机器学习算法详解：感知机、K-NN、朴素贝叶斯与决策树
"《统计学习方法》机器学习算法总结" 本文是对李航的《统计学习方法》一书中涉及的多种机器学习算法的概览。以下是对这些算法的详细阐述： 1. **感知机** 感知机是一种用于二类分类的线性分类算法。它的目标是...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值