qq_52669357的博客

mysql是最流行的关系型数据库管理系统，在web应用方面mysql是最好的应用软件之一）首先，到底什么是数据库DBM？数据库是按照数据结构来组织、存储和管理数据的仓库。每个数据库都有一个或多个不同的API用于创建，访问，管理，搜索和复制所保存的数据。所谓的关系型数据库，是建立在关系模型基础上的数据库，借助于集合代数等数学概念和方法来处理数据库中的数据，RDBMS即关系数据库管理系，其特点有：1.数据以表格的形式出现2.每行为各种记录名称3.每列为记录名称所对应的数据域。...

题目：小镇里有 n 个人，按从 1 到 n 的顺序编号。传言称，这些人中有一个暗地里是小镇法官。如果小镇法官真的存在，那么：小镇法官不会信任任何人。每个人（除了小镇法官）都信任这位小镇法官。只有一个人同时满足属性 1 和属性 2 。给你一个数组 trust ，其中 trust[i] = [ai, bi] 表示编号为 ai 的人信任编号为 bi 的人。如果小镇法官存在并且可以确定他的身份，请返回该法官的编号；否则，返回 -1 。程序说明：方法一： 因为小镇法官不相信任何人，所以小镇法官只可能在[ai,bi]

题目：定义一个函数，输入一个链表的头节点，反转该链表并输出反转后链表的头节点。程序说明：利用双指针的方法，迭代进行。全部代码：来源：力扣（LeetCode）

题目：:给定一个链表的 头节点 head ，请判断其是否为回文链表。如果一个链表是回文，那么链表节点序列从前往后看和从后往前看是相同的。程序说明：将链表中的节点值遍历存入列表中，接着用双指针，进行判断即可。全部代码：来源：力扣（LeetCode）...

题目：给你一个链表，两两交换其中相邻的节点，并返回交换后链表的头节点。你必须在不修改节点内部的值的情况下完成本题（即，只能进行节点交换）。程序说明：若没有使用哑节点，代码就如下面的错误代码，会出现若链表断开的情况（具体根据代码画图可知）全部代码：正确代码：错误代码：题目来源：力扣（leetcode）...

题目：给你一个链表的头节点 head 和一个特定值 x ，请你对链表进行分隔，使得所有 小于 x 的节点都出现在 大于或等于 x 的节点之前。你应当 保留 两个分区中每个节点的初始相对位置。程序说明：创建两个哑节点，一个用于存储比x小的数，一个存储大于或等于x的数，后面再将两链表合并即可。（建议画图理解）全部代码：题目来源：力扣（leetcode）...

题目：将两个升序链表合并为一个新的 升序 链表并返回。新链表是通过拼接给定的两个链表的所有节点组成的。程序说明：方法一：先构建一个哑节点，作为新链表的head，不停遍历并且比较list1和list2的节点值，然后按顺序存入新链表里。若后面出现其中一个list为空了，就直接将其后面的链表接入新链表后面即可。具体如图：（ps：链表题目画图解决会是一个较好的方法）方法二：会发现方法一需要开辟一个新的链表，这样会使内存空间消耗增大，因此方法二用了递归的方法，直接在两list中进行数值比较并连接。全部代码：方

每日一题，删除链表的节点

Bagging + 决策树 = 随机森林AdaBoost + 决策树 = boosting

选择 评估 验证训练集与测试集过（欠）拟合偏差与方差训练集与测试集为了使机器学习训练的模型有效，可以用于实际情况中，我们不仅需要用训练集来对模型进行训练，还需要用测试集对模型进行测试以验证其可靠高效性。即训练集用来构建机器学习模型，测试集用来评估模型性能。通常情况下我们都是将数据分为百分之八十和百分之二十，多的那部分用来做训练集，少的那部分用来做测试集。过（欠）拟合① 欠拟合：模型在训练集上误差很高；原因：模型过于简单，没有很好的捕捉到数据特征，不能很好的拟合数据。② 过拟合：在训练集上误差

朴素贝叶斯分类器简述条件概率贝叶斯公式拉普拉斯平滑文本向量化MultinomialNB条件概率在进入朴素贝叶斯分类算法的学习之前，我们需要先了解一些概率论的知识，首先来看看条件概率吧。条件概率是指某一事件A发生的可能性，表示P(A)。而条件概率指的是某一事件A已经发生了条件下，另一事件B发生的可能性，表示为P(B|A)。怎么计算条件概率呢？设A,B是两个独立事件，且P(A)>0，称P(B|A)=P(AB)/P(A)为在事件A发生的条件下，事件B发生的条件概率。P(AB)表示事件A和B同时发生的

支持向量机简述线性可分支持向量机泛化性基本思想间隔与向量机线性可分支持向量机泛化性先来了解一下什么叫泛化性？我们要求一条直线不仅要在训练集（已知的数据）上能够很好的将数据分类好，还得在测试集（未知的数据）上也能很好的完成。那现在我们来看看图中的两条直线，哪一条的泛化性更好呢？假设经过训练，我们得到黄色这条决策边界来区分我们的数据，这个时候出现一个黑色的数据点，现在对它进行分类，你认为它会被分到哪一类呢？根据图像它会被分到红色这类中，但是我们可以看出它离蓝色点相较于离红色点来说近得多，因此它应

集合CollectionCollection是单列集合的顶层接口，它表示一组对象，这些对象也称为Collection的元素；JDK不提供此接口的任何直接实现，它提供更具体的子接口（如set和list）实现；创建Collection集合的对象：多态的方式；集体的实现类ArayList...

重点内容接口接口接口就是一种公共的规范标准，只要符合规范标准，大家都可以用，java中的接口更多的体现在对行为的抽象。接口的特点：① 接口用关键字interface修饰public interface 接口名{}② 类实现接口用implements 接口名 {}③ 接口不能实例化。可以参照多态的方式，通过实现类对象实例化，这叫做接口多态④ 多态的形式：具体类多态，抽象类i多态，接口多态⑤ 多态的前提：有继承或实现关系，有方法重写，有父（类/接口）引用指向（子/实现）类对象接口的成员特点：

决策树的简述决策谁概述决策谁概述同样先来看看下面的问题吧。现在我要在网上买一件衣服，我会先去看看哪一个码的衣服才合身，才决定是否购买。注意看第一张图片，放在代码的世界中是否觉得它的构造有点熟悉呢？——树结构。现在这棵树在帮助我对是否买这件衣服做决策，因此我们现在就可以把它叫做一颗决策树。概念决策树是一种可以用于分类与回归的机器学习算法，但主要用于分类。用于分类的决策树是一种描述对实例进行分类的树形结构。决策树由结点和边组成，其中结点分为内部结点和叶子结点，内部结点表示一个特征或者属性，叶子结点表

题目：程序说明：全部代码：

OvO多分类策略（one VS one）什么是OvO多分类问题

逻辑回归的简述逻辑回归概述sigmod函数梯度下降逻辑回归概述当一看到“回归”这两个字，可能会认为逻辑回归是一种解决回归问题的算法，然而逻辑回归是通过回归的思想来解决二分类问题的算法。（不是回归，是二分类算法；机器学习算法一般都是先选择逻辑回归再用复杂的）。逻辑回归是将样本特征和样本所属类别的概率联系在一起，假设现在已经训练好了一个逻辑回归的模型为 f(x) ，模型的输出是样本 x 的标签是 1 的概率，则该模型可以表示若得到了样本 x 属于标签 1 的概率后，很自然的就能想到当0.5 时 x

题目：全部代码：def get_num(n,s): li,res=[],[] num=0 S='' if len(s)%n!=0: return '-1' else: for i in range(len(s)//n): for j in range(n): S+=s[i+j*(len(s)//n)] li.append(s1)

线性回归简单的线性回归概述一元线性回归多元线性回归损失函数平方损失函数绝对损失函数对数损失函数0-1损失函数方程解评估性能指标（来源：[头歌](https://www.educoder.net/)）简单的线性回归概述在生活中，我们常常能碰到这么一种情况，一个变量会跟着另一个变量的变化而变化，如圆的面积与半径的关系，当圆的半径确定了，那么面积也就确定了。还有一种情况就是，两个变量之间虽然存在某种关系，但又会因为某些因素而影响着。例如：人的高考成绩=人每分钟的可以拿到的分数*时长+临场发挥程度，但是每个人