[置顶] 特征工程----类别特征的各种编码方式详解

摘要: https://segmentfault.com/a/1190000019860050?utm_source=tag-newest 阅读全文

posted @ 2019-07-30 12:52 CoderJX 阅读(611) 评论(0) 推荐(0)

2020年6月27日

写时拷贝技术(copy-on-write)

摘要: https://www.cnblogs.com/biyeymyhjob/archive/2012/07/20/2601655.html 阅读全文

posted @ 2020-06-27 21:11 CoderJX 阅读(167) 评论(0) 推荐(0)

2020年5月27日

post 传参

摘要: https://mangocool.com/1537498545718.html 阅读全文

posted @ 2020-05-27 18:25 CoderJX 阅读(112) 评论(0) 推荐(0)

2020年1月20日

SpringContextHolder类

摘要: 1、通常使用SpringContextHolder类获取bean实例: 解决: 如果要在静态方法中调用某一bean的方法,那么该bean必须声明为static的,但正常情况下@Autowired无法注入静态的bean,。 利用Spring的使用SpringContextHolder工具类的getBe 阅读全文

posted @ 2020-01-20 23:31 CoderJX 阅读(3516) 评论(0) 推荐(0)

2020年1月16日

Java NIO

摘要: 1、NIO和OIO 非阻塞NIO的提出弥补了OIO同步阻塞的不足。 OIO是面向流的,需要顺序的读取字节,不能随意改变读取指针的位置。 NIO是面向缓冲区的,引入Channel和Buffer,可以随意地读取Buffer中任意位置的数据。 NIO通过通道和通道的多路复用技术实现非阻塞(IO多路复用模型 阅读全文

posted @ 2020-01-16 10:13 CoderJX 阅读(112) 评论(0) 推荐(0)

IO读写

摘要: 1、read & write read: 把数据从内核缓冲区复制到进程缓冲区。 write: 把数据从进程缓冲区复制到内核缓冲区。 上层程序的IO操作、不是物理设备级别的读写,而是缓存的复制。而内核缓冲区和物理设备之间的数据交换则是由操作系统的Kernel来完成。 2、缓冲区 缓冲区的目的:减少频繁 阅读全文

posted @ 2020-01-16 09:12 CoderJX 阅读(895) 评论(0) 推荐(0)

ZooKeeper解决的问题

摘要: 1、解决分布式单点问题 https://www.jianshu.com/p/08b76bd7a634 2、实现分布式环境数据的一致性、访问ZooKeeper树结构时,不同节点返回的数据是一致,不会引起脏读、重复读。 3、用以实现高吞吐、低延迟、一致性、可用性的应用。 阅读全文

posted @ 2020-01-16 08:05 CoderJX 阅读(131) 评论(0) 推荐(0)

2020年1月3日

Redis的数据结构和对象。

摘要: 一、简单动态字符串(simple dynamic string--SDS) Redis使用SDS表示字符串值,键值对都用SDS实现。SDS中的字符数组buf以空字符串结尾,好处是可以直接重用一部分C字符串函数库。s SDS的一个例子 SDS的优势: 1、常数复杂度获取字符串的长度,确保获取长度不会成 阅读全文

posted @ 2020-01-03 22:56 CoderJX 阅读(112) 评论(0) 推荐(0)

2019年11月19日

java后台开发细节记录

摘要: 1. ResultMap是程序员控制SQL查询结果和实体类的映射关系,而不是sql语句中字段的重命名,所以在sql语句中还是要按照原来字段的格式进行书写。 阅读全文

posted @ 2019-11-19 19:31 CoderJX 阅读(148) 评论(0) 推荐(0)

2019年8月12日

MySql基础

摘要: MySql最常用的引擎为MyISAM和InnoDB 全文本搜索: MyISAM支持全文本搜索,InnoDB不支持。 为什么用全文本搜索: 1、通配符(LIKE)和正则表达式通常要求MySql匹配所有的行,搜索极少用到表索引,随着被搜索行数的增加,将会非常耗时。 2、通配符(LIKE)和正则表达式很难 阅读全文

posted @ 2019-08-12 17:37 CoderJX 阅读(214) 评论(0) 推荐(0)

2019年7月30日

特征工程----降维

摘要: 线性降维: PCA和LDA: PCA:无监督数据降维主成分分析,以n维数据降到m维为例:对数据矩阵进行特征值分解,将分解得到的n个特征值由大到小排序,找到前m个特征值,再由这m个特征值对应的特征向量将原始n维数据重构为m维数据矩阵,即完成了数据降维。 LDA:有监督数据降维线性判别分析,核心思想:将 阅读全文

posted @ 2019-07-30 13:43 CoderJX 阅读(223) 评论(0) 推荐(0)

导航