決策樹技術詳解：從理論到Python實戰

?決策樹像人類的思考過程，用一系列“是/否”問題層層逼近答案

?

一、決策樹的核心本質

決策樹是一種模仿人類決策過程的樹形結構分類/回歸模型。它通過節點（問題）?? 和 ?邊（答案）?? 構建路徑，最終在葉節點（決策結果）?? 輸出預測值。這種白盒模型的優勢在于極高的可解釋性。

二、決策樹的核心構成

  1. ?根節點?：初始特征劃分點
  2. ?內部節點?：特征測試點（每個節點對應一個判斷條件）
  3. ?分支?：判斷條件的可能結果
  4. ?葉節點?：最終決策結果（分類/回歸值）

?關鍵概念?：

  • ?純度（Purity）??：節點內樣本類別的統一程度（Gini指數/熵越小越純）
  • ?信息增益（Information Gain）??：分裂后純度的提升量
  • ?剪枝（Pruning）??：防止過擬合的關鍵技術（預剪枝/后剪枝）

三、決策樹的數學原理

決策樹通過遞歸分割尋找最優特征：

1、?選擇分裂特征?：

  • ?ID3算法?：使用信息增益?（缺陷：偏好多值特征）
  • ?C4.5算法?：改進為增益率?（消除特征取值數量的影響）
  • ?CART算法?：使用Gini指數?（計算效率更高） ——Classification and Regression Tree（分類和回歸任務都可用）

?2、停止條件?：

  • 節點樣本全屬同一類
  • 特征已用完
  • 樣本數低于閾值（超參數控制）

四、算法對比

ID3算法概括

ID3（Iterative Dichotomiser 3）算法的計算過程可概括為：?通過遞歸地選擇信息增益最大的特征進行節點分裂，最終構建決策樹。具體步驟為：

  1. 計算當前節點的信息熵
  2. 對每個特征計算分裂后的信息增益（原始熵 - 條件熵）
  3. 選擇增益最大的特征作為分裂節點
  4. 對子節點重復上述過程，直到滿足停止條件

算法名稱中的"ID3"來源于：

  • ?Iterative?（迭代）：通過循環過程構建樹
  • ?Dichotomiser?（二分）：早期版本僅處理二分類（雖然后續支持多分類）
  • ?3?：代表第三代改進版本

其核心思想是用信息論量化特征重要性，每次分裂都選擇能最大程度降低系統不確定性的特征。

?ID3算法：信息增益（Information Gain）

信息增益是決策樹（ID3算法）選擇分裂特征的核心指標，它量化了使用某特征進行分割后，系統不確定性的減少程度。要徹底理解這個公式，我們需要分三步拆解：

1、信息熵（Entropy）

?信息熵表示系統的混亂程度，計算公式為：

  • S：當前節點的樣本集合
  • c：類別總數（如二分類時c=2）
  • pi?：樣本中第i類所占比例

?示例?：假設某節點有10個樣本，其中6個正例，4個負例：

2、條件熵（Conditional Entropy）

當按某個特征A分裂后，需要計算加權平均熵?：

  • Values(A)：特征A的取值集合（如"年齡"特征可能取{青年,中年,老年}）
  • Sv?：A取值為v的子集樣本

?示例?：按特征"天氣"（取值為晴/雨/陰）分裂：

  • 晴：3正2負 → Entropy=0.971
  • 雨：1正4負 → Entropy=0.722
  • 陰：4正1負 → Entropy=0.722

3、信息增益計算公式

?物理意義?：原始系統的熵減去按特征A分裂后的條件熵

?接前例?：
若原數據集Entropy(S)=0.88，則：

4、計算實例演示

目標?：預測是否打球（二分類問題）

特征?：天氣、溫度、濕度、風力

4個樣本?：

天氣溫度濕度風力打球
晴高高弱否
晴高高強否
陰高高弱是
雨中高弱是

?步驟1?：計算原始熵

公式?：

?計算過程?：

  • 總樣本數：4個
  • 正例（"是"）：2個 → p? = 2/4 = 0.5
  • 反例（"否"）：2個 → p? = 2/4 = 0.5

步驟2?：計算各特征的信息增益

1. 特征"天氣"（3個取值：晴/陰/雨）

?子集劃分?：

  • 晴：2個（否, 否）→ Entropy = 0
  • 陰：1個（是）→ Entropy = 0
  • 雨：1個（是）→ Entropy = 0

?條件熵?：

?信息增益?：Gain(天氣)=1.0?0=1.0

2. 特征"溫度"（2個取值：高/中）

?子集劃分?：

  • 高：3個（否, 否, 是）→ p(是)=1/3, p(否)=2/3
    Entropy = -[1/3*log2(1/3) + 2/3*log2(2/3)] ≈ 0.918
  • 中：1個（是）→ Entropy = 0

?條件熵?：

?信息增益?：Gain(溫度)=1.0?0.689=0.311

3. 特征"濕度"（僅1個取值：高）

?子集劃分?：

  • 高：4個 → 與父節點相同

?信息增益?：Gain(濕度)=1.0?1.0=0

4. 特征"風力"（2個取值：弱/強）

?子集劃分?：

  • 弱：3個（否, 是, 是）→ p(是)=2/3, p(否)=1/3
    Entropy = -[2/3*log2(2/3) + 1/3*log2(1/3)] ≈ 0.918
  • 強：1個（否）→ Entropy = 0

?條件熵?：

?信息增益?：Gain(風力)=1.0?0.689=0.311

?步驟3?：選擇根節點

各特征增益比較?：

  • 天氣：1.0
  • 溫度：0.311
  • 濕度：0
  • 風力：0.311

?選擇標準?：選擇信息增益最大的特征? ? →? ?決策?：選擇"天氣"作為根節點

步驟4：構建子樹

分裂結果?：

天氣
├─ 晴 → 全部為"否"（葉節點）
├─ 陰 → 全部為"是"（葉節點）
└─ 雨 → 全部為"是"（葉節點）

停止條件?：

  • 所有分支的葉節點純度已達100%
  • 無需繼續分裂

最終決策樹

5、注意事項

  1. ?偏向性問題?：當特征取值較多時（如"ID"特征），信息增益會傾向于選擇該特征（導致過擬合），因此C4.5算法改用增益率。

  2. ?對數底選擇?：雖然理論上可使用任意底數，但機器學習中常用2為底（結果單位為bits）

  3. ?與Gini指數的關系?：兩者都衡量純度，但Gini指數計算更快（無對數運算）：

通過這種量化的方式，決策樹可以自動選擇最具區分力的特征進行分裂，這正是它模擬人類決策智能的核心所在。

C4.5算法：增益率（Gain Ratio）

??"信息增益率是給信息增益裝上剎車片，防止它沖向多值特征的懸崖"??

1、為什么要改進信息增益？

信息增益（ID3算法）存在嚴重偏差?：它會優先選擇取值數目多的特征（如"用戶ID"這種唯一值特征），但這會導致：

  1. ?無效分裂?：每個ID對應一個樣本，Gain達到最大值但毫無預測能力
  2. ?過擬合風險?：生成過于復雜的樹結構

?示例?：在員工離職預測中：

  • 特征A（部門）：5個取值 → Gain=0.3
  • 特征B（員工ID）：1000個唯一值 → Gain=1.0
    ID3會錯誤地選擇B作為根節點

2、增益率的數學本質

C4.5算法用增益率（Gain Ratio）?? 修正這一問題，公式為：

其中分裂信息（Split Information）：

?關鍵點?：

  • 分子：原始信息增益
  • 分母：特征A本身的信息熵（懲罰多值特征）
  • 當特征取值均勻分布時，SplitInfo達到最大值

想象你在水果攤挑西瓜，老板讓你用最少的提問找出最甜的瓜。增益率就是幫你衡量"每個提問的價值"的智能計算器。

1?? ?信息增益 = 提問帶來的信息量?

  • 你問："是紅瓤嗎？"（可能篩掉一半不甜的瓜）
  • 信息增益就是這個問題幫你減少的不確定性

2?? ?分裂信息 = 問題本身的復雜程度?

  • 如果問："瓜的編號是多少？"（每個瓜編號唯一）
    • 這個問題太"細致"了，雖然能精準找瓜，但沒實際意義
    • 分裂信息就會很大，表示問題本身太復雜

3?? ?增益率 = 真正的有效信息量?

就像老板會提醒你：

  • "問顏色"（增益率0.8）比"問編號"（增益率0.01）更劃算
  • "問產地"（增益率0.3）不如"問敲聲"（增益率0.6）有效

增益率就是防止你被"假聰明問題"忽悠的計算器——有些問題看似能精確分類（比如問身份證號），實際上對挑西瓜毫無幫助。

3、計算實例分步演示

數據集：

天氣風速打球
晴弱否
晴強否
陰弱是
雨強是
雨弱是
雨強否

第一步：計算原始信息熵

第二步：計算各特征信息增益

1. 特征"天氣"（3個取值）

?子集劃分?：

  • 晴：2否 → Entropy=0
  • 陰：1是 → Entropy=0
  • 雨：2是1否 → Entropy=0.918

?條件熵?：

?信息增益?：

?分裂信息?：

?增益率?：

2. 特征"風速"（2個取值）

?子集劃分?：

  • 弱：1否2是 → Entropy=0.918
  • 強：2否1是 → Entropy=0.918

?條件熵?：

?信息增益?：

?分裂信息?：

?增益率?：

第三步：特征選擇對比

特征信息增益增益率
天氣0.5410.371
風速0.0820.082

?決策?：選擇增益率更高的"天氣"作為分裂節點

第四步：驗證多值特征懲罰

假設新增無關特征"日期"（5個唯一值）：

?計算SplitInfo(日期)??：

即使Gain(日期)=0.971（最大可能值）：

實際選擇?：雖然"日期"增益率(0.387) > "天氣"(0.371)，但：

  1. 業務上排除無意義特征
  2. 可設置增益率閾值（如>0.4）過濾偽特征

關鍵結論

  1. ?增益率機制?：有效壓制了"風速"等弱特征和"日期"等偽特征
  2. ?計算本質?：用特征自身熵對信息增益進行標準化
  3. ?業務價值?：選擇天氣（晴/陰/雨）作為首分裂特征，符合"惡劣天氣不打球"的常識

4、C4.5的完整改進措施

（1）?處理連續特征（解決數值型數據問題）?

核心思想?：將"年齡"這類連續數字變成可分類的閾值點
?具體操作?：

  1. 排序所有取值（如年齡[22, 25, 30]）
  2. 計算相鄰值中點（→23.5, 27.5）
  3. 將這些中點作為候選分割閾值

?示例?：用年齡預測是否購買保險：

  • 測試條件1：年齡≤23.5？
  • 測試條件2：年齡≤27.5？
  • 選擇信息增益率最高的分割點

?業務意義?：自動找到關鍵年齡分界點（如27.5歲可能是消費習慣轉變的臨界值）

（2）?處理缺失值?（解決數據不完整問題）

核心思想?：按已知數據的比例"分配"缺失樣本
?具體操作?：

  1. 計算已知數據的類別分布（如A類60%，B類40%）
  2. 將缺失樣本按此比例分配到各分支

?示例?：
10個客戶數據預測：

  • 8個已知數據：5個A類（62.5%），3個B類（37.5%）
  • 2個缺失數據：
    • 1.25個（≈1個）分到A類分支
    • 0.75個（≈1個）分到B類分支

（3）?后剪枝（解決過擬合問題）?

核心思想?：先長完整棵樹，再修剪掉不可靠分支
?具體操作?：

  1. 用訓練集生成完整決策樹
  2. 用驗證集測試每個子樹：
    • 如果替換為葉節點能提升驗證集準確率
    • 則剪掉該子樹

?示例?：某子樹規則

溫度>30?
├─ 是 → 濕度<50%? → 分類A
└─ 否 → 分類B

驗證發現：

  • 直接合并為"溫度>30? → 分類A/分類B"準確率更高
  • 則剪除"濕度"判斷分支

三者的內在聯系

  1. ?連續特征處理?：擴展算法應用范圍（數值型數據）
  2. ?缺失值處理?：增強算法魯棒性（現實數據總有缺失）
  3. ?后剪枝?：提升模型泛化能力（防止記住噪聲）

完整工作流圖示?：

5、業務應用中的特殊處理

當遇到極端多值特征?（如城市名稱）時：

  1. ?業務分組?：將取值按業務邏輯合并（如一線/二線城市）
  2. ?統計合并?：將低頻取值合并為"其他"類別
  3. ?特征重要性篩選?：先計算所有特征的增益率，人工剔除異常值

通過這種改進，C4.5算法實現了：

  1. ?抗多值干擾?：避免選擇無意義的細分特征
  2. ?更好的泛化性?：生成的決策規則更具普適性
  3. ?業務可解釋性?：分裂特征更符合業務邏輯

這種思想也深刻影響了后續的機器學習算法設計——任何純粹的統計指標都需要考慮其潛在的分布偏差。

CART算法：Gini指數

??"Gini指數像一把快刀，用最簡單的計算實現最有效的分割"??

1、CART算法的核心特點

Classification and Regression Trees (CART) 是決策樹家族的里程碑算法，其獨特之處在于：

  1. ?二叉樹結構?：每個節點只做二元分裂（即使特征有多個取值）
  2. ?萬能性?：唯一能同時處理分類（Gini指數）和回歸（方差最小化）的樹算法
  3. ?高效率?：Gini指數計算比信息熵節省約40%的計算量（無對數運算）

2、Gini指數的數學本質

?定義?：從數據集中隨機抽取兩個樣本，其類別標記不一致的概率

?計算公式?：

  • c：類別總數
  • pi?：第i類樣本的占比

?計算示例?：某節點有10個樣本：

  • 7個類別A → pA?=0.7
  • 3個類別B → pB?=0.3
Gini = 1 - (0.72 + 0.32) = 1 - (0.49 + 0.09) = 0.42

3、Gini增益計算流程

  1. ?計算父節點Gini指數?（前例得0.42）
  2. ?計算特征分裂后的加權Gini指數?：
  3. ?計算Gini增益?：


?實例演算?（天氣數據集）：
天氣風速打球
晴弱否
晴強否
陰弱是
雨強是
雨弱是
雨強否


第一步：計算根節點Gini指數
總樣本6個：3"是"，3"否"


第二步：計算各特征Gini增益
1. 特征"天氣"（3個取值：晴/陰/雨）
??候選二分方案??（CART必須做二元分裂）：
  1. {晴} vs {陰,雨}
  2. {陰} vs {晴,雨}
  3. {雨} vs {晴,陰}
??方案1計算（{晴} vs {陰,雨}）??：
  • 左節點（晴）：2否 → Gini=0
  • 右節點（陰+雨）：1陰是 + 2雨是 + 1雨否
  • 加權Gini：
  • Gini增益：
??方案2/3計算??（計算過程略）：
  • 方案2（{陰} vs {晴,雨}）：ΔGini=0.1
  • 方案3（{雨} vs {晴,陰}）：ΔGini=0.056


詳細計算過程放在文章尾部


??最佳分裂??：選擇方案1（{晴} vs {陰,雨}），ΔGini=0.25


2. 特征"風速"（2個取值：弱/強）
??二元分裂方案??：{弱} vs {強}
??計算過程??：


第三步：特征選擇對比
特征最佳分裂方案Gini增益
天氣{晴} vs {陰,雨}0.25
風速{弱} vs {強}0.056
??決策??：選擇"天氣"的{晴} vs {陰,雨}分裂方案


第四步：構建子樹
當前分裂狀態
根節點分裂：
天氣是晴？
├─ 是 → 2個樣本（否, 否）
└─ 否 → 4個樣本（陰-是, 雨-是, 雨-是, 雨-否）


1：處理純分支（晴分支）
??左分支（天氣=晴）??：
  • 樣本完全純凈（全部為"否"）
  • ??直接作為葉節點??：不打球
  • C4.5改進應用：無需剪枝（已達最大純度）


2：處理混合分支（陰/雨分支）
??右分支（天氣≠晴）??：

4個樣本：
天氣
風速
打球
陰
弱
是
雨
強
是
雨
弱
是
雨
強
否
1. 計算當前節點Gini指數
2. 候選特征選擇（應用C4.5改進）
(1) 連續特征處理（無）。本例無連續特征
(2) 缺失值處理（無）。當前分支無缺失值
(3) 計算各特征增益率
??a. 天氣特征??（已用父特征，不再考慮）
??b. 風速特征??：
  • 分裂方案??：{弱} vs {強}
3. 分裂決策
  • 唯一可用特征：風速（ΔGini=0.125）
  • ??執行分裂??（雖然增益率不高，但能提升純度）


3：構建子樹結構
節點說明：
  1. ??風速=弱??：陰-是 + 雨-是 → 純凈葉節點（打球）
  2. ??風速=強??：樣本：雨-是 + 雨-否 → 仍需分裂但無更多特征


4：后剪枝處理（關鍵改進）
  1. ??評估風速=強分支??：
    • 不分裂時：直接預測多數類（是:1, 否:1 → 無法確定）
    • 替代方案：合并為葉節點并計算驗證集誤差
      • 若驗證集支持"多數表決"（如選"是"），則剪枝
  2. ??最終優化樹??：
當特征信息不足時，允許存在未完全純化的節點。




完整決策規則
  1. 晴天 → 不打球
  2. 非晴天且弱風 → 打球
  3. 非晴天且強風 → 打球（剪枝后保守決策）
??業務解釋??：

雨天強風時實際存在不打球樣本，但C4.5通過剪枝犧牲局部精度換取泛化能力，這與ID3追求100%訓練集準確率形成鮮明對比。




關鍵結論
  1. ??CART特性??：
    • 強制二叉樹結構（即使天氣有3個取值也轉為二元問題）
    • 對陰/雨節點的風速分裂產生混合結果，說明需要更多特征
  2. ??與ID3/C4.5對比??：
    # ID3會直接選擇天氣三路分裂：
# 晴→否, 陰→是, 雨→混合
# CART通過二元分裂更適應集成學習
  3. ??業務解釋??：
    • 晴天絕對不打球
    • 非晴天時，弱風天打球，強風天需結合溫度等其他因素判斷


5、CART的二叉樹分裂機制
?連續特征處理?：
  1. 將特征值排序（如年齡[22,25,30]）
  2. 計算相鄰值中點（23.5, 27.5）
  3. 選擇使Gini增益最大的分割點
?類別特征處理?：
  1. 對k個取值生成2k?1?1種可能劃分
  2. 選擇最優二分方案（計算復雜度優化關鍵）
?Python實現示例?：
# 最佳分割點查找函數
def find_best_split(X, y):best_gain = -1for feature in range(X.shape[1]):thresholds = np.unique(X[:, feature])for thresh in thresholds:left_idx = X[:, feature] <= threshp_left = np.mean(y[left_idx])p_right = np.mean(y[~left_idx])gini_left = 1 - (p_left**2 + (1-p_left)**2)gini_right = 1 - (p_right**2 + (1-p_right)**2)gain = gini_parent - (len(left_idx)/len(y))*gini_left - (len(~left_idx)/len(y))*gini_rightif gain > best_gain:best_gain = gainreturn best_gain
6、回歸樹中的方差最小化
當用于回歸任務時，CART改用方差作為分裂標準：
選擇使加權方差最小的分割：
?房價預測示例?：
  • 分割前方差：100
  • 按"房間數≤3"分割：
    • 左節點方差：60（樣本占比0.6）
    • 右節點方差：30（樣本占比0.4）
ΔVar = 100 - (0.6 * 60 + 0.4 * 30) = 64
8、CART的局限性及解決方案
局限性解釋解決方案
過擬合
CART 會不斷分裂直到純度最大化，可能導致模型過于復雜，泛化能力差。
后剪枝（Post-Pruning）：
使用?ccp_alpha（Cost-Complexity Pruning）剪枝（scikit-learn 支持）。
預剪枝（Pre-Pruning）：
設置?max_depth、min_samples_split、min_samples_leaf?等參數限制生長。
數據不平衡
如果某一類樣本占主導，CART 可能會偏向該類，忽略少數類。
類別權重：
使用?class_weight="balanced"?調整類別權重。
采樣方法：
過采樣少數類（SMOTE）或欠采樣多數類。
不穩定性
訓練數據的微小變化可能導致完全不同的樹結構。
隨機森林（Random Forest）：
通過多棵樹的投票降低方差。
梯度提升樹（GBDT/XGBoost/LightGBM）：
使用 Boosting 方式逐步修正錯誤。
只能生成二叉樹
相比 ID3/C4.5 的多叉樹，CART 的二叉樹結構可能在某些數據集上效率較低。
需要多叉樹?→ 使用 ID3/C4.5（如 Weka 的?J48）。
需要更魯棒的樹?→ 使用?條件推斷樹（CIT,?partykit?R 包）
類別特征處理低效
直接處理類別特征時，CART 可能不如信息增益（ID3/C4.5）高效。
分箱（Binning）：
對連續特征離散化，提高穩定性。
避免高基數類別特征：
對類別特征進行編碼（如 Target Encoding）。
貪心分裂
（局部最優）
每次分裂只考慮當前最優，而非全局最優，可能導致次優樹結構。
動態規劃優化樹結構（如?OSDT 算法，但計算成本高）。


CART算法因其簡潔高效，成為現代集成學習（如隨機森林、GBDT）的基礎組件。Gini指數的設計體現了機器學習中一個重要原則：?在保證效果的前提下，最簡單的計算方法往往是最優選擇。這種思想在XGBoost等現代算法中得到了進一步發揚光大。


五、Python實戰（以sklearn為例）
from sklearn.tree import DecisionTreeClassifier, plot_tree
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt# 加載數據
iris = load_iris()
X, y = iris.data, iris.target# 創建決策樹（使用Gini指數）
model = DecisionTreeClassifier(max_depth=3, random_state=42)
model.fit(X, y)# 可視化決策樹
plt.figure(figsize=(12,8))
plot_tree(model, feature_names=iris.feature_names,class_names=iris.target_names,filled=True)
plt.show()
?關鍵參數說明?：
  • max_depth：樹的最大深度（控制復雜度）
  • min_samples_split：節點最小分裂樣本數
  • criterion：分裂標準（gini/entropy）


六、進階優化策略
  1. ?剪枝實戰（預防過擬合）??：
# 后剪枝示例（代價復雜度剪枝）
pruned_model = DecisionTreeClassifier(ccp_alpha=0.02) 
pruned_model.fit(X, y)
  1. ?處理連續特征?：尋找最佳分割點（如排序后取中位數）
  2. ?處理缺失值?：替代分裂（surrogate splits）


七、決策樹的雙面性
?優勢 ?：
  • 直觀可視化（業務人員可理解）
  • 無需數據標準化
  • 支持混合特征（數值+類別）
?局限 ???：
  • 對數據擾動敏感（小變動可能導致結構劇變）
  • 容易過擬合（必須剪枝）
  • 不適合學習復雜關系（如異或問題）




?延展思考?：決策樹作為集成學習的基模型（如隨機森林/XGBoost）時，通過“群體智慧”能極大克服自身缺陷。在實際應用中，超過80%的預測場景會優先嘗試樹模型家族。


八、Gini指數計算過程
方案2：{陰} vs {晴,雨} 二元分裂
1. 計算子集Gini指數
??左節點（陰）??：
  • 樣本：1是
  • Gini = 1 - (1/1)2 - (0/1)2 = 0
??右節點（晴+雨）??：
  • 樣本：2晴否 + 3雨（2是,1否）
  • 是占比 = 2/5
  • 否占比 = 3/5
  • Gini = 1 - (2/5)2 - (3/5)2 = 0.48
2. 計算加權Gini
3. 計算Gini增益
ΔGini=0.5?0.4=0.1


方案3：{雨} vs {晴,陰} 二元分裂
1. 計算子集Gini指數
??左節點（雨）??：
  • 樣本：2是,1否
  • Gini = 1 - (2/3)2 - (1/3)2 ≈ 0.444
??右節點（晴+陰）??：
  • 樣本：2晴否 + 1陰是
  • 是占比 = 1/3
  • 否占比 = 2/3
  • Gini = 1 - (1/3)2 - (2/3)2 ≈ 0.444
2. 計算加權Gini
3. 計算Gini增益
ΔGini=0.5?0.444=0.056











本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。

如若轉載，請注明出處：http://www.pswp.cn/web/92264.shtml


繁體地址，請注明出處：http://hk.pswp.cn/web/92264.shtml

英文地址，請注明出處：http://en.pswp.cn/web/92264.shtml


如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！











相關文章










Herd-proof thinking








Herd-proof thinking




Let’s dive into “herd-proof thinking” — the mindset and tactics that help you stay sharp, independent, and immune to manipulative systems.&#x1f9e0; Part 1: The Foundation of Herd-Proof Thinking
1. Recognize Incentives“If you don’t know who the pr…




閱讀更多...

















day068-DevOps基本知識與搭建遠程倉庫








day068-DevOps基本知識與搭建遠程倉庫




文章目錄0. 老男孩思想-傳統文化1. 運維人員對網站集群的關注項2. CI、CD3. DevOps4. 環境5. Git5.1 **為什么叫 “Git”&#xff1f;**5.2 Git的核心設計理念5.3 Git工作空間5.4 分支 branch5.5 命令5.5.1 配置git用戶信息5.5.2 初始化git倉庫5.5.3 將文件放入暫存區5.5.4 提交…




閱讀更多...

















分布式文件系統07-小文件系統的請求異步化高并發性能優化








分布式文件系統07-小文件系統的請求異步化高并發性能優化




小文件系統的請求異步化高并發性能優化222_分布式圖片存儲系統中的高性能指的到底是什么&#xff1f;重構系統架構&#xff0c;來實現一個高性能。然后就要做非常完善的一個測試&#xff0c;最后對這個系統做一個總結&#xff0c;說說后續我們還要做一些什么東西。另外&#xf…




閱讀更多...

















【C#補全計劃：類和對象（十）】密封








【C#補全計劃：類和對象（十）】密封




一、密封類1. 關鍵字&#xff1a;sealed2. 作用&#xff1a;使類無法再被繼承&#xff1b;在面向對象設計中&#xff0c;密封類的主要作用是不允許最底層子類被繼承&#xff0c;可以保證程序的規范性、安全性3. 使用&#xff1a;using System;namespace Sealed
{// 使用sealed關…




閱讀更多...

















【視覺識別】Ubuntu 22.04 上安裝和配置 TigerVNC 魯班貓V5








【視覺識別】Ubuntu 22.04 上安裝和配置 TigerVNC 魯班貓V5




系列文章目錄 文章目錄系列文章目錄前言一、問題現象二、安裝和配置步驟1.引入庫2.安裝完整組件3.修改 ~/.vnc/xstartup4. 設置權限5. 設置開機自啟&#xff08;Systemd 服務&#xff09;總結前言 
開發平臺&#xff1a;魯班貓V5 RK3588 系統版本&#xff1a;Ubuntu 22.04 一、…




閱讀更多...

















模擬-38.外觀數列-力扣(LeetCode)








模擬-38.外觀數列-力扣(LeetCode)




一、題目解析1、替換的方法&#xff1a;“33”用“23”替換&#xff0c;即找到相同的數&#xff0c;前一位為相同數的數量&#xff0c;后一位為相同的數2、給定n&#xff0c;需要返回外觀數列的第n個元素二、算法原理由于需要統計相同元素的數目&#xff0c;所以可以使用雙指針…




閱讀更多...

















垃圾桶滿溢識別準確率↑32%：陌訊多模態融合算法實戰解析








垃圾桶滿溢識別準確率↑32%：陌訊多模態融合算法實戰解析




原創聲明本文為原創技術解析文章&#xff0c;涉及的技術參數與架構設計均參考自《陌訊技術白皮書》&#xff0c;轉載請注明來源。一、行業痛點&#xff1a;智慧環衛中的識別難題隨著智慧城市建設推進&#xff0c;垃圾桶滿溢識別作為智慧環衛的核心環節&#xff0c;面臨多重技術…




閱讀更多...

















掃地機器人的幾種語音控制芯片方案介紹








掃地機器人的幾種語音控制芯片方案介紹




?掃地機器人語音控制芯片方案介紹在智能家居領域&#xff0c;掃地機器人的智能化程度不斷提升&#xff0c;語音控制功能成為提升用戶體驗的關鍵因素。以下為您介紹幾款常用于掃地機器人語音控制的芯片方案。WT2606B 芯片方案性能優勢&#xff1a;基于先進的 RISC - V 32 位開源…




閱讀更多...

















快速開發實踐








快速開發實踐




基于后端項目的前端開發實踐記錄
&#x1f4cb; 項目概述
項目名稱: 比特奧定制報表系統
技術棧: Vue 3  Element Plus  Vite (前端)  Spring Boot (后端)
開發模式: 前后端分離
項目結構: 單體倉庫包含前后端代碼
&#x1f3d7;? 項目架構分析
目錄結構設計
bitao-defined_re…




閱讀更多...

















NFC 三大模式對比








NFC 三大模式對比




以前以為nfc只是點對點通訊&#xff0c;沒想到現在nfc的功能很強大NFC 三大模式對比&#xff08;回顧&#xff09;模式作用手機是...Reader 模式讀取卡、標簽內容主動設備&#xff08;讀卡器&#xff09;Card Emulation 模式模擬公交卡/門禁卡/銀行卡被動設備&#xff08;卡&am…




閱讀更多...

















JSON、JSONObject、JSONArray詳細介紹及其應用方式








JSON、JSONObject、JSONArray詳細介紹及其應用方式




第一部分&#xff1a;什么是JSON?&#x1f31f;比喻&#xff1a;JSON 是「快遞公司統一的 “通用快遞單”」&#x1f4a1;場景代入你想給朋友寄生日禮物&#xff08;比如一臺 “游戲機”&#xff09;&#xff0c;這臺游戲機有自己的屬性&#xff1a;名稱&#xff1a;"游戲…




閱讀更多...

















Linux系統編程--權限管理








Linux系統編程--權限管理




權限管理第二講 權限管理1. Shell命令以及運行原理1.1 知識引入1.2 概念介紹1.3 具體示例2. Linux權限問題2.1 權限概念2.2 用戶分類2.3 切換用戶2.4 用戶提權2.5 文件權限管理2.5.1 文件訪問者的分類&#xff08;角色&#xff09;2.5.2 文件類型和訪問權限&#xff08;事物屬性…




閱讀更多...

















【智能硬件】X86和ARM架構的區別








【智能硬件】X86和ARM架構的區別




詳細解釋X86架構和ARM架構之間的區別以及它們各自的特點。X86 架構定義與歷史定義&#xff1a;X86是一種計算機處理器體系結構&#xff0c;最初由英特爾公司開發。它是一系列指令集的集合體。歷史&#xff1a;最早的X86架構是Intel 8086處理器&#xff0c;在1978年發布。后續發…




閱讀更多...

















玳瑁的嵌入式日記D13-0806（C語言）








玳瑁的嵌入式日記D13-0806（C語言）




指針1.指針指針 就是地址(地址就是內存單元的編號)指針變量 (結合語境) eg&#xff1a;定義一個指針指針這一類數據 --- 數據類型 --- 指針類型 (1).指針 是什么 (2).指針類型 int a; //int數據類型 a是int型變量 //a的空間 想來存儲 整型數據 2.指針的定義 基類型 * 指針變量名…




閱讀更多...

















密碼學基礎知識總結








密碼學基礎知識總結




密碼學基礎知識總結 
一、Base編碼 
1. Base系列特征 
編碼類型字符集特征Base160-9, A-F密文長度偶數Base32A-Z, 2-7包含數字2-7Base64a-z,0-9,,/,密文長度是8的倍數Base36A-Z,0-9僅支持整數加密Base910-9,a-z,A-Z,特殊符號高密度編碼Base100Emoji表情表情符號組成
2. 典型題型…




閱讀更多...

















PostgreSQL 中 pg_wal文件過多過大的清理方法及關鍵注意事項的總結








PostgreSQL 中 pg_wal文件過多過大的清理方法及關鍵注意事項的總結




PostgreSQL 中 pg_wal文件過多過大的清理方法及關鍵注意事項的總結
以下是針對 PostgreSQL 中 pg_wal 文件過多過大的清理方法及關鍵注意事項的總結
一、安全清理 WAL 文件的完整流程
1. 確認數據庫和備份完整性
備份驗證&#xff1a;確保最近的物理備份&#xff08;如 pg_base…




閱讀更多...

















Django事務支持








Django事務支持




1.事務概念
事務是一組不可分割的操作序列&#xff0c;這些操作要么全部執行&#xff0c;要么全部不執行。事務具有四個關鍵屬性&#xff0c;通常稱為 ACID 特性&#xff1a;
原子性&#xff08;Atomicity&#xff09;&#xff1a;事務是一個不可分割的工作單位&#xff0c;事務…




閱讀更多...

















＜form＞ + ＜iframe＞ 方式下載大文件的機制








＜form＞ + ＜iframe＞ 方式下載大文件的機制




使用 <form>  <iframe> 方式下載大文件的機制之所以穩定&#xff0c;核心在于其?分塊傳輸?和?瀏覽器沙箱隔離?設計。以下是技術原理詳解&#xff1a;
一、底層工作機制
?分塊傳輸協議?
表單提交后&#xff0c;服務器按 Transfer-Encoding: chunked 分塊返回數…




閱讀更多...

















Python--OCR（2）








Python--OCR（2）




一、明確 OCR 任務邊界首先定義 OCR 系統的核心目標&#xff1a;場景&#xff1a;印刷體&#xff08;如文檔、發票&#xff09;/ 手寫體&#xff08;如筆記&#xff09;/ 特定場景&#xff08;如車牌、身份證&#xff09;輸入&#xff1a;圖像格式&#xff08;JPG/PNG&#xff…




閱讀更多...

















基于Django的計算機資源爬蟲及可視化系統的設計與實現








基于Django的計算機資源爬蟲及可視化系統的設計與實現




文章目錄有需要本項目的代碼或文檔以及全部資源&#xff0c;或者部署調試可以私信博主一、項目背景二、項目目標三、系統架構與技術選型四、系統功能模塊五、應用場景與價值六、項目特色與創新點七、總結每文一語有需要本項目的代碼或文檔以及全部資源&#xff0c;或者部署調試…




閱讀更多...


















最新文章


















Copyright @ 2022~2023