统计学习方法 例7.1 超详细求解过程

2023-10-26

例7.1:已知一个如图所示的训练数据集,其正例点是 x 1 = ( 3 , 3 ) T , x 2 = ( 4 , 3 ) T x_1=(3,3)^T, x_2=(4,3)^T x1=(3,3)T,x2=(4,3)T,负例点是 x 3 = ( 1 , 1 ) T x_3=(1,1)^T x3=(1,1)T,试求最大间隔分离超平面。
在这里插入图片描述

解:按照算法7.1,根据训练数据集构造最优化问题:
min ⁡ w , b 1 2 ( w 1 2 + w 2 2 ) s . t . 3 w 1 + 3 w 2 + b ≥ 1 4 w 1 + 3 w 2 + b ≥ 1 − w 1 − w 2 − b ≥ 1 \min_{w,b} \frac{1}{2}(w_1^2 + w_2^2) \\ \qquad \qquad s.t. \qquad3w_1+3w_2+b\geq1 \\ \qquad \qquad\qquad \qquad4w_1+3w_2+b\geq1 \\ \qquad \qquad\qquad \qquad-w_1-w_2-b\geq1 w,bmin21(w12+w22)s.t.3w1+3w2+b14w1+3w2+b1w1w2b1

使用拉格朗日乘数法,构造拉格朗日函数为:
L ( w 1 , w 2 , b , α 1 , α 2 , α 3 ) = 1 2 ( w 1 2 + w 2 2 ) + α 1 ( 1 − 3 w 1 − 3 w 2 − b ) + α 2 ( 1 − 4 w 1 − 3 w 2 − b ) + α 3 ( 1 + w 1 + w 2 + b ) L(w_1,w_2,b,\alpha_1,\alpha_2,\alpha_3) = \frac{1}{2}(w_1^2 + w_2^2)+\alpha_1(1-3w_1-3w_2-b)+\alpha_2(1-4w_1-3w_2-b)+\alpha_3(1+w_1+w_2+b) L(w1,w2,b,α1,α2,α3)=21(w12+w22)+α1(13w13w2b)+α2(14w13w2b)+α3(1+w1+w2+b)

则拉格朗日原始问题为:
min ⁡ w , b max ⁡ α 1 , α 2 , α 3 L ( w 1 , w 2 , b , α 1 , α 2 , α 3 ) \min_{w,b}\max_{\alpha_1,\alpha_2,\alpha_3}L(w_1,w_2,b,\alpha_1,\alpha_2,\alpha_3) w,bminα1,α2,α3maxL(w1,w2,b,α1,α2,α3)

转换为对偶问题为:
max ⁡ α 1 , α 2 , α 3 min ⁡ w , b L ( w 1 , w 2 , b , α 1 , α 2 , α 3 ) \max_{\alpha_1,\alpha_2,\alpha_3}\min_{w,b}L(w_1,w_2,b,\alpha_1,\alpha_2,\alpha_3) α1,α2,α3maxw,bminL(w1,w2,b,α1,α2,α3)

接下来求解对偶问题:
首先求解 min ⁡ w , b L ( w 1 , w 2 , b , α 1 , α 2 , α 3 ) \min_{w,b}L(w_1,w_2,b,\alpha_1,\alpha_2,\alpha_3) w,bminL(w1,w2,b,α1,α2,α3)

求极值的方法是求导令其等于0:
∂ L ∂ w 1 = w 1 − 3 α 1 − 4 α 2 + α 3 \frac{\partial L}{\partial w_1} =w_1-3\alpha_1-4\alpha_2+\alpha_3 w1L=w13α14α2+α3

∂ L ∂ w 2 = w 2 − 3 α 1 − 3 α 2 + α 3 \frac{\partial L}{\partial w_2} =w_2-3\alpha_1-3\alpha_2+\alpha_3 w2L=w23α13α2+α3

∂ L ∂ b = − α 1 − α 2 + α 3                \frac{\partial L}{\partial b} =-\alpha_1-\alpha_2+\alpha_3\;\;\;\;\;\;\; bL=α1α2+α3

令其等于0,得到方程组(1):
w 1 − 3 α 1 − 4 α 2 + α 3 = 0 ① w 2 − 3 α 1 − 3 α 2 + α 3 = 0 ② α 1 + α 2 + − α 3 = 0 ③ w_1-3\alpha_1-4\alpha_2+\alpha_3=0 \quad ①\\ w_2-3\alpha_1-3\alpha_2+\alpha_3 =0 \quad ② \\ \alpha_1+\alpha_2+-\alpha_3=0 \quad ③ w13α14α2+α3=0w23α13α2+α3=0α1+α2+α3=0

解方程得到:
w 2 = 2 α 3 w 1 = − α 1 + 3 α 3 w 1 = α 2 + 2 α 3 w_2=2\alpha_3 \\ w_1 =-\alpha_1+3\alpha_3 \\ w_1 =\alpha_2+2\alpha_3 w2=2α3w1=α1+3α3w1=α2+2α3
ps.上述结果不一定都有用,先写下来。

w 1 = α 2 + 2 α 3 , w 2 = 2 α 3 w_1=\alpha_2+2\alpha_3,w_2=2\alpha_3 w1=α2+2α3,w2=2α3代入拉格朗日函数得:
L ( w 1 , w 2 , b , α 1 , α 2 , α 3 ) = 1 2 ( w 1 2 + w 2 2 ) + α 1 ( 1 − 3 w 1 − 3 w 2 − b ) L(w_1,w_2,b,\alpha_1,\alpha_2,\alpha_3) = \frac{1}{2}(w_1^2 + w_2^2)+\alpha_1(1-3w_1-3w_2-b) L(w1,w2,b,α1,α2,α3)=21(w12+w22)+α1(13w13w2b) + α 2 ( 1 − 4 w 1 − 3 w 2 − b ) + α 3 ( 1 + w 1 + w 2 + b ) +\alpha_2(1-4w_1-3w_2-b)+\alpha_3(1+w_1+w_2+b) +α2(14w13w2b)+α3(1+w1+w2+b)

= 1 2 [ ( α 2 + 2 α 3 ) 2 + ( 2 α 3 ) 2 ] + α 1 [ 1 − 3 ∗ ( α 2 + 2 α 3 ) − 3 ∗ 2 α 3 − b ] + = \frac{1}{2}[(\alpha_2+2\alpha_3)^2 + (2\alpha_3)^2] + \alpha_1[1-3*(\alpha_2+2\alpha_3) - 3*2\alpha_3-b]+ =21[(α2+2α3)2+(2α3)2]+α1[13(α2+2α3)32α3b]+ α 2 [ 1 − 4 ∗ ( α 2 + 2 α 3 ) − 3 ∗ 2 α 3 − b ] + α 3 [ 1 + α 2 + 2 α 3 + 2 α 3 + b ] \alpha_2[1-4*(\alpha_2+2\alpha_3)-3*2\alpha_3-b]+\alpha_3[1+\alpha_2+2\alpha_3+2\alpha_3+b] α2[14(α2+2α3)32α3b]+α3[1+α2+2α3+2α3+b]

= 1 2 [ α 2 2 + 4 α 2 α 3 + 4 α 3 2 + 4 α 3 2 ] + α 1 [ 1 − 3 α 2 − 6 α 3 − 6 α 3 − b ] + = \frac{1}{2}[\alpha_2^2+4\alpha_2\alpha_3+4\alpha_3^2 + 4\alpha_3^2]+\alpha_1[1-3\alpha_2-6\alpha_3-6\alpha_3-b]+ =21[α22+4α2α3+4α32+4α32]+α1[13α26α36α3b]+ α 2 [ 1 − 4 α 2 − 8 α 3 − 6 α 3 − b ] + α 3 [ 1 + α 2 + 2 α 3 + 2 α 3 + b ] \alpha_2[1-4\alpha_2-8\alpha_3-6\alpha_3-b]+\alpha_3[1+\alpha_2+2\alpha_3+2\alpha_3+b] α2[14α28α36α3b]+α3[1+α2+2α3+2α3+b]

= 1 2 [ α 2 2 + 4 α 2 α 3 + 8 α 3 2 ] + α 1 [ 1 − 3 α 2 − 12 α 3 − b ] + =\frac{1}{2}[\alpha_2^2+4\alpha_2\alpha_3+8\alpha_3^2]+\alpha_1[1-3\alpha_2-12\alpha_3-b]+ =21[α22+4α2α3+8α32]+α1[13α212α3b]+ α 2 [ 1 − 4 α 2 − 14 α 3 − b ] + α 3 [ 1 + α 2 + 4 α 3 + b ] \alpha_2[1-4\alpha_2-14\alpha_3-b] + \alpha_3[1+\alpha_2+4\alpha_3+b] α2[14α214α3b]+α3[1+α2+4α3+b]


为了看的更清楚一点,再誊抄一遍:
L ( w 1 , w 2 , b , α 1 , α 2 , α 3 ) = 1 2 [ α 2 2 + 4 α 2 α 3 + 8 α 3 2 ] + α 1 [ 1 − 3 α 2 − 12 α 3 − b ] + L(w_1,w_2,b,\alpha_1,\alpha_2,\alpha_3)=\frac{1}{2}[\alpha_2^2+4\alpha_2\alpha_3+8\alpha_3^2]+\alpha_1[1-3\alpha_2-12\alpha_3-b]+ L(w1,w2,b,α1,α2,α3)=21[α22+4α2α3+8α32]+α1[13α212α3b]+ α 2 [ 1 − 4 α 2 − 14 α 3 − b ] + α 3 [ 1 + α 2 + 4 α 3 + b ] \alpha_2[1-4\alpha_2-14\alpha_3-b] + \alpha_3[1+\alpha_2+4\alpha_3+b] α2[14α214α3b]+α3[1+α2+4α3+b]
令该式子用 Q ( b , α 1 , α 2 , α 3 ) Q(b,\alpha_1,\alpha_2,\alpha_3) Q(b,α1,α2,α3)表示,
因为方程组(1)中的式子: α 1 + α 2 + − α 3 = 0 \alpha_1+\alpha_2+-\alpha_3=0 α1+α2+α3=0,可以将b消掉,
Q ( α 1 , α 2 , α 3 ) = 1 2 [ α 2 2 + 4 α 2 α 3 + 8 α 3 2 ] + α 1 [ 1 − 3 α 2 − 12 α 3 ] + Q(\alpha_1,\alpha_2,\alpha_3)=\frac{1}{2}[\alpha_2^2+4\alpha_2\alpha_3+8\alpha_3^2]+\alpha_1[1-3\alpha_2-12\alpha_3]+ Q(α1,α2,α3)=21[α22+4α2α3+8α32]+α1[13α212α3]+ α 2 [ 1 − 4 α 2 − 14 α 3 ] + α 3 [ 1 + α 2 + 4 α 3 ] \alpha_2[1-4\alpha_2-14\alpha_3] + \alpha_3[1+\alpha_2+4\alpha_3] α2[14α214α3]+α3[1+α2+4α3]

则接下来求
max ⁡ α 1 , α 2 , α 3 Q ( α 1 , α 2 , α 3 ) \max_{\alpha_1,\alpha_2,\alpha_3}Q(\alpha_1,\alpha_2,\alpha_3) α1,α2,α3maxQ(α1,α2,α3)
求极值依然是求导令导数等于0:
∂ Q ∂ α 1 = 1 − 3 α 2 − 12 α 3 = 0 \frac{\partial Q}{\partial \alpha_1} = 1-3\alpha_2-12\alpha_3 =0 α1Q=13α212α3=0

∂ Q ∂ α 2 = α 2 + 2 α 3 − 3 α 1 + 1 − 4 α 2 − 14 α 3 − 4 α 2 + α 3 = 1 − 3 α 1 − 7 α 2 − 11 α 3 = 0 \frac{\partial Q}{\partial \alpha_2} =\alpha_2+2\alpha_3-3\alpha_1+1-4\alpha_2-14\alpha_3-4\alpha_2+\alpha_3 = 1-3\alpha_1-7\alpha_2-11\alpha_3=0 α2Q=α2+2α33α1+14α214α34α2+α3=13α17α211α3=0

∂ Q ∂ α 3 = 2 α 2 + 8 α 3 − 12 α 1 − 14 α 2 + 1 + α 2 + 4 α 3 + 4 α 3 = 1 − 12 α 1 − 11 α 2 + 16 α 3 = 0 \frac{\partial Q}{\partial \alpha_3} = 2\alpha_2+8\alpha_3-12\alpha_1-14\alpha_2+1+\alpha_2+4\alpha_3+4\alpha_3=1-12\alpha_1-11\alpha_2+16\alpha_3=0 α3Q=2α2+8α312α114α2+1+α2+4α3+4α3=112α111α2+16α3=0

整理得到方程组(2):
3 α 2 + 12 α 3 = 1 ① 3\alpha_2+12\alpha_3 = 1 \qquad ① 3α2+12α3=1

3 α 1 + 7 α 2 + 11 α 3 = 1 ② 3\alpha_1+7\alpha_2+11\alpha_3=1 \qquad ② 3α1+7α2+11α3=1

12 α 1 + 11 α 2 − 16 α 3 = 1 ③ 12\alpha_1+11\alpha_2-16\alpha_3=1 \qquad ③ 12α1+11α216α3=1

解方程组得:
α 1 = 13 9 \alpha_1 = \frac{13}{9} α1=913

α 2 = − 1 \alpha_2 = -1 α2=1

α 3 = 1 3 \alpha_3 = \frac{1}{3} α3=31

因为拉格朗日乘子需要满足 α i ≥ 0 \alpha_i \geq 0 αi0,该解不满足,所以最小值应该在边界上达到。
因为方程组(1)中给出的约束: α 1 + α 2 − α 3 = 0 \alpha_1+\alpha_2-\alpha_3=0 α1+α2α3=0

  • α 1 = 0 \alpha_1=0 α1=0时, α 2 = α 3 \alpha_2 =\alpha_3 α2=α3, 代入到Q中得: Q = − 13 2 ( α 2 − 2 13 ) 2 + 2 13 Q=-\frac{13}{2}(\alpha_2 - \frac{2}{13})^2+\frac{2}{13} Q=213(α2132)2+132, 明显,Q在 α 2 = 2 13 \alpha_2 = \frac{2}{13} α2=132处取得最大值 2 13 \frac{2}{13} 132;
  • α 2 = 0 \alpha_2=0 α2=0时, α 1 = α 3 \alpha_1 =\alpha_3 α1=α3, 同样代入到Q中得: Q = − 4 ( α 1 − 1 4 ) 2 + 1 4 Q=-4(\alpha_1 - \frac{1}{4})^2+\frac{1}{4} Q=4(α141)2+41, 明显,Q在 α 1 = 1 4 \alpha_1 = \frac{1}{4} α1=41处取得最大值 1 4 \frac{1}{4} 41;
  • α 3 = 0 \alpha_3=0 α3=0时, α 1 = − α 2 \alpha_1 =-\alpha_2 α1=α2,且拉格朗日乘子大于等于0,故 α 1 = α 2 = α 3 = 0 \alpha_1 =\alpha_2=\alpha_3=0 α1=α2=α3=0,不成立。

因为 1 4 > 2 13 \frac{1}{4} > \frac{2}{13} 41>132,所以当 α 2 = 0 \alpha_2=0 α2=0时,Q取得最优解,相应的 α 1 = α 3 = 1 4 \alpha_1 = \alpha_3= \frac{1}{4} α1=α3=41
由此可知, x 1 , x 3 x_1,x_3 x1,x3为支持向量。

回到方程组(1)的解可以得到:
w 1 = 2 α 3 = 1 2 w_1 = 2\alpha_3 = \frac{1}{2} w1=2α3=21

w 2 = α 2 + 2 α 3 = 1 2 w_2 = \alpha_2+ 2\alpha_3= \frac{1}{2} w2=α2+2α3=21

根据支持向量的定义: y i ( w T x i + b ) − 1 = 0 y_i(w^Tx_i+b)-1=0 yi(wTxi+b)1=0
将样本 ( x 1 , y 1 ) (x_1 ,y_1) (x1,y1)代入可得: 1 × ( 1 2 × 3 + 1 2 × 3 + b ) − 1 = 0 1×(\frac{1}{2}×3 + \frac{1}{2}×3 +b)-1=0 1×21×3+21×3+b1=0
解得 b = − 2 b=-2 b=2
最终得到最大间隔分离超平面为:
1 2 x ( 1 ) + 1 2 x ( 2 ) − 2 = 0 \frac{1}{2}x^{(1)} + \frac{1}{2}x^{(2)} -2 = 0 21x(1)+21x(2)2=0

本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

统计学习方法 例7.1 超详细求解过程 的相关文章

  • 详解数据科学自动化与机器学习自动化

    过去十年里 人工智能 AI 构建自动化发展迅速并取得了多项成就 在关于AI未来的讨论中 您可能会经常听到人们交替使用数据科学自动化与机器学习自动化这两个术语 事实上 这些术语有着不同的定义 如今的自动化机器学习 即 AutoML 特指模型构
  • 将经过训练的 SVM 从 scikit-learn 导入 OpenCV

    我正在将使用支持向量机的算法从 Python 使用 scikit learn 移植到 C 使用 OpenCV 的机器学习库 我可以使用 Python 访问经过训练的 SVM 并且可以将 SVM 模型参数从 XML 文件导入 OpenCV 由
  • 将 scikit-learn SVM 模型转换为 LibSVM

    我使用 scikit learn 训练了超过半 TB 的数据的 SVM svc 该模型运行良好 我需要将其移植到 C 但我不想从头开始重新训练 SVM 因为这对我来说花费的时间太长 有没有办法轻松导出 scikit learn 生成的模型并
  • 使用 SVM 进行实时面部表情分类

    我目前正在开发一个项目 我必须提取用户的面部表情 一次只能从网络摄像头提取一个用户 例如悲伤或快乐 我对面部表情进行分类的方法是 使用opencv检测图像中的人脸 使用ASM和stasm获取面部特征点 现在我正在尝试进行面部表情分类 SVM
  • 计算MLLIB SVM多类概率

    我想知道如何在多类分类问题中使用 Spark MLLIB SVM 计算概率 文档显示没有这样的功能可用 LibSVM https stackoverflow com questions 7802556 regarding probabili
  • Opencv:使用 FAST 关键点和 Brief 特征训练 SVM

    我想训练一个用于对象检测的支持向量机 此时 我有一个 python 脚本 可以检测 FAST 关键点并提取该位置的 Brief 特征 现在我不知道如何使用这些描述符来训练 SVM 请你告诉我 如何使用描述符来训练SVM 据我所知这些描述符应
  • 山西电力市场日前价格预测【2024-01-05】

    日前价格预测 预测说明 如上图所示 预测明日 2024 01 05 山西电力市场全天平均日前电价为259 10元 MWh 其中 最高日前电价为363 99元 MWh 预计出现在18 00 最低日前电价为0 00元 MWh 预计出现在11 1
  • MIT_线性代数笔记:复习二

    目录 第二单元主要内容 例题 第二单元主要内容 正交矩阵 Q 用矩阵形式描述正交性质 投影矩阵 P 最小二乘法 在方程无解时求 最优解 Gram Schmidt 正交化 从任意一组基得到标准正交基 策略是从向量 中减去投影到其它向量方向的分
  • R 中的 SVM:“预测器必须是数字或有序的。”

    我是 R 新手 遇到了这个问题 我想比较两种预测技术 支持向量机和神经网络 将它们应用于某些数据 并且我想比较它们的性能 为此 我使用 ROC 曲线 该代码应该计算 ROC 曲线下的面积 但它不起作用 神经网络代码工作正常 但是当 SVM
  • 基于GPT4+Python近红外光谱数据分析及机器学习与深度学习建模

    详情点击链接 基于ChatGPT4 Python近红外光谱数据分析及机器学习与深度学习建模教程 第一 GPT4 基础 1 ChatGPT概述 GPT 1 GPT 2 GPT 3 GPT 3 5 GPT 4模型的演变 2 ChatGPT对话初
  • 毕业设计-基于深度学习的细菌微生物目标检测系统系统 YOLO python 目标检测 人工智能 卷积神经网络 机器学习

    目录 前言 设计思路 一 课题背景与意义 二 算法理论原理 2 1 CBAM模块 2 2 损失函数 三 检测的实现 3 1 数据集 3 2 实验环境搭建 3 3 实验及结果分析 实现效果图样例 最后 前言 大四是整个大学期间最忙碌的时光 一
  • 类型错误:__init__() 得到意外的关键字参数“iid”

    我使用以下方法找到了最佳参数和最佳分数网格搜索简历 and 随机搜索CV对于我的 TCSVM 模型 现在我想用贝叶斯搜索CV为了与以前的方法进行比较 但我得到了这个错误 init got an unexpected keyword argu
  • 史上最全自动驾驶岗位介绍

    作者 自动驾驶转型者 编辑 汽车人 原文链接 https zhuanlan zhihu com p 353480028 点击下方 卡片 关注 自动驾驶之心 公众号 ADAS巨卷干货 即可获取 点击进入 自动驾驶之心 求职交流 技术交流群 本
  • 开始弃用NeRF?为什么Gaussian Splatting在自动驾驶场景如此受欢迎?(浙江大学最新)...

    点击下方 卡片 关注 自动驾驶之心 公众号 ADAS巨卷干货 即可获取 今天自动驾驶之心为大家分享浙大刚刚出炉的3D Gaussian Splatting综述 文章首先回顾了3D Gaussian的原理和应用 借着全面比较了3D GS在静态
  • 在 Matlab 中使用 svmtrain 内存不足

    我有一组数据正在尝试使用 SVM 来学习 对于上下文 数据的维数为 35 包含大约 30 000 个数据点 我之前用这个数据集在 Matlab 中训练过决策树 大约花了 20 秒 由于对错误率不太满意 我决定尝试 SVM 我第一次尝试svm
  • 了解 SVR scikit-learn 中收敛所需的迭代次数

    我正在尝试优化 SVR 模型 但由于过度拟合而面临问题 为了克服这个问题 我尝试减少迭代次数 而不是等到收敛为止 为了比较这两个模型 我需要两种情况的迭代次数 如何知道在开放的情况下 max iter 1 收敛所需的迭代次数 这是我的代码
  • 使用支持向量回归进行时间序列预测

    我一直在尝试使用Python语言中的支持向量回归来实现时间序列预测工具 我使用 scikit learn 中的 SVR 模块进行非线性支持向量回归 但我对未来事件的预测有严重的问题 回归线非常适合原始函数 根据已知数据 但一旦我想预测未来的
  • 以数据帧作为输入的模型上的多重处理

    我想在模型上使用多重处理 以使用数据帧作为输入来获得预测 我有以下代码 def perform model predictions model dataFrame cores 4 try with Pool processes cores
  • 让SVM在Python中运行得更快

    使用code下面是 python 中的 svm from sklearn import datasets from sklearn multiclass import OneVsRestClassifier from sklearn svm
  • 插入符 rfe + sum 与 ROC 中的特征选择

    我一直在尝试使用插入符包应用递归功能选择 我需要的是 ref 使用 AUC 作为性能衡量标准 经过一个月的谷歌搜索后 我无法让该过程正常运行 这是我使用过的代码 library caret library doMC registerDoMC

随机推荐

  • vue 集成ag-grid 组件,通过筛选条件操作列显示与隐藏

    关键代码 this columnApi setColumnVisible item false 此处item的位置 为ag grid列数据里面的colid 如无此项 可以用field的值来代替
  • 使用IBM SPSS Modeler进行随机森林算法预测

    IBM SPSS产品系列最主要的两款软件为IBM SPSS Statistics和IBM SPSS Modeler IBM SPSS Statistics主要用于统计分析 如均值比较 方差分析 相关分析 回归分析 聚类分析 因子分析 非参数
  • GDB交叉编译与问题解决

    GDB使用 交叉编译 Program received signal SIGILL Illegal instruction Program received signal SIGPIPE Broken pipe 交叉编译 bin bash
  • Linux项目实战——五子棋(单机人人对战版)

    Linux操作系统项目实战 五子棋 GIF 目录 Linux操作系统项目 五子棋 一 问题导引 二 实现要求 三 五子棋原理 1 落子数据信息保存载体 2 落子思路 3 判断 五子连珠 四 项目实现步骤 创建目录及文件 1 在Linux环境
  • 两个sed小技巧

    在写shell时使用sed处理一些输出 遇到两个问题 在网上找到了相应的解决办法 在此处备份一下 sed处理空字符 空字符 它的ASCII码值为0 在sed中如何标识空字符呢 看下面的例子 find print0 sed e s x0 n
  • 树(Tree)——(五)搜索二叉树的节点删除和销毁

    目录 节点删除的三种情况 第一种情况 第二种情况 第三种情况 代码实现 main函数 节点删除的三种情况 节点删除总共分成三种情况 第一种情况 若为叶子节点则直接删除 如左图节点1 3 8或者右图的1 4 8 若为单独一个根叶子要单独处理
  • WaveDrom 使用指南

    原文链接 WaveDrom 使用指南
  • Seventh season fifteenth episode,Joey got a new brain??????

    Scene Monica and Chandler s Monica Chandler Ross and Rachel are sitting around the table Monica I m glad you re here we
  • VMWARE修改CPUID

    在cmd shell下执行wmic cpu get ProcessorId命令 可是查看机器的cpuID 但这个命令显示的只是2组ID 实际CPUID 有4组 通过更改虚拟机配置文件 vmx可是实现任意cpu序列号的指定 而且重启虚拟机后c
  • html怎么在网页中加滚动条,在html中如何加滚动条?滚动条的用法!

    随着经济和科技的发展 互联网的大趋势造就了很大的就业机会 而且在我们日常的生活中大家多多少少会去浏览一些网站和网页吧 那么今天呀 我们就来说说在html中如何加滚动条 和一些有关于滚动条的用法 的经验分享 1 首先我们打开我们的前端的开发工
  • Docker安装Elasticsearch的遇到的那些坑

    1 根据百度到的一篇文章 https segmentfault com a 1190000004376504下载其最新镜像 hangxin1940 docker elasticsearch cn v2 1 0 使用 docker run d
  • 工作笔记-关于安卓和ios兼容遇到的问题

    工作笔记 关于安卓和ios兼容 一 移动端开发 客户端的键盘bug 现象 当用户点击卡面的按钮 弹出密码验证框和客户端键盘 此时点击验证框的按钮 ios的弹窗和键盘消失 然而并无其他事发生 bug定位 安卓功能完好 ios出现 所以采用打印
  • Spring Boot + Vue的网上商城之客服系统实现

    Spring Boot Vue的网上商城之客服系统实现 在网上商城中 客服系统是非常重要的一部分 它能够为用户提供及时的咨询和解答问题的服务 本文将介绍如何使用Spring Boot和Vue js构建一个简单的网上商城客服系统 思路 在本教
  • 编程猫编程平台的使用介绍

    编程猫编程平台的使用介绍 编程猫是由深圳点猫科技有限公司自主研发的国内知名青少年编程教育平台 通过图形化编程 可以创作出游戏 软件 动画 故事等 编程猫编程平台的使用介绍 cnds123的专栏 CSDN博客
  • ChatGPT专业应用:小红书文案生成

    正文共 1263 字 阅读大约需要 5 分钟 内容运营 社媒运营必备技巧 您将在5分钟后获得以下超能力 快速撰写小红书文案 Beezy评级 B级 经过简单的寻找 大部分人能立刻掌握 主要节省时间 推荐人 nanako 编辑者 Linda 此
  • 使用unixODBC并发连接mysql数据库频繁SIGSEGV及SIGABRT崩溃

    使用unixODBC并发连接mysql数据库频繁SIGSEGV及SIGABRT崩溃 2013 05 18 15 18 19 分类 UnixODBC 标签 unixodbc 举报 字号 订阅 下载LOFTER 我的照片书 这几周在测试自己写的
  • 编译XT720 gingerbread

    在android根目录下执行 build envsetup sh 然后执行lunch 选择你要的套餐 然后直接make 编译中有3处错误 1 packages apps CMStats Android mk中 把LOCAL STATIC J
  • [数值计算-3]:误差的种类、误差传播、误差分析

    作者主页 文火冰糖的硅基工坊 https blog csdn net HiWangWenBing 本文网址 https blog csdn net HiWangWenBing article details 119790035 目录 第1章
  • 华为校招机试题- 新员工座位安排系统-2023年

    题目描述 工位由序列F1 F2 Fn组成 Fi值为0 1或2 其中0代表空置 1代表有人 2代表障碍物 1 某一空位的友好度为左右连续老员工数之和 2 为方便新员工学习求助 优先安排友好度高的空位 给出工位序列 求所有空位中友好度的最大值
  • 统计学习方法 例7.1 超详细求解过程

    例7 1 已知一个如图所示的训练数据集 其正例点是 x 1 3 3