精华内容
下载资源
问答
  • 主要介绍在立式车床上加工大型圆柱体上R弧槽的工装设计。根据企业现有的条件和生产实际状况,通过蜗杆与蜗轮传动原理改变刀具的切削方向,由原来的刀具直向进给加工,变成旋转加工,提高大型圆柱体上R弧槽加工精度。此...
  • # 使用theme_set()设置当前R回话下的默认主题: theme_set(theme_bw()) # 将使用theme_bw() p # 将默认主题重置回theme_grey() theme_set(theme_grey()) # 9.4修改主题元素的外观 # 要修改一套主题,配合相应的...
    # 9.控制图形的整体外观
    
    # 9.1 设置图形标题
    # 使用ggtitle()设置标题
    library(ggplot2)
    library(gcookbook)
    p <- ggplot(heightweight,aes(x=ageYear,y=heightIn))+geom_point()
    p + ggtitle("Age and Height of Schoolchildren")
    # 使用\n来换行
    p +ggtitle("Age and Height\nof Schoolchildren")
    # 使用ggtitle()与使用labs(title="标题文本")是等价的


    # 如果希望将标题移动到绘图区域内部,可以使用两种方法
    # 第一种方法是将一个负的vjust值与ggtitle()配合使用,这种方法的缺点是在绘图区域的上方仍然会有空白的空间。
    # 第二种方式则是使用一个文本注解,设定其x的位置为x值域的中间,y的位置为Inf,这样就会将其置于绘图区域的顶部。这种方法需要同时使用vjust为正值,以使文本完全落入绘图区域
    # 移动标题到内部
    p+ ggtitle("Age and Height of Schoolchildren")+theme(plot.title = element_text(vjust=-2.5))
    # 或使用一个文本型注解
    p+ annotate("text",x=mean(range(heightweight$ageYear)),y=Inf,label="Age and Height of Schoolchildren",vjust=1.5,size=6)


    # 9.2修改文本外观
    # 要设置如标题、坐标轴标签和坐标轴刻度线等主题项目(theme item)的外观,使用theme()并通过element_text()设定对应项目的属性即可
    library(gcookbook)
    # 基本图形
    p <- ggplot(heightweight,aes(x=ageYear,y=heightIn))+geom_point()
    # 主题项目外观的控制
    p+theme(axis.title.x = element_text(size = 16,lineheight = .9,family = "Times",face = "italic",colour = "red"))
    p+ggtitle("Age and Height\nof Schoolchildren")+theme(plot.title = element_text(size = rel(1.5),lineheight = .9,family = "Times",face = "bold.italic",colour = "red"))
    # rel(1.5)表示字体大小将为当前主题基准字体大小的1.5倍
    # 对于主题元素来说,字体大小(size)的单位为磅(pt)
    # 要设置文本几何对象的外观,只需设置其文本属性即可
    p+annotate("text",x=15,y=53,label="Some text",size=7,family="Times",fontface="bold.italic",colour="red")
    p+geom_text(aes(label=weightLb),size=4,family="Times",colour="red")
    # 对于文本几何对象,字体大小的单位为毫米(mm)
    # 在ggplot2中,文本项目分为两类:主题元素和文本几何对象。主题元素包括图形中的所有非数据元素:如标题、图例和坐标轴。文本几何对象则属于图形本身的一部分.


    # 9.3使用主题
    # 要使用预制的主题,向图形添加theme_bw()或theme_grey()即可
    library(gcookbook)
    #基本图形
    p <- ggplot(heightweight,aes(x=ageYear,y=heightIn))+geom_point()
    # (默认的)灰色主题
    p+theme_grey()
    # 黑白主题
    p+theme_bw()
    # ggplot2()中主题元素的某些常用属性是通过theme()来控制的。其中的多数属性,如标题、图例和坐标轴,位于绘图区域的外部,但另一些则位于绘图区域的内部,如网格线和背景色
    # ggplot2()的两套自带主题是theme_grey()和theme_bw()
    # 可以自行设置两个内置主题的基本字体和字体大小(默认的基本字体为无衬线的Helvetica,默认大小为12)
    p+theme_grey(base_size = 16,base_family = "Times")
    # 使用theme_set()设置当前R回话下的默认主题:
    theme_set(theme_bw())
    # 将使用theme_bw()
    p
    # 将默认主题重置回theme_grey()
    theme_set(theme_grey())


    # 9.4修改主题元素的外观
    # 要修改一套主题,配合相应的element_xx对象添加theme()函数即可。element_xx对象包括element_line、element_rect以及element_text。
    library(gcookbook)
    # 基本图形
    p <- ggplot(heightweight,aes(x=ageYear,y=heightIn,colour=sex))+geom_point()
    # 绘图区域的选项
    p + theme(
      panel.grid.major = element_line(colour = "red"),
      panel.grid.minor = element_line(colour = "red",linetype = "dashed",size = 0.2),
      panel.background = element_rect(fill = "lightblue"),
      panel.border = element_rect(colour = "blue",fill = NA,size = 2)
    )
    # 文本项目的选项
    p+ggtitle("Plot title here")+theme(
      axis.title.x = element_text(colour = "red",size = 14),
      axis.text.x = element_text(colour = "blue"),
      axis.title.y = element_text(colour = "red",size = 14,angle = 90),
      axis.text.y = element_text(colour = "blue"),
      plot.title = element_text(colour = "red",size = 20,face = "bold")
    )
    # 图例选项
    p +theme(
      legend.background = element_rect(fill = "grey85",colour = "red",size = 1),
      legend.title = element_text(colour = "blue",face = "bold",size = 14),
      legend.text = element_text(colour = "red"),
      legend.key = element_rect(colour = "blue",size = 0.25)
    )
    # 分面选项
    p+facet_grid(sex~.)+theme(
      strip.background = element_rect(fill = "pink"),
      strip.text.y = element_text(size = 14,angle = -90,face = "bold")
    )
    # 如果希望使用一套现成的主题并使用theme()微调其中一些部分,则theme()必须接在指定主题的语句之后,否则,任何theme()的设定都会被添加的主题所还原
    # 如果在添加一套完整的主题之前使用,theme()将没有效果
    p+theme(axis.title.x = element_text(colour = "red"))+theme_bw()
    # 在完整的主题后使用,theme()可以正常工作
    p+theme_bw()+theme(axis.title.x = element_text(colour = "red",size = 12))


    # 9.5创建自定义主题
    # 可以通过向一套现成主题添加元素的方式创建自定义主题
    library(gcookbook)
    # 从theme_bw()入手,修改一些细节
    mytheme <- theme_bw()+theme(text = element_text(colour = "red"),axis.title = element_text(size = rel(1.25)))
    # 基本图形
    p <- ggplot(heightweight,aes(x=ageYear,y=heightIn))+geom_point()
    # 使用修改后的主题绘图
    p+mytheme
    # 可以添加新的主题元素或者修改现有的值,并将修改全部应用到多幅图形或者只应用到单幅图形上。


    # 9.6 隐藏网格线
    # 主网格线(与刻度线对其的那些)可通过panel.grid.major来控制,次网格线(位于主网格线之间的那些)则通过panel.grid.minor来控制。
    library(gcookbook)
    p <- ggplot(heightweight,aes(x=ageYear,y=heightIn))+geom_point()
    p+theme(panel.grid.major = element_blank(),panel.grid.minor = element_blank())


    # 通过使用panel.grid.major.x、panel.grid.major.y、panel.grid.minor.x、panel.grid.minor.y,只隐藏纵向或横向网格线
    # 隐藏纵向网格线(与x轴交汇的那些)
    p + theme(panel.grid.major.x = element_blank(),panel.grid.minor.x = element_blank())
    # 隐藏横向网格线(与y轴交汇的那些)

    p+theme(panel.grid.major.y = element_blank(),panel.grid.minor.y = element_blank())

    # 10.图例
    # 10.1移除图例
    # 使用guides(),并指定需要移除图例的标度
    # 基本图形(含图例)
    p <-ggplot(PlantGrowth,aes(x=group,y=weight,fill=group))+geom_boxplot()
    p
    # 移除标度fill的图例
    p + guides(fill=FALSE)
    # 移除某个图例的另一种方式是在对应标度中设置guide=FALSE.
    # 移除标度fill的图例
    p+scale_fill_discrete(guide=FALSE)
    # 还有一种移除图例的方法是使用主题系统。如果有多于一种带有图例的图形属性映射,这样做将会移除所有图例
    p+theme(legend.position = "none")


    # 当某个变量被映射到图形属性fill上时,默认使用的标度为scale_fill_discrete()(与scale_fill_hue()等价),这会将不同的因子水平映射到色环上均匀分布的颜色值上。
    # 对于fill来说,也有其他的标度可用,如scale_fill_manual()。如果要使用其他图形属性的标度,如colour(针对线和点)或shape(针对点),则必须使用合适的对应标度。


    # 10.2 修改图例的位置
    # 使用theme(legend.position=...)即可。通过指定位置参数为top、left、right或bottom,图例即可被放置在顶部、左侧、右侧或底部
    p <- ggplot(PlantGrowth,aes(x=group,y=weight,fill=group))+geom_boxplot()+scale_fill_brewer(palette = "Pastel2")
    p+theme(legend.position = "top")
    # 通过指定像legend.position=c(0,1)这样的位置坐标,图例也可被置于绘图区域内部。
    # 坐标空间左下角为原点(0,0),右上角为(1,1)。
    # 可以使用legend.justification来指定图例框的哪一部分被放置到legend.position所指定的位置上。默认情况下,图例的中心(0.5,0.5)被置于给定的坐标处,但是指定一个不同的点往往是有用的。
    # 将图例的右下角(1,0)置于绘图区域的右下角(1,0)
    p + theme(legend.position = c(1,0),legend.justification = c(1,0))
    # 将图例的右上角置于绘图区域的右上角
    p+theme(legend.position = c(1,1),legend.justification = c(1,1))


    # 在绘图区域内放置图例时,添加一个不透明的边界使其与图形分开可能会有所帮助
    p+theme(legend.position = c(.85,.2))+theme(legend.background = element_rect(fill = "white",colour = "black"))
    # 移除图例元素周围的边界以使其融入图形
    p+theme(legend.position = c(.85,.2))+theme(legend.background = element_blank())+theme(legend.key = element_blank())


    # 10.3修改图例项目的顺序
    # 将对应标度的参数limits设置为理想的顺序即可
    # 基本图形
    p <- ggplot(PlantGrowth,aes(x=group,y=weight,fill=group))+geom_boxplot()
    p
    # 修改项目顺序
    p+scale_fill_discrete(limits=c("trt1","trt2","ctrl"))
    # 注意:x轴上项目的顺序并没有改变。要修改这个顺序,需要设置scale_x_discrete()的limits参数,或者修改数据,使其拥有一个不同的因子水平顺序
    # 使用灰色调色板
    p+scale_fill_grey(start = .5,end = 1,limits=c("trt1","trt2","ctrl"))
    # 使用RColorBrewer中的调色板
    p+scale_fill_brewer(palette = "Pastel2",limits=c("trt1","trt2","ctrl"))
    # 以上都是针对图形属性fill的,要使用其他图形属性的标度,如colour(针对线和点)或shape(针对点),则必须使用合适的对应标度。
    # 默认情况下,使用scale_fill_discrete()与使用scale_fill_hue()是等价的。这对于颜色标度也成立。


    # 10.4反转图例项目的顺序
    # 添加guides(fill=guide_legend(reverse=TRUE))以反转图例的顺序。
    # 基本图形
    p <- ggplot(PlantGrowth,aes(x=group,y=weight,fill=group))+geom_boxplot()
    p
    # 反转图例顺序
    p+guides(fill=guide_legend(reverse = TRUE))
    # 在设定标度的同时也可以控制图例
    p+scale_fill_hue(guide=guide_legend(reverse = TRUE))


    # 10.5修改图例标题
    # 使用函数labs()并设定fill、colour、shape或任何对于图例来说合适的图形属性的值
    # 基本图形
    p <- ggplot(PlantGrowth,aes(x=group,y=weight,fill=group))+geom_boxplot()
    p
    # 设置图例标题为“Condition"
    p+labs(fill="Condition")
    # 在设定标度时也可以设置图例标题。由于图例和坐标轴均为引导元素,这样做与设置x轴或y轴标题的原理是相同的。
    p+scale_fill_discrete(name="Condition")
    # 如果有多个变量被映射到带有图例的图形属性,可以分别设置每个图例的标题。
    library(gcookbook)
    # 绘制基本图形
    hw <- ggplot(heightweight,aes(x=ageYear,y=heightIn,colour=sex))+geom_point(aes(size=weightLb))+scale_size_continuous(range=c(1,4))
    hw
    # 使用新的图例标题
    hw + labs(colours="Male/Female",size="Weight\n(pounds)")
    # 如果有一个变量被分别映射到两个图形属性,则默认会生成一个组合了两种情况的图例。
    hw1 <- ggplot(heightweight,aes(x=ageYear,y=heightIn,shape=sex,colour=sex))+geom_point()
    hw1
    # 要修改图例标题,需要同时设置二者的标题。如果只修改其中一个,则会得到两个分离的图例
    # 仅修改shape的标题
    hw1+labs(shape="Male/Female")
    # 同时修改shape和colour的标题
    hw1 +labs(shape="Male/Female",colour="Male/Female")
    # 使用函数guides()来控制图例标题
    p+guides(fill=guide_legend(title = "Condition"))


    # 10.6修改图例标题的外观
    # 使用theme(legend.title=element_text())
    p <- ggplot(PlantGrowth,aes(x=group,y=weight,fill=group))+geom_boxplot()
    p+theme(legend.title = element_text(face = "italic",family = "Times",colour = "red",size = 14))
    # 通过guides()来指定图例标题的外观。
    p+guides(fill=guide_legend(title.theme = element_text(face = "italic",family = "times",colour = "red",size = 14,angle = 90)))


    # 10.7移除图例标题
    # 添加语句guides(fill=guide_legend(title=NULL))可以从图例中移除标题。
    p+guides(fill=guide_legend(title = NULL))
    # 在设置标度的同时也可以控制图例标题。
    p+scale_fill_hue(guide=guide_legend(title = NULL))


    # 10.8修改图例标签
    # 设置标度中的labels参数即可
    library(gcookbook)
    # 基本图形
    p <- ggplot(PlantGrowth,aes(x=group,y=weight,fill=group))+geom_boxplot()
    p
    # 修改图例标签
    p+scale_fill_discrete(labels=c("Control","Treatment 1","Treatment 2"))
    # 注意:x轴的标签并没有改变。要修改它,需要设置scale_x_discrete()中的标签,或者修改数据让其拥有不同的因子水平名称
    p+scale_fill_grey(start = .5,end = 1,labels=c("Control","Treatment 1","Treatment 2"))
    # 如果同时修改了图例项目的顺序,则标签会依照位置顺序与项目进行匹配
    p+scale_fill_discrete(limits=c("trt1","trt2","ctrl"),labels=c("Treatment 1","Treatment 2","Control"))
    # 如果有一个变量被分别映射到两个图形属性,则默认会生成一个组合了两种情况的图例。
    # 如果要修改图例标签,则必须同时修改两种标度中的标签,否则将得到两个分离的图例
    # 基本图形
    p <- ggplot(heightweight,aes(x=ageYear,y=heightIn,shape=sex,colour=sex))+geom_point()
    p
    # 修改一个标度中的标签
    p+scale_shape_discrete(labels=c("Female","Male"))
    # 同时修改两个标度中的标签
    p+scale_shape_discrete(labels=c("Female","Male"))+scale_color_discrete(labels=c("Female","Male"))


    # 10.9修改图例标签的外观
    # 使用theme(legend.text=element_text())
    # 基本图形
    p <- ggplot(PlantGrowth,aes(x=group,y=weight,fill=group))+geom_boxplot()
    # 修改图例标签的外观
    p+theme(legend.text = element_text(face = "italic",family = "Times",colour = "red",size = 14))
    # 也可以通过guides()来指定图例标签的外观。
    # 修改fill对应图例标签文本的外观
    p+guides(fill=guide_legend(label.theme = element_text(face = "italic",family = "Times",colour = "red",size = 14,angle = 45)))
    # 10.10使用含多行文本的标签
    # 在相应标度中设置labels参数,使用\n来表示新行。
    p <- ggplot(PlantGrowth,aes(x=group,y=weight,fill=group))+geom_boxplot()
    # 含有多于一行文本的标签
    # 使用scale_fill_discrete()来控制标度fill的图例
    p+scale_fill_discrete(labels=c("Control","Type 1\ntreatment","Type 2\ntreatment"))
    # 默认设置下,使用多于一行文本的标签时,各行文本将相互叠加。
    # 可以使用theme()增加图例说明的高度并减小各行的间距
    # 要实现这个操作,需要使用grid包中的unit()函数来指定高度
    library(grid)
    p+scale_fill_discrete(labels=c("Control","Type 1\ntreatment","Type 2\ntreatment"))+theme(legend.text = element_text(lineheight = .8),legend.key.height = unit(1,"cm"))

    展开全文
  • KND数控车床试切对和调

    千次阅读 2020-12-30 10:28:01
    展开全部M是测量的意思(有的系统是输32313133353236313431303231363533e78988e69d8331333262353363入你的测量值然后点一个“测量”按钮)数控车对步骤第一把的对步骤:第一步:确认刀具如果不是,需要换1....

    展开全部

    M  是测量的意思(有的系统是输32313133353236313431303231363533e78988e69d8331333262353363入你的测量值 然后点一个“测量”按钮)

    数控车对刀步骤

    第一把刀的对刀步骤:

    第一步:确认刀具

    如果不是,需要换刀

    1. 在MDI模式下,输入换刀指令:T0x0x

    2. 在MDI模式下,输入转速指令:SxxxM0x

    第二步:试切削

    1. 快速接近工件,注意不要碰到工件。

    2. Z向对刀:在手动进给方式下,切削工件端面,直至端面平整为止。

    3. 注意此时不要移动Z轴,按下MENU OFSET,切换到GEOMETRY画面,

    确认刀号,输入MZ0.

    4. X向对刀:在手动进给方式下,切削工件外圆,直至外圆平整为止。

    停止主轴转动,进行外圆测量,记下外圆直径测量值。

    5. 注意此时不要移动X轴,按下MENU OFSET,切换到GEOMETRY画面,

    确认刀号,输入MX????。(????号为外圆直径值)

    6.输入刀具其它参数,包括刀尖圆角半径(Rxx)和刀尖假想位置(Tx)。

    7. 移动刀具远离工件,直至安全位置。

    第一把刀对刀结束。

    第二把刀的对刀步骤:

    第一步:确认刀具

    1. 在MDI模式下,输入换刀指令:T0x0x

    2. 在MDI模式下,输入转速指令:SxxxM0x

    第二步:试切削

    1. 快速接近工件,注意不要碰到工件。

    2. Z向对刀:在手动进给方式下,轻碰已平整的工件端面,注意不要切削工件端面。

    如果切削了工件端面,则第一把刀的Z向需要重新对刀。

    3. 注意此时不要移动Z轴,按下MENU OFSET,切换到GEOMETRY画面,

    a) 确认刀号,输入MZ0.

    4. X向对刀:在手动进给方式下,轻碰已平整的工件外圆,如果余量允许,可以切削文件外圆。然后,停止主轴转动,进行外圆测量,记下外圆直径测量值。

    5. 注意此时不要移动X轴,按下MENU OFSET,切换到GEOMETRY画面,确认刀号,输入MX????。(????号为外圆直径值)

    6. 输入刀具其它参数,包括刀尖圆角半径(Rxx)和刀尖假想位置(Tx)。

    7. 移动刀具远离工件,直至安全位置。

    第二把刀对刀结束。

    33

    展开全文
  • R语言回归篇

    千次阅读 2021-01-17 05:02:47
    表示包含除因变量的所有变量,eg:若一个数据框包含变量x、y、z和w,代码y~.可展开为y~x+z+w - 减号,表示从等式中移除某个变量,eg:y~(x+z+w)^2-x:w可展开为y~x+z+w+x:z+z:w -1 删除截距项,eg:表示y~x-1拟合y...

    1.回归的多面性

    回归类型

    用途

    简单线性

    个量化的解释变量来预测一个量化的响应变量(一个因变量、一个自变量)

    多项式

    一个量化的解释变量预测一个量化的响应变量,模型的关系是

    n阶多项式(一个预测变量,但同时包含变量的幂)

    多元线性

    用两个或多个量化的解释变量预测一个量化的响应变量(不止一个预测变量)

    多变量

    用一个或多个解释变量预测多个响应变量

    Logistic

    用一个或多个解释变量预测一个类别型变量

    泊松

    用一个或多个解释变量预测一个代表频数的响应变量

    Cox比例风险

    用一个或多个解释变量预测一个事件(死亡、失败或旧病复发)发生的时间

    时间序列对误差项相关的时间序列数据建模

    非线性

    用一个或多个量化的解释变量预测一个量化的响应变量,不过模型是非线性的

    非参数

    用一个或多个量化的解释变量预测一个量化的响应变量,模型的形式源

    自数据形式,不事先设定

    稳健

    用一个或多个量化的解释变量预测一个量化的响应变量,能抵御强影响点的干扰

    2.OLS回归

    OLS回归是通过预测变量的加权和来预测量化的因变量,其中权重是通过数据估计而得以的参数。

    使残差平方和最小

    为能够恰当地解释OLS模型的系数,数据必须满足以下统计假设:

    (1)      正态性对于固定的自变量,因变量值成正态分布

    (2)      独立性 Yi值之间相互独立

    (3)      线性   因变量与自变量之间为线性相关

    (4)      同方差性因变量的方差不随自变量的水平不同而变化,即不变方差或同方差性

    3. 用lm()拟合回归模型

    拟合线性模型最基本的函数就是lm(),格式为:

    myfit

    formula指要拟合的模型形式,data是一个数据框,包含了用于拟合模型的数据

    formula形式如下:Y~X1+X2+……+Xk (~左边为响应变量,右边为各个预测变量,预测变量之间用+符号分隔)

    R表达式中常用的符号

    符号

    用途

    ~

    分隔符号,左边为响应变量,右边为解释变量,eg:要通过x、z和w预测y,代码为y~x+z+w

    +

    分隔预测变量

    表示预测变量的交互项  eg:要通过x、z及x与z的交互项预测y,代码为y~x+z+x:z

    *

    表示所有可能交互项的简洁方式,代码y~x*z*w可展开为y~x+z+w+x:z+x:w+z:w+x:z:w

    ^

    表示交互项达到某个次数,代码y~(x+z+w)^2可展开为y~x+z+w+x:z+x:w+z:w

    .

    表示包含除因变量外的所有变量,eg:若一个数据框包含变量x、y、z和w,代码y~.可展开为y~x+z+w

    -

    减号,表示从等式中移除某个变量,eg:y~(x+z+w)^2-x:w可展开为y~x+z+w+x:z+z:w

    -1

    删除截距项,eg:表示y~x-1拟合y在x上的回归,并强制直线通过原点

    I()

    从算术的角度来解释括号中的元素。Eg:y~x+(z+w)^2将展开为y~x+z+w+z:w。相反,代码y~x+I((z+w)^2)将展开为y~x+h,h是一个由z和w的平方和创建的新变量

    function

    可以在表达式中用的数学函数,例如log(y)~x+z+w表示通过x、z和w来预测log(y)

    对拟合线性模型非常有用的其他函数

    函数

    用途

    Summary()

    展示拟合的详细结果

    Coefficients()

    列出拟合模型的模型参数(截距项和斜率)

    Cofint()

    提供模型参数的置信区间(默认95%)

    Fitted()

    列出拟合模型的预测值

    Residuals()

    列出拟合模型的残差值

    Anova()

    生成一个拟合模型的方差分析,或者比较两个或更多拟合模型的方差分析表

    Vcov()

    列出模型参数的协方差矩阵

    AIC()

    输出赤池信息统计量

    Plot()

    生成评价拟合模型的诊断图

    Predict()

    用拟合模型对新的数据集预测响应变量值

    4. 简单线性回归

    eg:

    fit

    summary(fit)

    89818686_3

    在Pr(>|t|)栏,可以看到回归系数(3.45)显著不为0(p<0.001),表明身高每增加1英寸,体重将预期地增加3.45磅

    R平方项(0.991)表明模型可以解释体重99.1%的方差,它也是实际和预测值之间的相关系数(R^2=r^2)

    残差的标准误(1.53lbs)则可认为模型用身高预测体重的平均误差

    F统计量检验所有的预测变量预测响应变量是否都在某个几率水平之上

    fitted(fit)#拟合模型的预测值

    89818686_4

    residuals(fit)#拟合模型的残差值

    89818686_5

    plot(women$height,women$weight,

    xlab="Height (in inches)",

    ylab="Weight(in pounds)")

    abline(fit)

    89818686_6

    5. 多项式回归

    fit2

    summary(fit2)

    89818686_7

    plot(women$height,women$weight,

    xlab="Height(in inches)",

    ylab="Weight(in lbs)")

    lines(women$height,fitted(fit2))

    89818686_8

    一般来说,n次多项式生成一个n-1个弯曲的曲线

    car包中的scatterplot()函数,可以很容易、方便地绘制二元关系图

    scatterplot(weight~height,

    data=women,

    spread=FALSE,

    lty.smooth=2,

    pch=19,

    main="Women Age 30-39",

    xlab="Height (inches)",

    ylab="Weight(lbs.)")

    89818686_9

    6.多元线性回归

    采用的数据集:state.x77

    states

    检测二变量关系

    cor(states)

    89818686_10

    library(car)

    scatterplotMatrix(states,spread=FALSE,lty.smooth=2,main="Scatter Plot Matrix")

    89818686_11

    scatterplotMatrix()函数默认在非对角线区域绘制变量间的散点图,并添加平滑(loess)和线性拟合曲线

    多元线性回归

    fit

    summary(fit)

    89818686_12

    7.有交互项的多元线性回归

    fit

    summary(fit)

    89818686_13

    通过effects包中的effect()函数,可以用图形展示交互项的结果

    fit

    summary(fit)

    install.packages("effects")

    library(effects)

    plot(effect("hp:wt",fit,

    list(wt=c(2.2,3.2,4.2))),multiline=TRUE)

    89818686_14

    8.回归诊断

    (1)标准方法

    fit

    par(mfrow=c(2,2))

    plot(fit)

    89818686_15

    正态性:当预测变量值固定时,因变量成正态颁,则残差图也应是一个均值为0的正态颁。正态Q-Q图是在正态颁对应的值上,标准化残差的概率图,若满足正态假设,则图上的点应该落在吓45度角的直线上,若不是,则违反了正态性假设。

    独立性:只能从收集的数据中来验证。

    线性:若因变量与自变量线性相关,则残差值与预测(拟合)值就没有任务系统关联,若存在关系,则说明可能城要对回归模型进行调整。

    同方差性:若满足不变方差假设,则在位置尺度图(Scale-Location Graph)中,水平线周围的点应随机分布。

    二次拟合诊断图

    fit2

    par(mfrow=c(2,2))

    plot(fit2)

    89818686_16

    (2)改进的方法

    (car包中的)回归诊断实用函数

    函数

    目的

    qqPlot()

    分位数比较图

    durbinWatsonTest()

    对误差自相关性做Durbin-Watson检验

    crPlots()

    成分与残差图

    ncvTest()

    对非恒定的误差方差做得分检验

    spreadLevelPlot()

    分散水平检验

    outlierTest()

    Bonferroni离群点检验

    avPlots()

    添加的变量图形

    inluencePlot()

    回归影响图

    scatterplot()

    增强的散点图

    scatterplotMatrix()

    增强的散点图矩阵

    vif()

    方差膨胀因子

    另gvlma包提供了对所有线性模型进行检验的方法

    正态性:

    与 plot()函数相比,qqplot()函数提供了更为精确的正态假设检验方法,画出了n-p-1个自由度的t分布下的学生化残差图形,n为样本大小,p是回归参数的数目(包括截距项)

    eg:

    library(car)

    fit

    qqPlot(fit,labels=row.names(states),id.method="identify",simulate=TRUE,main="Q-Q Plot")

    89818686_17

    绘制学生残差图的函数

    residplot

    z

    hist(z,breaks=nbreaks,freq=FALSE,

    xlab="Studnetized Residual",

    main="Distribution of Errors")

    rug(jitter(z),col="brown")

    curve(dnorm(x,mean=mean(z),sd=sd(z)),

    add=TRUE,col="blue",lwd=2)

    lines(density(z)$x,density(z)$y,

    col="red",lwd=2,lty=2)

    legend("topright",

    legend=c("Normal Curve","Kernel Density Curve"),

    lty=1:2,col=c("blue","red"),cex=0.7)}

    residplot(fit)

    89818686_18

    误差的独立性:

    之前提到可依据收集数据判断因变量是否独立

    car包中提供了一个可做Durbin-Watson检验的函数,可检测误差的序列相关性

    durbinWatsonTest(fit)

    89818686_19

    线性:

    可通过成分残差图即偏残差图,判断因变量与自变量之间是否呈非线性关系,也可以看是否不同于已设定线性模型的系统偏差,图形可用car包中crPlots()函数绘制

    library(car)

    crPlots(fit)

    89818686_20

    若图形存在非线性,则说明可能对预测变量的函数形式建模不够充分

    car包提供了两个有用的函数,可判断误差方差是否恒定

    ncvTest()函数生成一个计分检验,零假设为误差方差不变

    spreadLevelPlot()函数创建一个添加了最佳拟合曲线的散点图,展示标准化残差绝对值与拟合值的关系

    检验同方差性:

    library(car)

    ncvTest(fit)

    spreadLevelPlot(fit)

    89818686_21

    89818686_22

    (3)线性模型假设的综合验证

    gvlma包中的gvlma()函数

    install.packages("gvlma")

    library(gvlma)

    gvmodel

    summary(gvmodel)

    89818686_23

    (4)多重共线性

    VIF(Variance Inflation Factor,方差膨胀因子)进行检测

    一般原则下,(VIF)^1/2 >2表明存在多重共线性问题

    library(car)

    vif(fit)

    sqrt(vif(fit))>2

    89818686_24

    9.异常观测值

    (1)离群点

    离群点指那些模型预测效果不佳的观测点,通常有很大的、或正或负的残差,正残差说明模型低估了响应值,负残差说明高佑了响应值

    library(car)

    outlierTest(fit)

    89818686_25

    outlierTest()函数是根据单个最大(或正或负)残差值的显著性来判断是否有离群点,若不显著,则说明数据集中没有离群点,若显著,则必须删除该离群点,然后再检验是否还有其他离群点存在。

    (2)高杠杆值点

    高杠杆值观测点,即是与其他预测变量有关的离群点,即它们是由许多异常的预测变量组合起来的,与响应变量值没有关系。

    高杠杆值的观测点可通过帽子统计量(hat statistic)判断。对于一个给定的数据集,帽子均值为p/n,其中p是模型估计的参数数目(包含截距项),n是样本量。一般来说,若观测点的帽子值大于帽子均值的2或3倍,则可认定为高杠杆值点。

    hat.plot

    p

    n

    plot(hatvalues(fit),main="Index Plot of Hat Values")

    abline(h=c(2,3)*p/n,col="red",lty=2)

    identify(1:n,hatvalues(fit),names(hatvalues(fit)))

    }

    hat.plot(fit)

    89818686_26

    (3)强影响点

    强影响点,即对模型参数估计值影响有些比例失衡的点。例如,当移除 模型的一个观测点时模型会发生巨大的改变,那么需要检测一下数据中是否存在强影响点。

    检测方法

    Cook距离,或称为D统计量     Cook's D值大于4/(n-k-1),则表明它是强影响点,其中n为样本量大小,k是预测变量数目(有助于鉴别强影响点,但并不提供关于这些点如何影响模型的信息)

    变量添加图(added variable plot)(弥补了该缺陷)(对于每个预测变量Xk,绘制Xk在其他k-1个预测变量上回归的残差值相对于响应变量在其他k-1个预测变量上回归的残差值的关系图)

    cutoff

    plot(fit,which=4,cook.levels=cutoff)

    abline(h=cutoff,lty=2,col="red")

    89818686_27

    library(car)

    avPlots(fit,ask=FALSE,onepage=TRUE,id.method="identify")

    89818686_28

    car包中的influencePlot()函数,可将离群点、杠杆点和强影响点的信息整合到一幅图形中

    library(car)

    influencePlot(fit,id.method="identify",main="Influence Plot",

    sub="Circle size if proportional to Cook's distance")

    89818686_29

    影响图。纵坐标超过2或小于-2的州可被认为是离群点,水平轴超过0.2或0.3的州有高杠杆值(通常为预测值的组合)。圆圈大小与影响成比例,圆圈很大的点可能是对模型估计造成的不成比例影响的强影响点。

    10.改进的措施

    (1)删除观测点

    删除观测点可提高数据集对于 正态假设的拟合度,而强影响点会干扰结果,通常也会被删除。删除最大的离群点或强影响点,模型需要重新拟合,若离群点或强影响点仍然存在,重复以上过程直到获得比较满意的拟合。

    对删除观测点应持谨慎态度。

    (2)变量变换

    当模型不符合正态性、线性或同方差性假设时,一个或多个变量的变换通常可以改善或调整模型效果。

    当模型违反了正态假设时,通常可以对响应变量尝试某种变换。

    car包中的powerTransform()函数

    Box-Cox正态变换

    library(car)

    summary(powerTransform(states$Murder))

    89818686_30

    (3)增删变量

    改变模型的变量会影响模型的拟合度,增加或删除变量

    多重共线问题:岭回归

    11.选择“最佳”的回归模型

    (1)模型比较

    anova()函数可比较两个嵌套模型的拟合优度

    嵌套模型即指它的一个些项完全饮食在另一个模型中

    用anova()函数比较

    fit1

    fit2

    anova(fit2,fit1)

    89818686_31

    模型1嵌套在模型2中,检验不显著,基础知识 不需要将Income和Frost添加到线性模型中,可将它们从模型中删除

    AIC(Akaike Information Criterion,赤池信息准则)可用来比较模型,考虑了模型的统计拟合度及用来拟合的参数数目

    AIC值越小的模型要优行选择,说明模型用较少的参数获得了足够的拟合度

    fit1

    data=states)

    fit2

    AIC(fit1,fit2)

    89818686_32

    (2)变量选择

    逐步回归法(stepwise method):

    向前逐步回归(forward stepwise)每次添加一个预测变量到模型中,直到添加变量不会使模型有所改进为止。

    向后逐步回归(backward stepwise)从模型包含所有预测变量开始,一次删除一个变量直到会降低模型质量为止。

    向前向后逐步回归(stepwise stepwise 逐步回归)

    MASS包中的steAIC()函数可实现逐步回归模型,依据的是精确AIC准则

    后向回归

    library(MASS)

    fit1

    stepAIC(fit,direction="backward")

    89818686_33

    全子集回归(all-subsets regression):

    全子集回归,即所有可能的酣篮队支被检验,可选择展示所有可能的结果,也可展示n个不同子集大小(一个、两个或多个预测变量)的最佳模型

    可用leaps包中的regsubsets()函数实现

    可通过R平方、调整R平方或Mallows Cp统计量等准则来选择“最佳”模型

    R平方是预测变量解释响应变量的程度

    调整R平方与之类似,但考虑了模型的参数数目

    Mallows Cp统计量也用来作为逐步回归的判停规则,对于一个好的模型,它的Cp统计量非常迫近于模型的参数数目(包括截距项)

    install.packages("leaps")

    library(leaps)

    leaps

    plot(leaps,scale="adjr2")

    89818686_34

    library(car)

    subsets(leaps,statistic="cp",main="Cp Plot for All Subsets Regression")

    abline(1,1,lty=2,col="red")

    89818686_35

    12. 深层次分析

    (1)交叉验证

    交叉验证即将一定比例的数据挑选出来作为训练样本,另外的样本作为保留样本,先在训练样本上获取回归方程,然后在保留样本上做预测。 由于保留样本不涉及模型及参数的选择,该样本可获得比新数据更为精确的估计。

    k重交叉难中,样本被分为k个子样本,轮流将k-1个子样本组合作为训练集,另外1个子样本作为保留集,这样会获得k个预测方程,记录k个保留样本的预测表现结果,然后求其平均值。【当n是观测总数目,k为n时,该方法又称作刀切法(jackknifing)】

    bootstrap包中的crossval()函数可实现k重交叉验证

    install.packages("bootstrap")

    library(bootstrap)

    shrinkage

    require(bootstrap)

    theta.fit

    theta.predict

    x

    y

    results

    r2

    r2cv

    cat("Original R-square=",r2,"\n")

    cat(k,"Fold Cross-Validated R-square=",r2cv,"\n")

    cat("Change=",r2-r2cv,"\n")

    }

    fit

    shrinkage(fit)

    fit2

    shrinkage(fit2)

    89818686_36

    (2)相对重要性

    zstates

    zfit

    coef(zfit)

    89818686_37

    相对权重:是对所有可能子模型添加一个预测变量引起的R平方均增加量的一个近似值。

    relweights

    R

    nvar

    rxx

    rxy

    svd

    evec

    ev

    delta

    lambda

    lambdasq

    beta

    rsqrare

    rawwgt

    import

    lbls

    rownames(import)

    colnames(import)

    barplot(t(import),names.arg=lbls,

    ylab="% of R-Square",

    xlab="Predictor Variables",

    main="Relative Importance of Predictor Variables",

    sub=paste("R-Square=",round(rsquare,digits=3)),……)

    return(import)

    }

    fit

    relweights(fit,col="lightgrey")

    展开全文
  • 通过使用不同刃磨质量的polycrystalline diamond(PCD)刀具车削...精车斯特尔WD615型活塞(材料为BHl22A硅铝合金)圆时,PCD刀具的刀尖圆弧半径rε的最佳范围值0.8mm≤rε<3.5mm;刀具的合理后角值为6°~9°。
  • B710R在7U高的箱内部署10片支持2个Intel 5500系列CPU的计算刀片。42U标准机柜内,可以部署最多6台B710R,60个计算刀片,480个计算核心。 深腾B710R B710R的电源转换效率高达93%.不仅能降低服务器运行、元器件采购...

    服务器虚拟化可以提高整合与资源利用率,降低数据中心耗能,降低IT成本,改进服务器管理等,这也是服务器虚拟化技术迅速发展的原因。

    随着企业业务规模的不断扩大、数据量快速增长,企业对服务器性能的要求也不断提高,虚拟化技术作为最佳的解决方案之一,被寄予厚望。然而,虚拟化技术对服务器的内存和I/O能力要求较高,否则可能处理器的运算性能很强,但内存却不够用了,或者I/O跟不上,无法充分发挥多台虚拟机的效能。那么,哪种服务器适合部署虚拟化应用呢?今天我们为您推荐5款刀片服务器,不仅性能强劲,更突破了I/O与内存的瓶颈,是虚拟化应用的最佳利器。

    acb479608955d11bd5bf3b1b0624645a.png

    TOP1:IBM BladeCenter HS22

    这款刀片服务器不仅继承了蓝色巨人的优良品质,延续了BladeCenter系列灵活、简单、稳定可靠的设计特点,还针对电源、散热等组件进行了优化。与上一代刀片服务器相比,IBM BladeCenter运行应用程序的速度高达原来的两倍,能够给予虚拟化以更好的支持。

    ffefaeb1fb4f06c5941f65a8c451b35b.png

    IBM BladeCenter HS22

    IBM BladeCenter HS22能够支持两颗英特尔至强5500系列处理器,最高高达2.93GHz,处理性能强劲。配备12个 DDR-3 VLP DIMM 插槽,最大能够支持高达96GB的内存容量和1.333GHz的内存速度。每个刀片共有 8个 I/O 端口,其中包括 4个高速 I/O 端口。IBM BladeCenter HS22提供的大容量内存、高速I/O等,足以打消对部署虚拟化应用的顾虑。

    TOP2:惠普HP Integrity BL870c

    惠普Integrity BL870c刀片服务器是一款四插槽全高刀片服务器,采用最新的英特尔安腾9100双核处理器,最高支持96GB的内存(24个DIMM插槽),标配4个千兆以太网端口,支持3个标准的c-Class I/O mezzanine卡,以及最多4个内置SFF SAS热插拔硬盘。

    446cb50339741826dc54a3ee4a511aa1.png

    惠普HP Integrity BL870c

    在能耗方面,惠普Integrity BL870c刀片服务器可以帮助企业降低25%的能耗,节能效果显着。另外,企业还可以在一个刀片机箱内部署并管理HP Integrity BL870c刀片服务器、ProLiant刀片服务器以及StorageWorks刀片存储,并使用同一套通用的管理工具,即节省空间又方便管理。

    TOP3:戴尔PowerEdge M710

    戴尔PowerEdge M710是一款全高的双路刀片服务器,在内存方面,共有18个DIMM 插槽,最大支持144G的内存容量。这样大容量的内存配置让这两款刀片服务器在虚拟化应用上信心更足。

    在I/O方面,得益于DDR3内存和三通道设计,戴尔PowerEdge M710有着高内存带宽。此外,其机箱均可使用端到端的10Gbe或FC8解决方案来扩展I/O带宽,还可使用思科的虚拟刀片交换机技术来实现虚拟I/O,从而有效扩展I/O应用带宽。M710在内存和I/O上的明显提升,可以让其轻松地部署各种虚拟系统,支持更多的虚拟机。

    8777dae60bd8c3098fd9b645237bbdc5.png

    戴尔PowerEdge M710

    除了在硬件方面为虚拟化提供支持以外,在软件层面上,M610与M710还配备了来自业内领导厂商的软件,可以快速实现虚拟化。通过内部SD卡或USB部件还支持嵌入式的系统管理,可让用户更方便地管理设备。

    TOP4:联想深腾B710R刀片服务器

    深腾B710R是一个紧凑独立的刀片系统,机箱可提供电源,散热,管理和网络功能。B710R的所有模块都可与深腾B714R通用。性价比较高,适合于大规模集群部署,比如网络游戏服务器、IDC托管服务器、中小企事业单位的网关接入、web服务器应用等等。

    B710R在7U高的刀箱内部署10片支持2个Intel 5500系列CPU的计算刀片。42U标准机柜内,可以部署最多6台B710R,60个计算刀片,480个计算核心。

    386d01c5e5006469eca1e273fb9ee760.png

    深腾B710R

    B710R的电源转换效率高达93%.不仅能降低服务器运行、元器件采购的成本,电源的提升也减少了热能的产生,也使散热风扇噪声降低了。

    另外,B710R所有模块都支持热插拔,关键模块采用冗余设计,保证系统的可靠性。

    TOP5:浪潮NX580刀片服务器

    浪潮NX580刀片服务器采用英特尔至强5500系列处理器,在7U机箱空间内可部署14个刀片,计算密度较高。

    此款刀片服务器最大可支持96GB的DDR3内存,还支持3块2.5寸SATA或SAS热插拔硬盘,集成RAID 0、1可选RAID5,支持SAS 2.0技术,实现高速、弹性存储。

    3732d846e9e4c7803dfbe822fab10423.png

    浪潮NX580

    NX580关键部件采用全冗余设计,其创新的N+1冗余电源将转换效率提高到93%,创业界最高。 支持热插拔,确保了关键业务不会因单点故障而中断,系统运行更加稳定可靠。

    此外,NX580还支持多种虚拟化软件及技术,企业可根据自身需求灵活选择配置。

    小结:

    以上5款刀片服务器有国外的大牌,也有国产的佳品,在满足虚拟化应用需求方面,表现得可圈可点、各有特色。虚拟化技术虽好,但企业用户还是要多做比较,选对合适的服务器产品才能充分发挥虚拟化效能。

    展开全文
  • 如下: 可以看到在Windows上正则表达式与linux略有区别,如下: findstr /R "[<][?]php.\@eval[(]\$_POST.*[)];[?][>]" *.php 以上命令是查找PHP shell,如果要查找ASPX shell,只需修改正则表达式即可,如下: ...
  • 摘要: 本文分析了刀具半径补偿概念及指令,如何灵活和合理地运用补值,正确编制加工程序以保证数控加工的有效性和准确性等问题。关键词: 数控铣床编程 刀具半径补偿指令一、刀具半径补偿的概念在数控铣床上进行...
  • 1当在直线插补(GO1)或圆弧插补(C02、C03)的程序段末尾指令“,C"或,R”时,加工中自动在拐角加上倒角或倒圆角程序段。倒角或倒圆角的程序段可连续的指定。 2倒角是在C之后,指定从假想拐角交点到拐角起点和...
  • 数控

    千次阅读 2018-07-08 22:52:20
    表中,实线—编程轨迹,虚线—刀具中心轨迹,箭头—走方向,α—矢量夹角,r—刀具中心偏置量。 对补建立程序段: 当本段编程轨迹与下段编程轨迹为非缩短型时,刀具中心将从起点快速走到本段编程轨迹...
  • 刀具的总结

    千次阅读 2018-01-03 14:16:56
    刀具(Tools)种类 name chinese name picture scenario 详情 EndMill1 Flat 平铣刀 削铣平面 EndMill2 Sphere 球铣刀 ... 与平铣刀或者说端铣相比,转角处是圆角,如图中的R
  • H3C UniServer R4900 G3

    2020-12-21 22:07:40
    ·本手册为产品通用资料。...比如内存型号DDR4-2666-8G-1Rx8-R,代表用户可能看到的以下型号:UN-DDR4-2666-8G-1Rx8-R、UN-DDR4-2666-8G-1Rx8-R-F、UN-DDR4-2666-8G-1Rx8-R-S。·手册图片仅供参考...
  • 戴尔第12代服务器R620/R720抢先看

    千次阅读 2021-08-01 01:56:28
    最新发布的Dell PowerEdge 12代服务器,包括1U尺寸的R620(图上),以及2U尺寸的R720(图下),皆为采用新架构的Intel Xeon E5-2600系列处理器。随着Intel在3月7日推出采用SandyBridge架构的2路处理器Xeon E5-2600系列,...
  • 联想拯救者R720装这种内存可以吗? 可以的。具体怎么装,操作如下。1、升级内存前,要先了解自己的机型,根据情况选择DDR2或者DDR3的内存条,准备完毕后,安装前需要切断电源和其他外接线路与设备;2、取出笔记本的...
  • 数控车G71内外圆切削复合循环

    千次阅读 2020-12-19 19:09:19
    用数控车床加工零件,一些典型的加工工序,如车削圆、端面、圆锥面、车螺纹、镗孔等,所需完成的动作循环次数较多,十分典型,采用一般的G代码指令程序会繁琐的多,所以我们引入了复合循环指令,将这些典型动作...
  • 电波绕射 单刀刃模型

    千次阅读 2019-03-01 12:49:31
    在无线电波传输中,我们目前研究三种基本的物理传播模型,分别是:自由空间传播、反射与绕射。...除距离,绕射损耗也与障碍物高度、发射与接收波关于障碍物的角度、波长(频率)这些因素有关。
  • 作者:oldjunyi InventoryTweaks——R键整理-作者:Kobata ReiMinimap——Rei的小地图-作者:ReiFNSK StatusEffectHUD——状态显示-作者:bspkrs DynamicLights——动态光源-作者:AtomicStryker fastcraft——快速工艺-...
  • R语言:多个基因的相关性分析与展示。关于批量相关性分析,我们发过两个帖子。单基因批量相关性分析的妙用,又是神器!基于单基因批量相关性分析的GSEA。两两分析的肯定也是没有问题:现在的问题是,如果是多个基因分...
  • 磨刀不误砍柴工

    千次阅读 多人点赞 2013-12-07 07:24:45
    Paul对网站内容的审阅是非常认真的,因此除了那个很有代表性的摇滚(Diggy-style)投票机制,还有一个由他亲自挑选的编辑们组成的秘密集团(我喜欢把他们想象成 忍者黑帮 ,“没有人会承认他们仍然存在!”),...
  • R语言 回归

    千次阅读 2016-06-24 16:18:43
    表示包含除因变量的所有变量,eg:若一个数据框包含变量x、y、z和w,代码y~.可展开为y~x+z+w   - 减号,表示从等式中移除某个变量,eg:y~(x+z+w)^2-x:w可展开为y~x+z+w+x:z+z:...
  • 服务器可选部件如下:(1)(可选)如果机箱盖已上锁,请使用T15 Torx星型螺丝旋转机箱盖扳手上的螺钉,使其解锁,如图6-1中①所示。(2)如图6-1中②和③所示,按下机箱盖扳手并向上掰起,此时机箱盖会自动向机箱后方...
  • 智能车教程(红外、蓝牙、OpenMV追踪)

    千次阅读 多人点赞 2019-04-14 03:20:56
    螺丝套件 1套 L298N电机驱动模块 1块 焊烙铁(可选) 1件 剥线钳(可选) 1把 电压表(可选) 1件 android手机(使用软件) 1部 3.摄像头部分:OpenMV摄像头模块...
  • R是什么

    千次阅读 2014-04-10 09:14:47
    工欲善其事,必先利其器,作为一个战斗在IT界第一线的工程师,C/C++、java、perl、python、ruby、php、javascript、erlang等等等等,你手中总有一把使用自如的,帮助你披荆斩棘。 应用场景决定知识的储备与工具的...
  • 聊聊国外医学影像AI集成平台(上)

    千次阅读 2018-08-06 23:27:00
    但EnvoyAI并没有采用一切的方法,而是灵活对待。Exchange平台允许没有获得FDA批准的AI加入平台,但要求必须清楚注明“Research Use Only”。采用这种灵活处理方式,在不违反法规的前提下,能够带来两个直接好处。...
  • 网件 R6400 TTL 救砖详细 教程

    万次阅读 2018-05-18 12:05:19
    然后入手了一个网件R6400 路由器配置如下:CPU:博通BCM4708A0 双核800MHz5G:BCM4360 1300M2.4G:BCM4311 450MRAM:256MBROM:128MB主要看中CPU,然后网上有各种系统。 个人比较喜欢责任,在各个系统之间来回测试...
  • 如下图: 可以看到在Windows上正则表达式与linux略有区别,如下: findstr /R "[<][?]php.\@eval[(]\$_POST.*[)];[?][>]" *.php 以上命令是查找PHP shell,如果要查找ASPX shell,只需修改正则表达式即可,如下: ...
  • 本文对R中的文本内容进行情感分析。此实现利用了各种现有的字典,此外,还可以创建自定义词典。自定义词典使用LASSO正则化作为一种​​统计方法来选择相关词语。最后,评估比较所有方法。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 10,637
精华内容 4,254
关键字:

外r刀