SPSS26统计分析笔记——3 假设检验

1 假设检验原理

        假设检验的基本原理源于“小概率事件”原理,是一种基于概率性质的反证法。其核心思想是小概率事件在一次试验中几乎不会发生。检验的过程首先假设原假设 H 0 {H_0} H0成立,然后通过统计方法分析样本数据。如果样本数据引发了“小概率事件”,则拒绝 H 0 {H_0} H0;否则,接受 H 0 {H_0} H0
        在假设检验中,小概率事件并不是绝对矛盾,而是根据实践中的普遍经验,即小概率事件几乎不会发生。但具体多小的概率才算“小概率事件”则视问题而定。通常,将概率记为 α ( 0 < α < 1 ) \alpha \left( {0 < \alpha < 1} \right) α(0<α<1),即显著性水平。显著性水平的选择通常为0.1、0.05或0.01,当事件发生的概率低于这些阈值时,即被视为“小概率事件”,进而拒绝原假设 H 0 {H_0} H0

2 单样本T检验

        在SPSS中,虽然菜单中使用大写T表示T检验,但其结果报告中采用小写t。除了单样本T检验外,常见的还有独立样本t检验和配对样本t检验。单样本T检验用于研究样本均值与总体均值之间的差异,其目的是推断样本的总体均值是否与某一特定值存在显著差异,简而言之,即判断某个样本是否属于某一特定总体。之所以称为“单样本T检验”,是因为该方法仅涉及一个样本的数据,并基于t分布进行假设检验。
        单样本T检验的备择假设包括显著不等于 ( H 1 : μ 1 ≠ μ 0 ) ({H_1}:{\mu _1} \ne {\mu _0}) (H1:μ1=μ0)、显著小于 ( H 1 : μ 1 < μ 0 ) ({H_1}:{\mu _1} < {\mu _0}) (H1:μ1<μ0)和显著大于 ( H 1 : μ 1 > μ 0 ) ({H_1}:{\mu _1} > {\mu _0}) (H1:μ1>μ0),其中 μ 1 {\mu _1} μ1代表样本对应的总体均值, μ 0 {\mu _0} μ0为已知总体均值。SPSS默认进行双侧检验,即检验 H 0 : μ 1 = μ 0 {H_0}:{\mu _1} = {\mu _0} H0:μ1=μ0。对于单侧检验(显著大于或显著小于),需要通过双侧检验结果结合实际情况进行人为判断。
        单样本T检验的使用需要满足下列几个条件:
        ①数据来源于单个样本;
        ②样本应来自于近似正态分布的总体;
        ③ 数据为连续型变量。
        单样本T检验的步骤:
        步骤1:建立原假设 H 0 {H_0} H0
        原假设可分为三种:
        ①显著不等于 ( H 1 : μ 1 ≠ μ 0 ) ({H_1}:{\mu _1} \ne {\mu _0}) (H1:μ1=μ0)
        ②显著小于 ( H 1 : μ 1 < μ 0 ) ({H_1}:{\mu _1} < {\mu _0}) (H1:μ1<μ0)
        ③显著大于 ( H 1 : μ 1 > μ 0 ) ({H_1}:{\mu _1} > {\mu _0}) (H1:μ1>μ0)
        步骤2:确定检验统计量
        当总体分布为正态分布时,即 N ( μ , σ 2 ) N(\mu ,{\sigma ^2}) N(μ,σ2),样本均值的分布仍可视为正态分布,此时其正态分布的均值为 μ {\mu } μ,方差为 σ 2 n \frac{{{\sigma ^2}}}{n} nσ2,即:
X ˉ ∼ N ( μ , σ 2 n ) \bar X \sim N{\text{(}}\mu ,\frac{{{\sigma ^2}}}{n}{\text{)}} XˉN(μ,nσ2)
         x ˉ \bar x xˉ为样本均值;
         μ {\mu } μ为总体均值;
         σ 2 {\sigma ^2} σ2为总体方差;
        n为样本量。
        根据中心极限定理,若总体分布近似服从正态分布,当样本量n较大时,样本均值也近似服从正态分布。
        (1)当总体方差 σ 2 {\sigma ^2} σ2已知时,可用Z检验证明样本均值与总体均值是否有显著差异,其统计量为:
Z = x ˉ − μ 0 σ 2 n Z = \frac{{\bar x - {\mu _0}}}{{\sqrt {\frac{{{\sigma ^2}}}{n}} }} Z=nσ2 xˉμ0
        (2)如果总体方差 σ 2 {\sigma ^2} σ2是未知的,可以用样本方差 S 2 {S^2} S2来代替总体方差 σ 2 {\sigma ^2} σ2,利用t检验证明样本均值与总体均值是否有显著差异,其统计量为:
t = x ˉ − μ 0 S 2 n t = \frac{{\bar x - {\mu _0}}}{{\sqrt {\frac{{{S^2}}}{n}} }} t=nS2 xˉμ0
        (3)如果总体分布非正态,只要样本量 n ⩾ 30 n \geqslant 30 n30,不管总体的方差已知或是未知,都可以用近似正态分布Z’检验证明样本均值与总体均值是否有显著差异,即:
Z ′ = X ˉ − μ 0 S 2 n Z ′ = X ˉ − μ 0 S 2 n Z' = \frac{{\bar X - {\mu _0}}}{{\sqrt {\frac{{{S^2}}}{n}} }}Z' = \frac{{\bar X - {\mu _0}}}{{\sqrt {\frac{{{S^2}}}{n}} }} Z=nS2 Xˉμ0Z=nS2 Xˉμ0
        步骤3:计算检验统计量及发生的概率p值。
         SPSS软件会自动计算t检验统计量,并基于该统计量的分布计算p值。我们只需进行识别和判断。
        步骤4:设定显著性水平α并与概率值p进行比较,做出统计决策。
        如果p值大于显著性水平,则接受原假设,结论为“当p > α时,接受原假设 H 0 {H_0} H0,拒绝备择假设 H 1 {H_1} H1”。
        如果p值小于显著性水平,则拒绝原假设,结论为“当p < α时,拒绝原假设 H 0 {H_0} H0,接受备择假设 H 1 {H_1} H1
在这里插入图片描述

3 独立样本T检验

        独立样本T检验的主要目的是比较两个总体均值的差异。与单样本T检验不同,独立样本T检验利用来自两个独立总体的样本数据,以推断这两个总体均值之间是否存在显著差异。这两个样本是相互独立的,分别来自不同的总体,其样本数量可以相同或不同。与单样本T检验相似,备择假设的形式可以为显著不等于 ( H 1 : μ 1 ≠ μ 2 ) ({H_1}:{\mu _1} \ne {\mu _2}) (H1:μ1=μ2)、显著小于 ( H 1 : μ 1 < μ 2 ) ({H_1}:{\mu _1} < {\mu _2}) (H1:μ1<μ2)和显著大于 ( H 1 : μ 1 > μ 2 ) ({H_1}:{\mu _1} > {\mu _2}) (H1:μ1>μ2),SPSS软件仅进行双侧检验。如果需要进行单侧检验,则需要基于双侧检验的结果进行人为判断。
        两独立样本T检验的适用条件有下面几个:
        ①样本来自的总体应服从或近似服从正态分布;
        ②两样本应为相互独立的样本;
        ③样本数据为连续性变量。
        操作:分析>比较平均值>独立样本T检验
        独立样本T检验的步骤:
        步骤1:建立原假设
        原假设 H 0 {H_0} H0可分为三种:
        ①显著不等于 ( H 1 : μ 1 ≠ μ 0 ) ({H_1}:{\mu _1} \ne {\mu _0}) (H1:μ1=μ0)
        ②显著小于 ( H 1 : μ 1 < μ 0 ) ({H_1}:{\mu _1} < {\mu _0}) (H1:μ1<μ0)
        ③显著大于 ( H 1 : μ 1 > μ 0 ) ({H_1}:{\mu _1} > {\mu _0}) (H1:μ1>μ0)
         μ 1 {\mu _1} μ1 μ 2 {\mu _2} μ2分别是第一个和第二个总体的均值;
        步骤2:确定检验统计量
        (1)两个总体都是正态分布、两个总体方差 σ 1 2 {\sigma _1}^2 σ12 σ 2 2 {\sigma _2}^2 σ22都已知的时候,两独立样本均值差的抽样分布的方差估计为 σ 12 2 {\sigma _{12}}^2 σ122,可以表示为:
σ 12 2 = σ 1 2 n 1 + σ 2 2 n 2 \sigma _{12}^2 = \frac{{{\sigma _1}^2}}{{{n_1}}} + \frac{{{\sigma _2}^2}}{{{n_2}}} σ122=n1σ12+n2σ22
         σ 1 2 {\sigma _1}^2 σ12 σ 2 2 {\sigma _2}^2 σ22分别为第一个和第二个总体的方差;
         n 1 {n_1} n1 n 2 {n_2} n2分别为第一个和第二个样本的样本量;
        因为此时两样本均值差的抽样分布为正态分布,可以利用Z检验证明两总体的均值是否有显著性差异,其统计量为: Z = ( X 1 ‾ − X 2 ‾ ) − ( μ 1 − μ 2 ) σ 1 2 n 1 + σ 2 2 n 2 Z = \frac{{(\overline {{X_1}} - \overline {{X_2}} ) - ({\mu _1} - {\mu _2})}}{{\sqrt {\frac{{{\sigma _1}^2}}{{{n_1}}} + \frac{{{\sigma _2}^2}}{{{n_2}}}} }} Z=n1σ12+n2σ22 (X1X2)(μ1μ2)
        (2)如果两个总体方差未知但相等,即 σ 1 2 {\sigma _1}^2 σ12= σ 2 2 {\sigma _2}^2 σ22,可以用联合方差 S p 2 {S_p}^2 Sp2代替两个总体的方差,其公式为:
S p 2 = ( n 1 − 1 ) S 1 2 − ( n 2 − 1 ) S 2 2 n 1 − n 2 − 1 {S_p}^2 = \frac{{({n_1} - 1){S_1}^2 - ({n_2} - 1){S_2}^2}}{{{n_1} - {n_2} - 1}} Sp2=n1n21(n11)S12(n21)S22
         S 1 2 {S_1}^2 S12 S 2 2 {S_2}^2 S22分别为第一个和第二个样本的方差;
         n 2 {n_2} n2分别为第一个和第二个样本的样本量;
        此时两样本均值差的抽样分布的方差估计为 σ 12 2 {\sigma _{12}}^2 σ122,可以表示为: σ 12 2 = S p 2 n 1 + S p 2 n 2 {\sigma _{12}}^2 = \frac{{{S_p}^2}}{{{n_1}}} + \frac{{{S_p}^2}}{{{n_2}}} σ122=n1Sp2+n2Sp2
        因为此时两样本均值差的抽样分布为 t t t分布,那么此时两独立样本T检验构建的统计量可以写成: t = ( X 1 ‾ − X 2 ‾ ) − ( μ 1 − μ 2 ) S p 2 n 1 + S p 2 n 2 t = \frac{{(\overline {{X_1}} - \overline {{X_2}} ) - ({\mu _1} - {\mu _2})}}{{\sqrt {\frac{{{S_p}^2}}{{{n_1}}} + \frac{{{S_p}^2}}{{{n_2}}}} }} t=n1Sp2+n2Sp2 (X1X2)(μ1μ2)
        (3)如果两个总体方差未知且不相等,即 σ 1 2 ≠ σ 2 2 {\sigma _1}^2 \ne {\sigma _2}^2 σ12=σ22,分别用样本方差代替各自的总体方差,那两样本均值差的抽样分布的方差估计为: σ 12 2 {\sigma _{12}}^2 σ122,可以表示为:
σ 12 2 = S 1 2 n 1 + S 2 2 n 2 {\sigma _{12}}^2 = \frac{{{S_1}^2}}{{{n_1}}} + \frac{{{S_2}^2}}{{{n_2}}} σ122=n1S12+n2S22
        但是这时两样本均值差的抽样分布已经不是正态分布,也不是 t t t分布,只是一个近似 t t t分布,此时用 t ′ t' t检验证明两总体均值是否存在显著性差异,其统计量为:
t ′ = ( X 1 ‾ − X 2 ‾ ) − ( μ 1 − μ 2 ) S 1 2 n 1 + S 2 2 n 2 t' = \frac{{(\overline {{X_1}} - \overline {{X_2}} ) - ({\mu _1} - {\mu _2})}}{{\sqrt {\frac{{{S_1}^2}}{{{n_1}}} + \frac{{{S_2}^2}}{{{n_2}}}} }} t=n1S12+n2S22 (X1X2)(μ1μ2)
        这个 t ′ t' t分布的自由度与 t t t分布不同,要经过修正,修正后的自由度为: f = ( S 1 2 n 1 + S 2 2 n 2 ) 2 ( S 1 2 n 1 ) 2 / n 1 + ( S 2 2 n 2 ) / n 2 f = \frac{{{{(\frac{{{S_1}^2}}{{{n_1}}} + \frac{{{S_2}^2}}{{{n_2}}})}^2}}}{{{{(\frac{{{S_1}^2}}{{{n_1}}})}^2}/{n_1} + (\frac{{{S_2}^2}}{{{n_2}}})/{n_2}}} f=(n1S12)2/n1+(n2S22)/n2(n1S12+n2S22)2
        综上所述,由于不同方差的情况需要选择不同的T检验方式,因此在进行独立样本T检验前,首先需要确认两个样本的方差是否相等。这可以通过SPSS中的F检验来判断两总体方差是否存在显著差异,软件会提供相应的T检验结果,涵盖方差相等和不相等的情况。
        步骤3:计算检验统计量观测值及发生的概率 p p p
         SPSS会自动计算T检验的统计量,并根据 t t t统计量的分布计算相应的 p p p值。与单样本T检验不同,独立样本T检验将提供两个不同的 t t t统计量供选择,我们需根据前一步的结果选择适合的统计量。
        步骤4:设定显著性水平 α \alpha α与概率值 p p p进行比较,做出统计决策
        两独立样本T检验的决策比单样本T检验多一个步骤,分两步进行:
        (1)判断两独立样本的方差是否相等。通过F检验检验方差的原假设为 H 0 : σ 1 2 = σ 2 2 {H_0}:{\sigma _1}^2 = {\sigma _2}^2 H0:σ12=σ22。若F检验的 p p p值大于 α \alpha α,则接受原假设,认为两总体方差相等;若 p p p值小于 α \alpha α,则拒绝原假设,认为方差不相等。
        (2)判断两个独立样本总体均值的差异。第一步确认的方差情况为选择合适的T检验提供了依据。第二步通过T检验判断两总体均值是否存在显著差异,原假设为 H 0 : μ 1 = μ 2 {H_0}:{\mu _1} = {\mu _2} H0:μ1=μ2。当 p p p值大于 α \alpha α时,接受原假设,表明两总体均值无显著差异;当 p p p值小于 α \alpha α时,拒绝原假设,表明两总体均值存在显著差异。
在这里插入图片描述

4 成对样本T检验

        成对样本T检验,又称为配对样本T检验,通常适用于同一群体在不同时间点(例如前测和后测)进行两次测量。其主要目的是检验两个相关样本的均值是否存在显著差异。这一检验不同于单样本T检验和独立样本T检验,后者分别关注单个样本与总体均值的差异以及两个独立样本的均值差异。
        在成对样本T检验中,备择假设的表述方式包括显著不等于 ( H 1 : μ 1 ≠ μ 2 ) ({H_1}:{\mu _1} \ne {\mu _2}) (H1:μ1=μ2)、显著小于 ( H 1 : μ 1 < μ 2 ) ({H_1}:{\mu _1} < {\mu _2}) (H1:μ1<μ2)和显著大于 ( H 1 : μ 1 > μ 2 ) ({H_1}:{\mu _1} > {\mu _2}) (H1:μ1>μ2)。在SPSS中,通常只进行显著不等于的双侧检验;如需单侧检验,则需基于双侧检验结果进行判断。
        成对样本T检验的适用条件有下面几个:
        ①两组样本应有一定的关联,且样本容量应相等,观察值需一一对应,顺序不可随意改变;
        ②样本所属的总体服从或近似服从正态分布;
        ③样本数据属于连续性数据。
        操作:分析>比较平均值>成对样本T检验
        步骤1:建立原假设
        原假设 H 0 {H_0} H0可分为三种:
        ① H 0 : μ d = 0 {H_0}:{\mu _d} = 0 H0:μd=0(均值差异为零)
        ② H 0 : μ d < 0 {H_0}:{\mu _d} < 0 H0:μd<0(均值差异小于零)
        ③ H 0 : μ d > 0 {H_0}:{\mu _d} > 0 H0:μd>0(均值差异大于零)
        步骤2:确定检验统计量
        两样本为相关样本时,其样本均值差的方差可以表示为:
σ 12 2 = σ 1 2 n 1 + σ 2 2 n 2 − 2 r σ 1 n σ 2 n {\sigma _{12}}^2 = \frac{{{\sigma _1}^2}}{{{n_1}}} + \frac{{{\sigma _2}^2}}{{{n_2}}} - 2r\frac{{{\sigma _1}}}{n}\frac{{{\sigma _2}}}{n} σ122=n1σ12+n2σ222rnσ1nσ2
         σ 1 2 {\sigma _1}^2 σ12 σ 2 2 {\sigma _2}^2 σ22分别为第一个和第二个总体的方差;
         n 1 {n_1} n1 n 2 {n_2} n2分别为第一个和第二个样本的样本量;
         r r r为两样本的相关系数。
        (1)当总体方差已知时,两相关样本均值差的分布为正态分布,检验两样本总体均值差异与否的检验统计量可以表示为: Z = ( X 1 ‾ − X 2 ‾ ) − ( μ 1 − μ 2 ) σ 1 2 n 1 + σ 2 2 n 2 − 2 r σ 1 n σ 2 n Z = \frac{{(\overline {{X_1}} - \overline {{X_2}} ) - ({\mu _1} - {\mu _2})}}{{\sqrt {\frac{{{\sigma _1}^2}}{{{n_1}}} + \frac{{{\sigma _2}^2}}{{{n_2}}} - 2r\frac{{{\sigma _1}}}{n}\frac{{{\sigma _2}}}{n}} }} Z=n1σ12+n2σ222rnσ1nσ2 (X1X2)(μ1μ2)
        (2)当总体方差未知时,可以用样本的方差代替总体方差,这时检验两样本总体均值差异与否的检验统计量可以表示为: t = ( X 1 ‾ − X 2 ‾ ) − ( μ 1 − μ 2 ) S 1 2 n 1 + S 2 2 n 2 − 2 r S 1 n S 2 n t = \frac{{(\overline {{X_1}} - \overline {{X_2}} ) - ({\mu _1} - {\mu _2})}}{{\sqrt {\frac{{{S_1}^2}}{{{n_1}}} + \frac{{{S_2}^2}}{{{n_2}}} - 2r\frac{{{S_1}}}{n}\frac{{{S_2}}}{n}} }} t=n1S12+n2S222rnS1nS2 (X1X2)(μ1μ2)
         S 1 2 {S_1}^2 S12 S 2 2 {S_2}^2 S22分别为第一个和第二个总体的方差;
         n 1 {n_1} n1 n 2 {n_2} n2分别为第一个和第二个样本的样本量;
         r r r为两样本的相关系数。
        (3)只要样本足够大,都可以用近似正态 Z ′ Z' Z检验,即:
Z ′ = ( X 1 ‾ − X 2 ‾ ) − ( μ 1 − μ 2 ) σ 1 2 n 1 + σ 2 2 n 2 − 2 r σ 1 n σ 2 n Z' = \frac{{(\overline {{X_1}} - \overline {{X_2}} ) - ({\mu _1} - {\mu _2})}}{{\sqrt {\frac{{{\sigma _1}^2}}{{{n_1}}} + \frac{{{\sigma _2}^2}}{{{n_2}}} - 2r\frac{{{\sigma _1}}}{n}\frac{{{\sigma _2}}}{n}} }} Z=n1σ12+n2σ222rnσ1nσ2 (X1X2)(μ1μ2)
Z ′ = ( X 1 ‾ − X 2 ‾ ) − ( μ 1 − μ 2 ) S 1 2 n 1 + S 2 2 n 2 − 2 r S 1 n S 2 n Z' = \frac{{(\overline {{X_1}} - \overline {{X_2}} ) - ({\mu _1} - {\mu _2})}}{{\sqrt {\frac{{{S_1}^2}}{{{n_1}}} + \frac{{{S_2}^2}}{{{n_2}}} - 2r\frac{{{S_1}}}{n}\frac{{{S_2}}}{n}} }} Z=n1S12+n2S222rnS1nS2 (X1X2)(μ1μ2)
        步骤3:计算检验统计量观测值及发生的概率 p p p
        与单样本T检验和独立样本T检验相似,SPSS会自动计算成对样本T检验的 t t t检验统计量,并根据其分布计算相应的概率 p p p值。用户需要根据输出结果进行识别和判断。
        步骤4:设定显著性 α \alpha α水平与概率 p p p值进行比较,做出统计决策
         当 p p p值大于显著性水平时,应接受原假设,结论为“当 p > α p > \alpha p>α时,接受原假设 H 0 {H_0} H0,拒绝备择假设 H 1 {H_1} H1”;当 p p p值小于显著性水平时,则应拒绝原假设,结论为“当 p < α p < \alpha p<α时,拒绝原假设 H 0 {H_0} H0,接受备择假设 H 1 {H_1} H1”。
在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/431374.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Krita连接comfyui报错缺少节点如何解决

介绍一下我用的版本&#xff1a; krita5.2.3 ComfyUI-aki-v1.3 首先&#xff1a;文件夹必须严格按照ComfyUI进行命名&#xff0c;我不知道这个是不是必须得&#xff0c;但是看官方的文档以及我解决这个问题的过程时&#xff0c;是这样的。 报错信息如下图(这个报错图…

航拍工程车辆识别检测数据集 yolo数据集 共650张

航拍工程车识别检测数据集 yolo数据集 共650张 2 工程车辆识别数据集&#xff08;Engineering Vehicle Recognition Dataset, EVRD&#xff09; 摘要 EVRD 是一个专门针对航拍视角下的工程车辆识别而设计的数据集&#xff0c;旨在提供一种标准的训练和评估平台&#xff0c;用…

玩手机数据集 8201张玩手机的照片,有对应的xml和txt文件,可以用于yolo训练

玩手机数据集 8201张玩手机的照片&#xff0c;有对应的xml和txt文件&#xff0c;可以用于yolo训练 玩手机数据集&#xff08;Phone Usage Detection Dataset&#xff09; 数据集概述 该数据集专为检测人们使用手机的行为设计&#xff0c;旨在帮助研究人员和工程师开发高效的…

Uniapp时间戳转时间显示/时间格式

使用uview2 time 时间格式 | uView 2.0 - 全面兼容 nvue 的 uni-app 生态框架 - uni-app UI 框架 <text class"cell-tit clamp1">{{item.create_time}} --- {{ $u.timeFormat(item.create_time, yyyy-mm-dd hh:MM:ss)}} </text>

从零开始的软件开发详解:数字药店系统源码与医保购药APP

很多小伙伴们疑问&#xff0c;医保购药APP是如何开发的&#xff0c;今天我将从零数字药店系统源码开始为大家提供一条清晰的实现方案。 一、技术架构设计 在开发医保购药APP之前&#xff0c;首先需要明确技术架构。一般来说&#xff0c;APP的技术架构可以分为前端和后端。 1…

手写SpringMVC(简易版)

在上一篇博客中说到这里我们要进行手写SpringMVC&#xff0c;因此最好是将上一篇博客中的SpringMVC源码分析那一块部分搞懂&#xff0c;或者观看动力节点老杜的SpringMVC源码分析再来看这里的书写框架。 首先我们要知道对于一个完整系统的参与者&#xff08;即一个完整的web项…

目标检测系列(三)yolov2的全面讲解

YOLOv2&#xff08;论文原名《YOLO9000: Better, Faster, Stronger》&#xff09;作为该系列的第二个版本&#xff0c;对原始YOLO进行了显著的改进&#xff0c;进一步提高了检测速度和准确度。在精度上利用一些列训练技巧&#xff0c;在速度上应用了新的网络模型DarkNet19&…

Vue3:自定义customRef

目录 一.性质 1.自定义性 2.工厂函数参数 3.track 和 trigger 函数 二.作用 1.防抖/节流 2.异步更新 3.条件性更新 4.精细控制依赖追踪 5.优化性能 三.使用 1.ts组件 2.vue.组件 四.代码 1.ts代码 2.vue代码 五.效果 在 Vue 3 中&#xff0c;customRef 是一个…

一、机器学习算法与实践_04信息论与决策树算法笔记

1 信息论基础知识介绍 信息论是运用概率论与数理统计的方法&#xff0c;去研究信息、信息熵、通信系统、数据传输、密码学、数据压缩等问题的应用数学学科&#xff0c;熵&#xff08;Entropy&#xff09;是信息论中的一个重要概念&#xff0c;由克劳德香农&#xff08;Claude …

深入理解端口、端口号及FTP的基本工作原理

FTP是TCP/IP的一种具体应用&#xff0c;FTP工作在OSI模型的第七层&#xff0c;TCP模型的第四层上&#xff0c;即应用层&#xff0c;FTP使用的是传输层的TCP传输而不是UDP&#xff0c;这样FTP客户在和服务器建立连接前就要经过一个被广为熟知的“三次握手”的过程&#xff0c;其…

制作炫酷个人网页:用 HTML 和 CSS3 展现你的风格

你是否觉得自己的网站应该看起来更炫酷&#xff1f;今天我将教你如何使用 HTML 和 CSS3 制作一个拥有炫酷动画和现代设计风格的个人网页&#xff0c;让它在任何设备上看起来都无敌酷炫&#xff01; 哈哈哈哈哈哈哈哈,我感觉自己有点中二哈哈哈哈~ 目录 炫酷设计理念构建 HTML …

Unity 热更新(HybridCLR+Addressable)-设置打包路径和加载路径、打开Hosting服务、打包

四、设置打包和加载路径 五、打开Hosting服务 六、打包 打包完成后路径在Assets同级目录下的ServerData 但是目前没有资源文件对比 修改上面设置后再次打包 里面多了哈希和JSON文件&#xff0c;这俩个就是用于资源对比

若依生成主子表

一、准备工作 确保你已经部署了若依框架&#xff0c;并且熟悉基本的开发环境配置。同时&#xff0c;理解数据库表结构对于生成代码至关重要。 主子表代码结构如下&#xff08;字表中要有一个对应主表ID的字段作为外键&#xff0c;如下图的customer_id&#xff09; -- ------…

无线感知会议系列【4】【基于WiFi和4G/5G的非接触无线感知:挑战、理论和应用-2】

前言&#xff1a; 本篇重点分享一下该论文 《Human Respiration Detection with Commodity Wifi Devices: Do User Location and Body Orientation Matter》 接 2020年北京智源大会 张大庆老师的一个报告 参考&#xff1a; https://blog.csdn.net/chengxf2/article/detai…

2024 Redis 全部

1. 单机部署 1.1 检查环境&#xff0c;创建目录。 # 本地运行&#xff0c;不需要考虑安装的原因&#xff0c;可以卸载防火墙 # 关闭防火墙 systemctl stop firewalld.service# 查看防火强状态 firewall-cmd --state# redis 是基于gcc 环境的&#xff0c;查看是否有 gcc 环境 …

Bug:ThreadPoolTaskScheduler搭配CronTask完成定时任务,关闭scheduler后CronTask任务仍然执行?

【问题】执行下面代码后&#xff0c;关闭ThreadPoolTaskScheduler&#xff0c;CronTask仍然继续执行。 Configuration public class config {Beanpublic String getString() throws InterruptedException {Runnable runnable () -> {try {System.out.println("hello r…

科研绘图系列:R语言分组堆积图(stacked barplot)

文章目录 介绍加载R包导入数据数据预处理画图导出数据系统信息介绍 堆积图是一种数据可视化图表,它通过将不同类别的数据以堆叠的形式展现在同一个图表中,来展示各个类别之间的相对大小和它们之间的总和。堆积图可以是柱状图、条形图或面积图的形式,其中每个堆叠的块或区域…

Servlet入门:服务端小程序的初试(自己学习整理的资料)

目录 一.前言 二.建立基础结构​编辑 三.具体步骤 找到Tomcat文件并打开Tomcat。 在webapps中创建一个自己的文件夹。 在classes中新建一个Java文件。 在lib中导入需要的jar文件包。 配置环境变量 在Java文件的目录下打开cmd并输入 javac -d . HelloServlet.java进行…

【UE5】将2D切片图渲染为体积纹理,最终实现使用RT实时绘制体积纹理【第三篇-着色器光照】

在前两篇文章中&#xff0c;我们分别拆解描述了实现原理&#xff0c;并进行了基础的着色器制作。在这一篇文章中&#xff0c;我们将为它实现光照效果 简单的概述 当光线射入体积时&#xff0c;随着光线射入距离的增加&#xff0c;体积中的介质会对光线产生反射和吸收作用&…

【C++前缀和 状态压缩】1177. 构建回文串检测|1848

本文涉及的基础知识点 C算法&#xff1a;前缀和、前缀乘积、前缀异或的原理、源码及测试用例 包括课程视频 位运算、状态压缩、枚举子集汇总 LeetCode 1177. 构建回文串检测 难度分&#xff1a;1848 给你一个字符串 s&#xff0c;请你对 s 的子串进行检测。 每次检测&#x…