【概率论与数理统计(研究生课程)】知识点总结9(回归分析)
原文地址:【概率论与数理统计(研究生课程)】知识点总结9(回归分析)
一元线性回归模型
y = β 0 + β 1 x + ϵ , ϵ ∼ N ( μ , σ 2 ) E ( ϵ ) = 0 , D ( ϵ ) = σ 2 > 0 ⟹ E ( y ) = β 0 + β 1 x \begin{aligned} &y=\beta_0+\beta_1x+\epsilon,\quad \epsilon \sim N(\mu, \sigma^2) \\ &E(\epsilon)=0,D(\epsilon)=\sigma^2>0 \Longrightarrow E(y)=\beta_0+\beta_1x \end{aligned} y=β0+β1x+ϵ,ϵ∼N(μ,σ2)E(ϵ)=0,D(ϵ)=σ2>0⟹E(y)=β0+β1x
回归方程: y ^ = β 0 ^ + β 1 ^ x \hat{y}=\hat{\beta_0}+\hat{\beta_1}x y^=β0^+β1^x
推导过程:
y i − E ( y i ) = y i − ( β 0 + β 1 x i ) Q ( β 1 , β 2 ) = ∑ i = 1 n ( y i − E ( y i ) ) 2 = ∑ i = 1 n ( y i − β 0 − β 1 x i ) 2 make ∂ Q ( β 0 , β 1 ) ∂ β 0 = − 2 ∑ i = 1 n ( y i − β 0 − β 1 x i ) = 0 make ∂ Q ( β 0 , β 1 ) ∂ β 1 = − 2 ∑ i = 1 n x i ( y i − β 0 − β 1 x i ) = 0 \begin{aligned} y_i-E(y_i)&=y_i-(\beta_0+\beta_1x_i) \\ Q(\beta_1, \beta_2)&=\sum\limits_{i=1}^{n}(y_i-E(y_i))^2 \\ &=\sum\limits_{i=1}^{n}(y_i-\beta_0-\beta_1x_i)^2 \\ \text{make }\quad\frac{\partial{Q(\beta_0,\beta_1)}}{\partial{\beta_0}}&=-2\sum\limits_{i=1}^{n}(y_i-\beta_0-\beta_1x_i)=0 \\ \text{make }\quad\frac{\partial{Q(\beta_0,\beta_1)}}{\partial{\beta_1}}&=-2\sum\limits_{i=1}^{n}x_i(y_i-\beta_0-\beta_1x_i)=0 \\ \end{aligned} yi−E(yi)Q(β1,β2)make ∂β0∂Q(β0,β1)make ∂β1∂Q(β0,β1)=yi−(β0+β1xi)=i=1∑n(yi−E(yi))2=i=1∑n(yi−β0−β1xi)2=−2i=1∑n(yi−β0−β1xi)=0=−2i=1∑nxi(yi−β0−β1xi)=0
整理得到正规方程组:
n β 0 ^ + n x ˉ β 1 ^ = n y ˉ ( 1 ) n x ˉ β 0 ^ + ( ∑ i = 1 n x i 2 ) β 1 ^ = ∑ i = 1 n x i y i ( 2 ) \begin{aligned} &n\hat{\beta_0}+n\bar{x}\hat{\beta_1}=n\bar{y}\quad (1)\\ &n\bar{x}\hat{\beta_0}+(\sum\limits^{n}_{i=1}{x_i^2}) \hat{\beta_1} =\sum\limits_{i=1}^{n}x_iy_i \quad (2) \end{aligned} nβ0^+nxˉβ1^=nyˉ(1)nxˉβ0^+(i=1∑nxi2)β1^=i=1∑nxiyi(2)
解上述方程组得到:
β 1 ^ = L x y L x x β 0 ^ = y ˉ − β 1 ^ x ˉ L x x = ∑ i = 1 n ( x i − x ˉ ) 2 = ∑ i = 1 n x i 2 − n x ˉ 2 = ∑ i = 1 n x i 2 − 1 n ( ∑ i = 1 n x i ) 2 L y y = ∑ i = 1 n ( y i − y ˉ ) 2 = ∑ i = 1 n y i 2 − n y ˉ 2 = ∑ i = 1 n y i 2 − 1 n ( ∑ i = 1 n y i ) 2 L x y = ∑ i = 1 n ( x i − x ˉ ) ( y i − y ˉ ) = ∑ i = 1 n x i y i − n x ˉ y ˉ = ∑ i = 1 n x i y i − 1 n ∑ i = 1 n x i ∑ i = 1 n y i \begin{aligned} &\hat{\beta_1}=\frac{L_{xy}}{L_{xx}} \\ &\hat{\beta_0}=\bar{y}-\hat{\beta_1}\bar{x} \\ &L_{xx}=\sum\limits_{i=1}^{n}(x_i-\bar{x})^2=\sum\limits_{i=1}^{n}x_i^2-n\bar{x}^2=\sum\limits_{i=1}^{n}x_i^2-\frac{1}{n}(\sum\limits_{i=1}^{n}x_i)^2 \\ &L_{yy}=\sum\limits_{i=1}^{n}(y_i-\bar{y})^2=\sum\limits_{i=1}^{n}y_i^2-n\bar{y}^2=\sum\limits_{i=1}^{n}y_i^2-\frac{1}{n}(\sum\limits_{i=1}^{n}y_i)^2 \\ &L_{xy}=\sum\limits_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})=\sum\limits_{i=1}^{n}x_iy_i-n\bar{x}\bar{y}=\sum\limits_{i=1}^{n}x_iy_i-\frac{1}{n}\sum\limits_{i=1}^{n}x_i \sum\limits_{i=1}^{n}y_i \end{aligned} β1^=LxxLxyβ0^=yˉ−β1^xˉLxx=i=1∑n(xi−xˉ)2=i=1∑nxi2−nxˉ2=i=1∑nxi2−n1(i=1∑nxi)2Lyy=i=1∑n(yi−yˉ)2=i=1∑nyi2−nyˉ2=i=1∑nyi2−n1(i=1∑nyi)2Lxy=i=1∑n(xi−xˉ)(yi−yˉ)=i=1∑nxiyi−nxˉyˉ=i=1∑nxiyi−n1i=1∑nxii=1∑nyi
如果题目中给了 ∑ \sum ∑形式的数据, L x x , L y y , L x y L_{xx},L_{yy},L_{xy} Lxx,Lyy,Lxy一般用上述公式最右边的方式来求。
残差/剩余平方和
Q e = ∑ i = 1 n e i 2 = ∑ i = 1 n ( y i − y i ^ ) 2 = ∑ i = 1 n ( y i − β 0 ^ − β 1 ^ x i ) 2 = L y y − β 1 ^ L x y = L y y − L x y 2 L x x Q_e=\sum\limits_{i=1}^{n}e_i^2=\sum\limits_{i=1}^{n}(y_i-\hat{y_i})^2=\sum\limits_{i=1}^{n}(y_i-\hat{\beta_0}-\hat{\beta_1}x_i)^2=L_{yy}-\hat{\beta_1}L_{xy}=L_{yy}-\frac{L_{xy}^2}{L_{xx}} Qe=i=1∑nei2=i=1∑n(yi−yi^)2=i=1∑n(yi−β0^−β1^xi)2=Lyy−β1^Lxy=Lyy−LxxLxy2
定理: Q e σ 2 ∼ χ 2 ( n − 2 ) \frac{Q_e}{\sigma^2}\sim\chi^2(n-2) σ2Qe∼χ2(n−2)
E ( Q e σ 2 ) = n − 2 ⟹ E ( Q e n − 2 ) = σ 2 ⟹ σ 2 ^ = Q e n − 2 \begin{aligned} &E(\frac{Q_e}{\sigma^2})=n-2 \\ \Longrightarrow \quad &E(\frac{Q_e}{n-2})=\sigma^2 \\ \Longrightarrow \quad &\hat{\sigma^2}=\frac{Q_e}{n-2} \end{aligned} ⟹⟹E(σ2Qe)=n−2E(n−2Qe)=σ2σ2^=n−2Qe
σ ^ 2 \hat{\sigma}^2 σ^2的无偏估计为 Q e n − 2 \frac{Q_e}{n-2} n−2Qe
最小二乘估计量的性质
β 0 , β 1 \beta_0,\beta_1 β0,β1的最小二乘估计量都是无偏的: E ( β 0 ^ ) = β 0 , E ( β 1 ^ ) = β 1 E(\hat{\beta_0})=\beta_0,\quad E(\hat{\beta_1})=\beta_1 E(β0^)=β0,E(β1^)=β1
β 0 ^ ∼ N ( β 0 , ( 1 n + x ˉ 2 L x x ) σ 2 ) \hat{\beta_0}\sim N(\beta_0, (\frac{1}{n}+\frac{\bar{x}^2}{L_{xx}})\sigma^2) β0^∼N(β0,(n1+Lxxxˉ2)σ2)
β 1 ^ ∼ N ( β 1 , σ 2 L x x ) \hat{\beta_1}\sim N(\beta_1,\frac{\sigma^2}{L_{xx}}) β1^∼N(β1,Lxxσ2)
C o v ( β 0 ^ , β 1 ^ ) = − x ˉ L x x σ 2 Cov(\hat{\beta_0},\hat{\beta_1})=-\frac{\bar{x}}{L_{xx}}\sigma^2 Cov(β0^,β1^)=−Lxxxˉσ2
y 0 ^ ∼ N ( β 0 + β 1 x 0 , ( 1 n + ( x 0 − x ˉ ) 2 L x x ) σ 2 ) \hat{y_0}\sim N(\beta_0+\beta_1x_0, (\frac{1}{n}+\frac{(x_0-\bar{x})^2}{L_{xx}})\sigma^2) y0^∼N(β0+β1x0,(n1+Lxx(x0−xˉ)2)σ2)
回归方程显著性检验(t、F、r)
- 提出原假设和备择假设(回归方程是否显著,反映在斜率是否为0):
H 0 : β 1 = 0 ; H 1 : β 1 ≠ 0 H_0: \beta_1=0; \quad H_1:\beta_1\neq0 H0:β1=0;H1:β1=0
选取统计量:
β 1 ^ ∼ N ( β 1 , σ 2 L x x ) ⟹ β 1 ^ − β 1 σ 2 L x x ∼ N ( 0 , 1 ) → H 0 β 1 ^ L x x σ ∼ N ( 0 , 1 ) \begin{aligned} &\hat{\beta_1}\sim N(\beta_1,\frac{\sigma^2}{L_{xx}}) \\ \Longrightarrow \quad &\frac{\hat{\beta_1}-\beta_1}{\sqrt{\frac{\sigma^2}{L_{xx}}}}\sim N(0,1) \\ \xrightarrow{H_0} \quad &\frac{\hat{\beta_1}\sqrt{L_{xx}}}{\sigma}\sim N(0,1) \end{aligned} ⟹H0 β1^∼N(β1,Lxxσ2)Lxxσ2 β1^−β1∼N(0,1)σβ1^Lxx ∼N(0,1)
若需构造 t t t检验,还需要一个 χ 2 \chi^2 χ2分布,而 Q e σ 2 ∼ χ 2 ( n − 2 ) \frac{Q_e}{\sigma^2}\sim\chi^2(n-2) σ2Qe∼χ2(n−2),从而:
T = β 1 ^ L x x σ Q e σ 2 / ( n − 2 ) → σ 2 ^ = Q e n − 2 β 1 ^ L x x σ ^ ∼ t ( n − 2 ) T=\frac{\frac{\hat{\beta_1}\sqrt{L_{xx}}}{\sigma}}{\sqrt{\frac{Q_e}{\sigma^2}/(n-2)}}\xrightarrow{\hat{\sigma^2}=\frac{Q_e}{n-2}}\frac{\hat{\beta_1}\sqrt{L_{xx}}}{\hat\sigma} \sim t(n-2) T=σ2Qe/(n−2) σβ1^Lxx σ2^=n−2Qe σ^β1^Lxx ∼t(n−2)
若使用 F F F检验,需要计算回归平方和以及残差平方和:
S R 2 = ∑ i = 1 n ( y i ^ − y i ˉ ) 2 = β 1 ^ L x y S e 2 = ∑ i = 1 n ( y i − y i ^ ) 2 = S T 2 − S R 2 = L y y − β 1 ^ L x y S R 2 σ 2 ∼ χ 2 ( 1 ) , S e 2 σ 2 ∼ χ 2 ( n − 2 ) F = S R 2 σ 2 / 1 S e 2 σ 2 / ( n − 2 ) = ( n − 2 ) S R 2 S e 2 ∼ F ( 1 , n − 2 ) \begin{aligned} &S_R^2=\sum\limits_{i=1}^{n}(\hat{y_i}-\bar{y_i})^2=\hat{\beta_1}L_{xy} \\ &S_e^2=\sum\limits_{i=1}^{n}(y_i-\hat{y_i})^2=S_T^2-S_R^2=L_{yy}-\hat{\beta_1}L_{xy} \\ &\frac{S_R^2}{\sigma^2}\sim \chi^2(1), \quad \frac{S_e^2}{\sigma^2}\sim \chi^2(n-2) \\ &F=\frac{\frac{S_R^2}{\sigma^2}/1}{\frac{S_e^2}{\sigma^2}/(n-2)}=\frac{(n-2)S_R^2}{S_e^2}\sim F(1,n-2) \end{aligned} SR2=i=1∑n(yi^−yiˉ)2=β1^LxySe2=i=1∑n(yi−yi^)2=ST2−SR2=Lyy−β1^Lxyσ2SR2∼χ2(1),σ2Se2∼χ2(n−2)F=σ2Se2/(n−2)σ2SR2/1=Se2(n−2)SR2∼F(1,n−2)拒绝域
t t t检验拒绝域: ∣ T ∣ = ∣ β 1 ^ L x x σ ^ ∣ ≥ t α 2 ( n − 2 ) |T|=|\frac{\hat{\beta_1}\sqrt{L_{xx}}}{\hat{\sigma}}|\ge t_{\frac{\alpha}{2}}(n-2) ∣T∣=∣σ^β1^Lxx ∣≥t2α(n−2)
F F F检验拒绝域: F ≥ F α ( 1 , n − 2 ) F\ge F_\alpha(1,n-2) F≥Fα(1,n−2)
确定 t α 2 ( n − 2 ) o r F α ( 1 , n − 2 ) t_{\frac{\alpha}{2}(n-2)}\quad or \quad F_{\alpha}(1,n-2) t2α(n−2)orFα(1,n−2)
计算 ∣ T ∣ o r F |T|\quad or\quad F ∣T∣orF
判断结果
回归系数的区间估计
β 1 ^ ∼ N ( β 1 , σ 2 L x x ) ⟹ β 1 ^ − β 1 σ 2 L x x ∼ N ( 0 , 1 ) ⟹ ( β 1 ^ − β 1 ) L x x σ ∼ N ( 0 , 1 ) T = ( β 1 ^ − β 1 ) L x x σ Q e σ 2 / ( n − 2 ) → σ 2 ^ = Q e n − 2 ( β 1 ^ − β 1 ) L x x σ ^ ∼ t ( n − 2 ) \begin{aligned} &\hat{\beta_1}\sim N(\beta_1,\frac{\sigma^2}{L_{xx}}) \\ \Longrightarrow \quad &\frac{\hat{\beta_1}-\beta_1}{\sqrt{\frac{\sigma^2}{L_{xx}}}}\sim N(0,1) \\ \Longrightarrow \quad &\frac{(\hat{\beta_1}-\beta_1)\sqrt{L_{xx}}}{\sigma}\sim N(0,1) \\ T=\frac{\frac{(\hat{\beta_1}-\beta_1)\sqrt{L_{xx}}}{\sigma}}{\sqrt{\frac{Q_e}{\sigma^2}/(n-2)}}&\xrightarrow{\hat{\sigma^2}=\frac{Q_e}{n-2}}\frac{(\hat{\beta_1}-\beta_1)\sqrt{L_{xx}}}{\hat\sigma} \sim t(n-2) \end{aligned} ⟹⟹T=σ2Qe/(n−2) σ(β1^−β1)Lxx β1^∼N(β1,Lxxσ2)Lxxσ2 β1^−β1∼N(0,1)σ(β1^−β1)Lxx ∼N(0,1)σ2^=n−2Qe σ^(β1^−β1)Lxx ∼t(n−2)
则 β 1 \beta_1 β1置信水平为 1 − α 1-\alpha 1−α的置信区间为: ( β 1 ^ ± σ ^ L x x t α 2 ( n − 2 ) ) (\hat{\beta_1}\pm \frac{\hat{\sigma}}{\sqrt{L_{xx}}}t_{\frac{\alpha}{2}}(n-2)) (β1^±Lxx σ^t2α(n−2))
估计
设回归方程为 y ^ = β 0 ^ + β 1 ^ x \hat{y}=\hat{\beta_0}+\hat{\beta_1}x y^=β0^+β1^x,对任意给定的 x = x 0 x=x_0 x=x0, y 0 y_0 y0的均值 E ( y 0 ) = β 0 + β 1 x 0 E(y_0)=\beta_0+\beta_1 x_0 E(y0)=β0+β1x0, E ( y 0 ) E(y_0) E(y0)的无偏估计为 y 0 ^ = β 0 ^ + β 1 ^ x 0 \hat{y_0}=\hat{\beta_0}+\hat{\beta_1}x_0 y0^=β0^+β1^x0
β 0 ^ ∼ N ( β 0 , ( 1 n + x ˉ 2 L x x ) σ 2 ) \hat{\beta_0}\sim N(\beta_0, (\frac{1}{n}+\frac{\bar{x}^2}{L_{xx}})\sigma^2) β0^∼N(β0,(n1+Lxxxˉ2)σ2)
β 1 ^ ∼ N ( β 1 , σ 2 L x x ) \hat{\beta_1}\sim N(\beta_1,\frac{\sigma^2}{L_{xx}}) β1^∼N(β1,Lxxσ2)
C o v ( β 0 ^ , β 1 ^ ) = − x ˉ L x x σ 2 Cov(\hat{\beta_0},\hat{\beta_1})=-\frac{\bar{x}}{L_{xx}}\sigma^2 Cov(β0^,β1^)=−Lxxxˉσ2
D ( y 0 ^ ) = D ( β 0 ^ ) + D ( β 1 ^ x 0 ) + 2 C o v ( β 0 ^ , β 1 ^ x 0 ) = ( 1 n + ( x ˉ − x 0 ) 2 L x x ) σ 2 D(\hat{y_0})=D(\hat{\beta_0})+D(\hat{\beta_1}x_0)+2Cov(\hat{\beta_0},\hat{\beta_1}x_0)=(\frac{1}{n}+\frac{(\bar{x}-x_0)^2}{L_{xx}})\sigma^2 D(y0^)=D(β0^)+D(β1^x0)+2Cov(β0^,β1^x0)=(n1+Lxx(xˉ−x0)2)σ2
y 0 ^ ∼ N ( β 0 + β 1 x 0 , ( 1 n + ( x 0 − x ˉ ) 2 L x x ) σ 2 ) \hat{y_0}\sim N(\beta_0+\beta_1x_0, (\frac{1}{n}+\frac{(x_0-\bar{x})^2}{L_{xx}})\sigma^2) y0^∼N(β0+β1x0,(n1+Lxx(x0−xˉ)2)σ2)
于是 E ( y 0 ) E(y_0) E(y0)的置信度为 1 − α 1-\alpha 1−α的置信区间为:
( y 0 ^ − δ 0 , y 0 ^ + δ 0 ) , δ = t α 2 ( n − 2 ) σ ^ 1 n + ( x 0 − x ˉ ) 2 L x x (\hat{y_0}-\delta_0,\hat{y_0}+\delta_0),\delta=t_{\frac{\alpha}{2}}(n-2)\hat{\sigma}\sqrt{\frac{1}{n}+\frac{(x_0-\bar{x})^2}{L_{xx}}} (y0^−δ0,y0^+δ0),δ=t2α(n−2)σ^n1+Lxx(x0−xˉ)2
区间预测
y 0 − y 0 ^ ∼ N ( 0 , [ 1 + 1 n + ( x 0 − x ˉ ) 2 L x x ] σ 2 ) U = y 0 − y 0 ^ σ 1 + 1 n + ( x 0 − x ˉ ) 2 L x x ∼ N ( 0 , 1 ) T = y 0 − y 0 ^ σ ^ 1 + 1 n + ( x 0 − x ˉ ) 2 L x x ∼ t ( n − 2 ) \begin{aligned} y_0-\hat{y_0}\sim N(0,[1+\frac{1}{n}+\frac{(x_0-\bar{x})^2}{L_{xx}}]\sigma^2) \\ U=\frac{y_0-\hat{y_0}}{\sigma\sqrt{1+\frac{1}{n}+\frac{(x_0-\bar{x})^2}{L_{xx}}}}\sim N(0,1) \\ T=\frac{y_0-\hat{y_0}}{\hat\sigma\sqrt{1+\frac{1}{n}+\frac{(x_0-\bar{x})^2}{L_{xx}}}}\sim t(n-2) \end{aligned} y0−y0^∼N(0,[1+n1+Lxx(x0−xˉ)2]σ2)U=σ1+n1+Lxx(x0−xˉ)2 y0−y0^∼N(0,1)T=σ^1+n1+Lxx(x0−xˉ)2 y0−y0^∼t(n−2)
因此, y 0 y_0 y0的置信度为 1 − α 1-\alpha 1−α的区间为
( y 0 ^ − δ , y 0 ^ + δ ) , δ = t α 2 ( n − 2 ) σ ^ 1 + 1 n + ( x 0 − x ˉ ) 2 L x x (\hat{y_0}-\delta,\hat{y_0}+\delta),\delta=t_{\frac{\alpha}{2}}(n-2)\hat{\sigma}\sqrt{1+\frac{1}{n}+\frac{(x_0-\bar{x})^2}{L_{xx}}} (y0^−δ,y0^+δ),δ=t2α(n−2)σ^1+n1+Lxx(x0−xˉ)2
可线性化的一元非线性回归
【概率论与数理统计(研究生课程)】知识点总结9(回归分析)相关推荐
- 【概率论与数理统计(研究生课程)】知识点总结8(假设检验)
原文地址: [概率论与数理统计(研究生课程)]知识点总结8(假设检验) 目录 假设检验 依据 方法(概率论反证法) 逻辑 两类错误 第一类错误 第二类错误 解题步骤 以单正态总体均值 μ \mu μ双 ...
- 电子科技大学-《图论》-研究生课程-知识点汇总-anki卡片定义定理整理-503张卡片
平凡图的定义 只有一个顶点而无边 简单图的定义 没有重边的图 重边的定义 连接两个顶点间的边的数量若大于1则为重边 u和v相邻是什么意思 u和v这两个端点间有边 端点u与边e相关联是什么意思 e的一个 ...
- 《概率论与数理统计》笔记——知识点总结
第一章:
- 【概率论与数理统计】常见分布特征函数推导过程
相关内容: [概率论与数理统计(研究生课程)]知识点总结1(概率论基础) [概率论与数理统计(研究生课程)]知识点总结2(一维随机变量及其分布) [概率论与数理统计(研究生课程)]知识点总结3(二维随 ...
- 概率论由相关性求数学期望和方差的公式_《概率论与数理统计》(公共课—计算机科学与技术本科专业)教学大纲(2017.2编)资料...
<概率论与数理统计>课程教学大纲 (2016版) 一.课程基本信息 课程名称:概率论与数理统计 英文名称:Probability Theory and Mathematical Stati ...
- 概率论 方差公式_概率论与数理统计课程教学、学习基本要求和教学建议
点"考研竞赛数学"↑可每天"涨姿势"哦! 工科类本科数学基础课程教学基本要求 概率论与数理统计部分 各门课程的内容按教学要求的不同,都分为两个层次.文中用黑体字 ...
- 概率论与数理统计 | 知识点总结(下)
参考资料 最大似然估计例题 何书元<概率论与数理统计> 6. 描述性统计 统计学的做法分为两种: 描述性统计: 从数据样本中计算一些平均值.标准差.最小值.最大值等概括 统计量, 画直方图 ...
- 概率论课程设计利用Matlab,概率论与数理统计课程设计
概率论与数理统计课程设计 概率论课程设计 1110410327 苏浪1 国内产值与人力资本的回归分析 目录 一. 设计目的 二. 设计问题 三. 设计原理 四. 设计程序 设计步骤 设计结果 1.得到 ...
- 概率论与数理统计--知识点
概率论 (<概率论与数理统计> 主编 金大勇 徐永) 1.2.3 概率的性质 加法定理 A,B是任意两个事件,则P(AUB)=P(A)+P(B)-P(AB) A,B是任意两个事件,则P(A ...
最新文章
- php面向对象静态常量,浅谈PHP面向对象编程(四、类常量和静态成员)
- 汉语(普通话)的音素对齐
- Linux Socket编程的一些总结
- python直方图均衡函数_Python中的自适应直方图均衡
- 千万PV级别WEB站点架构设计
- Silverlight4.0(9) 之 分页控件轻量级的Session
- 单列设计模式 懒汉式及多线程debug
- 禁止linux使用密码ssh,linux centos7服务器使用密钥登录ssh同时禁止root密码登录
- (机器学习/计算机视觉/深度学习)代码
- Model Y已成特斯拉今年交付量第二高车型 前8个月交付2.9万辆
- IndirectmodificationofoverloadedelementofXXXhasnoeffect的解决办法
- python 二叉树
- 无烟会议室:CMMI vs. Scrum vs. XP(QCon 2010 感受)
- 华为商城抢购工具_华为套路太多,MATE40RS开启摇号模式,抽中资格仍需抢购
- sha2 替换sha1 时间表
- 《阿里感悟》- 技术人员的职业规划
- 云服务器搭建网站域名要备案吗,域名绑定服务器需要备案吗
- Windows系统开通sftp服务
- 阿里巴巴资深DBA的职业生涯总结
- 蝶梦,五种架构演变史
热门文章
- 使用scheme语言实现n阶行列式值的计算
- 基于springboot的农产品销售管理系统/电商项目/水果超市管理系统/微信小程序毕设/农村电商资源对接平台【附源码】
- 【JavaWeb】文件上传下载(213-221)
- 我发现TX2和NUC都是19V供电,后来发现TX2 9V-19V NUC 12V-19V
- 塑料除湿干燥机与普通干燥机有什么区别?
- ROS 北通游戏手柄灵敏度 频率过高, xbox360/ ps2/3模式切换问题
- a16z crypto合伙人:区块链的魅力与挑战 |链捕手
- 30岁的人了,一事无成,还有几十万的外债
- android Removing unused resources requires unused code shrinking to be turned on
- 动画(CSS3) animation