答：快捷键：ctrl 回车 执行
答：有的，可以在MySQL官网进行下载对应苹果版本。
解决办法：MySQL Workbench重存工作空间ahttps://blog.csdn.net/kejiayuan0806/article/details/102914122
答：是软件bug，可以重启或在官网更新软件。
答：右键电脑——属性——高级系统设置——环境变量
答：1、删除MySQL服务，cmd下面输入sc delete MySQL57（不知道你的服务名字是不是MySQL57，如果不是请输入正确的服务名字）；2、卸载所有和MySQL相关的程序，有好几个，注意，一定要删除与MySQL相关的所有的数据（不能用MySQL自带的卸载，卸不干净，可以利用Uninstall Tool3.5.3，在卸载程序界面，右键选择与MySQL相关的程序，弹出一个菜单，选择强制
答：按照以下步骤操作：1. 搜索workbeach 2. 进入编辑界面
答：t检验可分为单总体检验和双总体检验，以及配对样本检验。主要是用来比较不同样本的平均值是否有显著性差异。
如果k较小，就相当于用较小的邻域中的训练实例进行预测，“学习”的近似误差会减小，只有输入实例较近的（相似的）训练实例才会对预测结果起作用。但缺点是“学习”的估计误差会变大，预测结果会对近邻的实例点非常敏感。如果邻近的实例点恰好是噪声，预测会出错。k值的减小就意味着整体模型变得复杂，容易发生过拟合。如果k值太大，相当于用较大的邻域中的训练实例进行预测。其优点是可以减少学习的估计误差，但缺点是学
决策树学习的算法通常是一个递归地选择最优特征，并根据该特征对训练数据进行分割，使得对各个子数据集有一个很好的分类的过程。这一过程对应着对特征空间的划分，也对应着决策树的构建。开始，构建根节点，将所有训练数据都放在根节点。选择一个最优特征，按照这一特征将训练数据集分割成子集，使得各个子集有一个在当前条件下最好的分类。如果这些子集已经能够被基本正确分类，那么构建叶结点，并将这些子集分到所对应的叶结点中
在测试集表现与预测集相当，说明模型没有过度拟合：在训练集上表现完美，在测试集上一塌糊涂；原因：模型过于刚性：“极尽历史规律，考虑随机误差”；拟合精度不能作为衡量模型方法的标准；一个好的模型：只描述规律性的东西（抓住事务的主要特征），存在随机误差是好事，在预测时，就有了“容错空间“，预测误差可能减小！
剪枝：从已生成的树上裁掉一些子树或叶结点，并将其根节点或父结点作为新的叶结点，从而简化分类树模型。剪枝就是当阿尔法确定时，选择损失函数最小的模型，即损失函数最小的子树。当阿尔法确定时，子树越大，往往与训练数据的拟合越好，但是模型的复杂度就越高，相反，子树越小，模型复杂度就越低，但是往往与训练数据的拟合不好，损失函数正好表示了对两者的平衡
决策树生成算法递归地产生决策树，知道不能继续下去为止。这样产生的树往往对训练数据的分类很准确，但对未知的测试数据的分类却没有那么准确，即出现过拟合现象。过拟合的原因在于学习时过多地考虑如何提高对训练数据的正确分类，从而构建出过于复杂的决策树。解决这个问题的方法是考虑决策树的复杂度，对已生成的决策树进行简化。
excel中可以利用MS Query特别是报表合并、查询等。横向合并：这种情况下要求列字段标题与顺序相同（无合并单元格）纵向合并：这种情况下，要求多表之中有一个共同列字段，且该列字段不存在重复记录。步骤：新建工作薄文档，选择数据——自其他来源——Microsoft Query
特征选择在于选取对训练数据具有分类能力的特征。这样可以提高决策树学习的效率。如果利用一个特征进行分类的结果与随机分类的结果没有很大的差别，则称这个特征空间是没有分类能力的。经验上扔掉这样的特征对决策树学习的精度影响不大。通常特征选择的准则是信息增益或信息增益比。
上下四分位数之差用于衡量中位数的代表性不受极端值影响反映了中间50%的数据的离散程度也称为内距或四分内距对顺序数据离散程度的测度
数学性质较差，实际中应用较少能反应一组数据离散程度各变量与其平均数离差绝对值的平均数
自由度1、按着这一逻辑，如果对n个观测值附加的约束个 数为k个，自由度则为n-k，2、当样本数据的个数为n时，若样本平均数确定后 ，则附加给n个观测值的约束个数就是1个，因 此只有n-1个数据可以自由取值，其中必有一个 数据不能自由取值3、从字面涵义来看，自由度是指一组数据中可以 自由取值的个数，4、自由度是指数据个数与附加给独立的观测值的约束或限制的个数之差
切比雪夫不等式• 对于k=2，3，4，该不等式的含义是1. 至少有75%的数据落在平均数加减2个标准差的范围之内2. 至少有89%的数据落在平均数加减3个标准 差的范围之内3. 至少有94%的数据落在平均数加减4个标准 差的范围之内对于任意分布形态的数据，根据切比雪夫不 等式，至少有1-1/k方的数据落在平均数加减k个标准差之内。其中k是大于1的任意值，但 不一定是整数
概率①由于事件的频数总是小于或等于试验的次数，所以频率在0~1之间，从而任何事件的概率在0~1之间，即0≤P(A)≤1.②每次试验中，必然事件一定发生，因此它的频率为1，从而必然事件的概率为1，如，在掷骰子试验中，由于出现的点数最大是6，因此P(E)=1③每次试验中，不可能事件一定不出现，因此他的频率为0，从而不可能事件的概率为0.如，在掷骰子试验中，P(F)=0④当事件A与B
关注
若水若谷
换一批
480.0000