Linux是一种开源操作系统，广泛应用于服务器、嵌入式设备和个人电脑等领域。作为Linux系统中的一个重要组成部分，Shell是用户与操作系统内核进行交互的接口。而k-shell则是Linux系统中的一个经典Shell解释器，提供了丰富的命令和功能，为用户提供了方便快捷的操作方式。
在Linux系统中安装k-shell是非常重要的，因为它可以大大提高用户对系统的操作效率。下面我们将介绍如何在Li
原创
2024-03-29 10:17:16
135阅读
shell算法
原创
2021-12-28 21:57:56
214阅读
数组排序算法:
冒泡排序
类似气泡上涌的动作，会将数据在数组中从小到大或者从大到小不断的向前移动。
基本思想:
冒泡排序的基本思想是对比相邻的两个元素值，如果满足条件就交换元素值，把较小的元素移动到数组前面，把大的元素移动到数组后面
(也就是交换两个元素的位置)，这样较小的元素就像气泡一样从底部上升到顶部。
算法思路
冒泡算法由双层循环实现，其中外部循环用于控制排序轮数，一般为要排序的数组长度减1次，因为最后一次循环只剩下一个数组元素，不需要对比，同时数组已经完成排序了。而内部循环主要用于对比数组中每个相邻元素的大小，以确定是否交换位置，对比和交换次数随排序轮数而减少。
原创
2021-12-31 11:45:26
110阅读
shell算法数组排序冒泡算法：冒泡排序类似气泡上涌的动作，会将数据在数组中从小到大或者从大1到小不断的向前移动基本思想：冒泡排序的基本思想就是对比相邻的两个元素值。如果满足条件就交换元素值。把较小的元素移动到数组前面，把大的元素移动到数组后面。（也就是交换两个元素的位置），这样较小的元素就像气泡一样从底部上升到顶部算法思路：（比较轮数=数组长度减去1）冒泡算法由双层循环实现，其中外部循环由于控制
原创
精选
2021-12-22 18:41:14
1425阅读
一、数组的概述 1. 数组的定义 数组（Array）是指有序的元素序列，是用于储存多个相同类型数据的集合。若将有限个类型相同的变量的集合命名，那么这个名称就是数组名。数组是在程序设计中，为了处理方便，把具有相同类型的若干元素按有序的形式组织起来的一种形式。这些有序排列的同类数据元素的集合称为数据。 ...
转载
2021-08-11 19:41:00
173阅读
2评论
#include<iostream>
using namespace std;
void ShellSort(int* a, int len);
int main()
{
int i;
int array[10];
for (i = 0; i < 10; i++)
{
cin >> array[i];
}
ShellSort(array, 10);
原创
2021-08-17 21:08:10
887阅读
原理将排序数组分成若干个子序列（这个取决于最初设定的步长值），然后对各个子序列之间进行直接插入排序，最后再缩小增量（即步长值）再进行插入排序，直到序列顺序基本稳定（步长足够小）时，对这种序列进行一次直接插入排序，在排序状况较好时，直接插入排序的效率还是挺高的。分析 在最坏的情况下，每个数字在每次比较的过程总都会被比较一次，所以在最坏的情况下其时间复杂度O（n2）。
原创
2016-03-15 22:11:12
772阅读
Shell的排序算法数组排序算法冒泡排序类似气泡上涌的动作，会将数据在数组中从小到大或者从大到小不断的向前移动基本思想：冒泡排序的基本思想是对比邻的两个元素值，如果满足条件就交换元素值，把较小的元素移动到数组前面，把大的元素移动到数组后面(也就是交换两个元素的位置)，这样较小的元素就像气泡一样从底部上升到顶部。算法思路：冒泡算法由双层循环实现，其中外部循环用于控制排序轮数，一般为要排序的数组长度减
原创
精选
2021-12-22 17:46:00
445阅读
接到一个需求，背景是对公司的各个服务器环境下的配置文件内存有数据库用户名，数据库密码，因为在配置文件中，许多shell脚本都需要调用配置文件中的数据库用户名，密码，所以一直以明文保存，需求内容就是实现对配置文件内的用户名，密码加密，同时加密后要解决shell脚本文件还可以调用到正确的用户名密码，因此还需要解密。因为是在服务器环境下，所以可以编写java程序，然后将程序打成jar包，通过shell指
转载
2024-09-03 10:47:49
72阅读
以下内容摘自百度百科。K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。k-means 算法缺点① 在 K-means 算法中 K 是事先给定的，这个 K 值的选定是非常难以估计的。很多时候，事先并不知道给定的数据集应该分成多少个类别才最合适。这也是 K-means 算法的一个不足。有
shell：数组排序算法冒泡排序类似气泡上涌的动作，会将数据在数组中从小到大或者从大到小不断的向前移动。基本思想:冒泡排序的基本思想是对比相邻的两个元素值，如果满足条件就交换元素值，把较小的元素移动到数组前面，把大的元素移动到数组后面（也就是交换两个元素的位置)，这样较小的元素就像气泡一样从底部上升到顶部。算法思路冒泡算法由双层循环实现，其中外部循环用于控制排序轮数，一般为要排序的数组长度减1次，
原创
2021-12-22 23:33:11
500阅读
原理将排序数组分成若干个子序列（这个取决于最初设定的步长值），然后对各个子序列之间进行直接插入排序，最后再缩小增量（即步长值）再进行插入排序，直到序列顺序基本稳定（步长足够小）时，对这种序列进行一次直接插入排序，在排序状况较好时，直接插入排序的效率还是挺高的。分析 在最坏的情况下，每个数字在每次比较的过程总都会被比较一次，所以在最坏的情况下其时间复杂度O（n2）。
原创
2016-03-15 22:10:23
693阅读
[code="java"]/** * Shell排序 * */public class ShellSort { public void sort(int[] data) { for (int i = data.length / 2; i > 2; i /{ insertSort(...
原创
2023-07-21 16:24:17
28阅读
因为自己的好奇心，所以做了这一篇关于KNN 算法的笔记。 文章目录一、简介二、KNN算法实现2.1实现步骤2.2代码实现三、相关测试四、小结 一、简介K-近邻算法是一种常用的监督学习的方法，其与K-Means算法有点类似，其原理是：在给定的样本数据中，基于某种距离(欧式距离或马氏距离等等)找出与当前样本数据距离最近的K个样本数据，然后再基于这K个“邻居”的信息来进行预测。这个算法在生活中应用的其实
转载
2023-07-17 17:15:16
103阅读
一、K-Means算法流程K均值算法是学习无监督学习的第一个算法，这个算法理解和实现都比较简单，算法的目的是将数据分成K组。为了达到这个目的，算法首先随机初始化k个数据点（聚类中心），然后遍历所有数据，计算出每一个数据到k个点的距离，找到最小的距离，则该点属于这个类。之后计算每一组中的平均值，然后更新聚类中心，直到中心点不再发生变化。下面是算法的运行过程：输入：没有标签的数据X，大小为m，要将数据
转载
2024-04-03 07:02:07
133阅读
k近邻算法k近邻法是一种基本分类与回归方法k近邻法输入为实例的特征向量，对应于特征空间的点；输出为实例的类别，可以取多类（与感知机不同的点之一）。分类时，对新的实例，根据其k个最近邻的训练实例的类别，通过多数表决等方式进行预测。算法的基本步骤如下：1）计算已知类别数据集中的点与当前点之间的距离；2）按照距离递增次序排序；3）选取与当前点距离最小的k个点；4）确定前k个点所在类别的出现频率；5）返回
转载
2023-07-21 16:00:48
91阅读
K近邻算法（KNN，K-NearestNeighbor）是机器学习或数据分析中最基础、也是最简单的算法之一，这个算法的思路就如同它字面上的意思“K个最近的邻居”，想要得到某个样本的某个特征的值（一个样本通常有多个特征），就需要找到距离它最近的K个样本，然后根据这些样本的该特征的近似值作为它的特征值。样本和特征：通常来讲，可以理解为一个表格数据中一行数据为一个样本，一列数据为这个样本的一个特征，就像
转载
2024-03-20 20:27:35
45阅读
K-均值聚类（K-Means Clustering）是一种无监督的聚类方法，即最初并不知道同种类数据的特征，算法会根据数据自身特点进行分类。 算法流程如下： 1 . 选取k个初始中心点，选取方法根据具体数据特点决定，可以是随机； 2 . 遍历数据集，找到离每个数据最近的中心点，并将其归入该点； 3 . 更新中心点位置：求出归入每个中心点的数据的均值，将其更新为新的中心点； 4 . 如果中
转载
2024-06-10 10:32:06
43阅读
K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。 用官方的话来说，所谓K近邻算法，即是给定一个
原创
2021-08-04 09:59:34
963阅读
k近邻算法1、k近邻算法，其中 表示样本的特征向量， 是对应的标签。通过这组数据可以构建一个k近邻模型。在测试阶段，给定一个样本 ，计算其与所有其他训练样本的距离，并得到最近的k个样本，这k个样本中类标最多的作为当前样本 的预测结果。 值的选择是该算法唯一的一个超参数。其表示在判断所给定样本的类时，所挑选附近点的个数。如果 值过大，说明周围的点数量越多，距离越远的点也会起到分类的作用，模型变得
原创
2022-12-22 02:27:03
75阅读
