什么是bootstrap方法

bootstrap方法的基本原理... bootstrap方法的基本原理 展开
 我来答
Yunjazz
2018-03-31 · TA获得超过556个赞
知道小有建树答主
回答量:0
采纳率:100%
帮助的人:0
展开全部

网格系统的实现原理,是通过定义容器大小,平分12份(也有平分成24份或32份,但12份是最常见的),再调整内外边距,最后结合媒体查询,就制作出了强大的响应式网格系统。Bootstrap框架中的网格系统就是将容器平分成12份。

bootstrap优缺点:

优点:

1.bootstap最近发布了bootstrap4,拥有了box-flex布局等更新,紧跟最新的web技术的发展

2.比较成熟,在大量的项目中充分的使用和测试

3.拥有完善的文档,使用起来更方便

4.有大量的组件样式,接受定制

缺点:

1.如果有自己特殊的需求,就需要重新定制样式,如果一个网站中有大量的非bootstrap“风格”的样式存在,那么你就需要做大量的css重写,因此也就失去了使用框架的意义。

2.会有兼容问题,虽然网上存在很多兼容IE的办法,但需要引入其他文件,有些还不小,势必导致加载速度变慢,影响用户体验。

霓脦那些
高能答主

2021-06-11 · 致力于成为全知道最会答题的人
知道小有建树答主
回答量:74
采纳率:100%
帮助的人:2.4万
展开全部

在统计学中,自助法(Bootstrap Method,Bootstrapping或自助抽样法)是一种从给定训练集中有放回的均匀抽样,也就是说,每当选中一个样本,它等可能地被再次选中并被再次添加到训练集中。

自助法由Bradley Efron于1979年在《Annals of Statistics》上发表。当样本来自总体,能以正态分布来描述,其抽样分布(Sampling Distribution)为正态分布(The Normal Distribution);

但当样本来自的总体无法以正态分布来描述,则以渐进分析法、自助法等来分析。采用随机可置换抽样(random sampling with replacement)。对于小数据集,自助法效果很好。

最常用的一种Bootstrap自助法,假设给定的数据集包含d个样本。该数据集有放回地抽样m次,产生m个样本的训练集。这样原数据样本中的某些样本很可能在该样本集中出现多次。没有进入该训练集的样本最终形成检验集(测试集)。 

显然每个样本被选中的概率是1/m,因此未被选中的概率就是(1-1/m),这样一个样本在训练集中没出现的概率就是m次都未被选中的概率,即(1-1/m)^m。当m趋于无穷大时,这一概率就将趋近于e^-1=0.368,所以留在训练集中的样本大概就占原来数据集的63.2%。

例如:人工样本为1,2,3;只有三个样本,则可以从随机变量X,分布为P(X=k)=1/3, k=1,2,3; 这样的经验分布中用计算机根据上述分布自动产生样本,如产生5个样本:1 2 3 2 1;也可以是:3 3 2 1 1

自助法在数据集较小、难以有效划分训练集和测试集时很有用;此外,自助法能从初始数据集中产生多个不同的训练集,这对集成学习等方法有很大的好处。然而,自助法产生的数据集改变了初始数据集的分布,这会引入估计偏差。因此,在初始数据量足够时,留出法和交叉验证法更常用一些。

在统计学中,自助法(Bootstrap Method,Bootstrapping或自助抽样法)是一种从给定训练集中有放回的均匀抽样,也就是说,每当选中一个样本,它等可能地被再次选中并被再次添加到训练集中。

优点

bootstrap 的一大优点是它的简单性。这是导出复杂分布估计量(例如百分位点、比例、优势比和相关系数)的标准误差和置信区间估计值的直接方法。

Bootstrap 也是控制和检查结果稳定性的合适方法。尽管对于大多数问题不可能知道真正的置信区间,但自举法比使用样本方差和正态性假设获得的标准区间渐近更准确。Bootstrapping 也是一种方便的方法,它避免了重复实验以获取其他组样本数据的成本。

缺点

尽管自举是(在某些条件下)渐近一致的,但它不提供一般的有限样本保证。结果可能取决于代表性样本。表面上的简单性可能掩盖了这样一个事实,即在进行自举分析(例如样本的独立性)时正在做出重要假设,而这些假设将在其他方法中更正式地说明。此外,引导可能非常耗时。

统计

如果参数可以写为总体分布的函数,则总体参数的点估计量的自举分布已被用于生成参数真实值的自举置信区间。

人口参数是用许多点估计器估计的。点的估计器的流行家族包括均值无偏最小方差估计,中值无偏估计,贝叶斯估计器(例如,后验分布的模式,中位数,平均),和最大似然估计

根据渐近理论,贝叶斯点估计器和最大似然估计器在样本大小无限时具有良好的性能。对于有限样本的实际问题,其他估计器可能更可取。渐近理论提出了通常可以提高自举估计器性能的技术;最大似然估计量的自举通常可以使用与关键量相关的转换来改进。

以上内容参考 百度百科-自助法

本回答被网友采纳
已赞过 已踩过<
你对这个回答的评价是?
评论 收起
小明教你学技能
高粉答主

2020-11-06 · 每个回答都超有意思的
知道答主
回答量:7.3万
采纳率:3%
帮助的人:3616万
展开全部
已赞过 已踩过<
你对这个回答的评价是?
评论 收起
匿名用户
2013-04-04
展开全部
  引导(bootstrap):
  (1)一个指令序列,执行它可以导致装入并执行附加的指令,直到将整个计算机程序装入存储器为止.
  (2)一种设计成通过自己的操作使其自身处于期望状态的技术或设备,例如,一种机器例程,该例程的头几个指令足以使其自身的其余部分从输入设备进入计算机。
  在操作系统中:
  指使用一个很小的程序将某个特定的程序(通常是指操作系统)载入计算机中。亦指启动节点,引导节点。
已赞过 已踩过<
你对这个回答的评价是?
评论 收起
飞落de蜗牛
2018-06-13
知道答主
回答量:7
采纳率:0%
帮助的人:7199
展开全部


  • @SpringBootApplication
    @MapperScan(basePackages = "com.wenda.mapper")
    @EnableJpaAuditing
    @EnableTransactionManagement
    @EnableScheduling
    public class Application {

已赞过 已踩过<
你对这个回答的评价是?
评论 收起
收起 3条折叠回答
收起 更多回答(4)
推荐律师服务: 若未解决您的问题,请您详细描述您的问题,通过百度律临进行免费专业咨询

为你推荐:

下载百度知道APP,抢鲜体验
使用百度知道APP,立即抢鲜体验。你的手机镜头里或许有别人想知道的答案。
扫描二维码下载
×

类别

我们会通过消息、邮箱等方式尽快将举报结果通知您。

说明

0/200

提交
取消

辅 助

模 式