大家好，關(guān)于bootstrap5新特性很多朋友都還不太明白，今天小編就來為大家分享關(guān)于5的知識，希望對各位有所幫助！
bootstrap5.0在vue中使用
可以的，bootstrap本來就用vue版本，不需要自己麻煩重寫了
bootstrap table怎樣自適應(yīng)內(nèi)容中的寬度
你好，要讓BootstrapTable自適應(yīng)內(nèi)容中的寬度，我們可以采取以下幾個(gè)步驟。
第一步，使用table-layout:auto樣式屬性，這樣可以根據(jù)列的寬度自動(dòng)設(shè)置每列的寬度。
第二步，可以使用百分比來設(shè)置每列的寬度，這樣可以自動(dòng)適應(yīng)不同設(shè)備的寬度。
第三步，可以使用data-width屬性來設(shè)置列的最小寬度，使表格不至于太過擁擠。最后，如果表格中的內(nèi)容比較長，我們可以使用省略號來代表省略部分，這樣能更好地適應(yīng)屏幕寬度。希望對你有幫助。
broforce幾代i5可以玩
broforce5代i5可以玩啊。這部后來被命名AppleI的電腦有幾個(gè)顯著的特點(diǎn)。當(dāng)時(shí)大多數(shù)的電腦沒有顯示器，AppleI卻以電視作為顯示器。對比起后來的顯示器，AppleI的顯示功能只能緩慢地每秒顯示60字。此外，主機(jī)的ROM包括了引導(dǎo)（Bootstrap）代碼，這使它更容易啟動(dòng)。
bootstrap如何導(dǎo)入idea
可按照以下步驟進(jìn)行操作：
1.首先，確保您的IntelliJIDEA已經(jīng)安裝并啟動(dòng)。
2.打開IntelliJIDEA，并選擇“File”（文件）菜單。
3.在文件菜單中，選擇“New”（新建）并點(diǎn)擊“Project”（項(xiàng)目）。
4.在新建項(xiàng)目窗口中，選擇左側(cè)的“Maven”選項(xiàng)。
5.在右側(cè)的“NewProject”窗口中，選擇“Createfromarchetype”（從原型創(chuàng)建）選項(xiàng)，并單擊“AddArchetype”（添加原型）按鈕。
6.在“AddArchetype”窗口中，填寫以下信息：
GroupId：org.webjars
ArtifactId：bootstrap
Version：選擇您想要導(dǎo)入的Bootstrap版本號
然后單擊“OK”按鈕。
7.在“NewProject”窗口中，輸入項(xiàng)目的GroupId和ArtifactId，也可以設(shè)置項(xiàng)目的名稱和位置。
8.單擊“Next”（下一步）按鈕繼續(xù)。
9.在“NewProject”窗口的最后一步，您可以更改項(xiàng)目的其他設(shè)置（如項(xiàng)目SDK、項(xiàng)目類型等）。
10.單擊“Finish”（完成）按鈕，IntelliJIDEA將創(chuàng)建一個(gè)新的Maven項(xiàng)目，并下載和導(dǎo)入Bootstrap庫。
完成上述步驟后，IntelliJIDEA將自動(dòng)在您的項(xiàng)目中導(dǎo)入Bootstrap庫，并準(zhǔn)備好在您的項(xiàng)目中使用。您可以在項(xiàng)目的依賴項(xiàng)中查看是否成功導(dǎo)入了Bootstrap庫。
為什么XGBoost在機(jī)器學(xué)習(xí)競賽中表現(xiàn)如此卓越
在此簡單補(bǔ)充一點(diǎn)，希望能給你帶來幫助：【預(yù)測領(lǐng)域中的真“絕色”：XGBoost】
全文共3492字，預(yù)計(jì)學(xué)習(xí)時(shí)長15分鐘前幾天，Z同學(xué)面試完一臉生無可戀地問我，“你知道XGBoost嗎？”“當(dāng)然知道啊，前幾天不看你還在手推來著。”“嗯，那你知道XGBoost的中英文全稱是啥么？”“ummmmm...X的話難道是羅馬數(shù)字10?G的話Gradient梯度，Boost的Boostingtree？所以是第十代梯度提升樹？”“。。。換你答，你也涼。”
圖片來源：SOOGIF網(wǎng)站
學(xué)習(xí)算法的最大誤區(qū)還記得那個(gè)吐槽清華某畢業(yè)生連手寫紅黑樹都不會卻張口就要一萬八的HR嗎？
這事曾一度引起網(wǎng)友的廣泛關(guān)注和熱烈討論，不過圈子不同，影響不同。對于普通吃瓜群眾，“HR說得對，太膨脹。”對于某些資深程序猿，“我也不會，我月薪30k。”對于求職小白，“好慌，手寫紅黑樹？面試不會還要手推SVM、XGBoost吧？溜了溜了，去推泰勒二次展開了。”然后，就像我的同學(xué)小Z一樣，只顧著埋頭推導(dǎo)XGBoost的二階泰勒展開，卻連XGBoost的中英文全稱都答不上來。顧此失彼，乃是兵家大忌。很多時(shí)候，我們在學(xué)習(xí)算法時(shí)，要么過于糾結(jié)弄懂原理而忽略了從宏觀上對算法有一個(gè)總體的了解和把握，要么是囫圇吞棗一口氣看個(gè)十來篇博客介紹卻往往還是一知半解不求甚解，可能還會莫名自我感覺良好。
基于此，本文就從宏觀上來幫大家梳理梳理XGBoost，力求通俗易懂，精準(zhǔn)得當(dāng)。至于算法原理和資源鏈接嘛，請直接拜讀陳天奇博士的論文XGBoost:AScalableTreeBoostingSystem，同時(shí)請參考Github上的開源資源進(jìn)行源碼的學(xué)習(xí)和實(shí)戰(zhàn)（https://github.com/dmlc/xgboost）。
什么是XGBoost?原圖來自Unsplash（byJaredSubia）
十幾年前，回歸建模是預(yù)測分析中毫無爭議的女王。但如今回歸建模的時(shí)代已經(jīng)結(jié)束，XGBoost已被成功加冕！XGBoost的英文全稱為ExtremeGradientBoosting,中文可以解釋為極端梯度提升（Extreme，一聽就很牛X），它是一種基于決策樹的集成機(jī)器學(xué)習(xí)算法，采用了梯度提升（GradientBoosting）框架。在預(yù)測有關(guān)非結(jié)構(gòu)化數(shù)據(jù)（如圖像、文本等）的問題時(shí)，人工神經(jīng)網(wǎng)絡(luò)往往表現(xiàn)得比其他算法或框架更出色。但在有關(guān)中小型結(jié)構(gòu)/表格數(shù)據(jù)方面，基于決策樹的算法則是目前為止的最佳方式。請參閱以下圖表，了解幾年來基于決策樹的算法演變。
基于決策樹的算法演變
XGBoost算法最初由華盛頓大學(xué)的一個(gè)研究項(xiàng)目發(fā)展而來。2016年，陳天奇和卡洛斯·格斯特林在知識發(fā)現(xiàn)和數(shù)據(jù)挖掘（SIGKDD）會議上共同發(fā)表了一篇論文，一時(shí)間這轟動(dòng)了整個(gè)機(jī)器學(xué)習(xí)領(lǐng)域。自算法提出以來，它不僅幫助競賽者贏得了多場Kaggle競賽的勝利，還被幾款尖端行業(yè)的應(yīng)用所采納。在GitHub上，有一群強(qiáng)大的數(shù)據(jù)科學(xué)家們?yōu)閄GBoost開源項(xiàng)目提供幫助，約有350名科學(xué)家，總提交次數(shù)約為3,600次。
總體而言，XGBoost具有以下特征：
1.應(yīng)用廣泛：可用于解決回歸、分類、排名和用戶定義的預(yù)測問題。
2.移植性強(qiáng)：可在Windows、Linux和OSX上流暢運(yùn)行。
3.語言支持：支持目前主要的全部編程語言，包括C++、Python、R、Java、Scala和Julia。
4.云集成：支持AWS、GCE、Azure和Yarn集群，可以與Flink、Spark和其他云數(shù)據(jù)流系統(tǒng)集成。
通俗理解基于決策樹的算法演變照片來自Unsplash（byrawpixel）
假設(shè)你是一名面試官，正在面試幾位資歷優(yōu)秀的候選人。基于決策樹的算法演變中的每一環(huán)，都可看作面試過程的一部分。
1.決策樹：每名面試官都有一套面試評價(jià)標(biāo)準(zhǔn)，如教育水平、工作經(jīng)驗(yàn)以及面試表現(xiàn)，通過決策樹來預(yù)測分析，就類似于面試官根據(jù)他自己的標(biāo)準(zhǔn)面試候選人。
2.Bagging：假設(shè)現(xiàn)在面試官不止一名，而是一個(gè)面試小組，每名面試官都有一票，Bagging（也稱作bootstrapaggregating）意味著通過民主投票方式，將所有面試官的投票結(jié)果進(jìn)行輸入，從而做出最終決定。
3.隨機(jī)森林：這是一種基于bagging的算法，與bagging的不同在于僅隨機(jī)選擇特征的子集。換句話說，每名面試官只會根據(jù)某些隨機(jī)的資質(zhì)測試方式（例如，測試編程技能的技術(shù)面試和非技術(shù)技能評估的行為面試）來考查面試者。
4.Boosting：這是一種動(dòng)態(tài)評估方法，每位面試官根據(jù)前一位面試官的反饋，改變評估標(biāo)準(zhǔn)。通過部署更加動(dòng)態(tài)的評估流程，“提高”面試流程的效率。
5.GradientBoosting：這是Boosting的一種特殊情況，通過梯度下降算法將誤差最小化，打個(gè)比方說，就好比戰(zhàn)略咨詢公司利用面試案例，剔除不合格的候選人。
6.XGBoost：將XGBoost視為強(qiáng)化版的的gradientboosting，畢竟extreme不是隨隨便便就能“冠”名的。它是軟件和硬件優(yōu)化技術(shù)的完美結(jié)合，可在最短的時(shí)間內(nèi)，使用較少的計(jì)算資源，得到較為出色的結(jié)果。
XGBoost為什么這么“絕”？XGBoost之所以能叫XGBoost，因?yàn)樗龎颉敖^”（夠Extreme）。XGBoost和GradientBoostingMachines（GBMs）都是基于決策樹的集合方法，通過梯度下降架構(gòu)來提升較弱學(xué)習(xí)者（通常是CARTs）。通過系統(tǒng)優(yōu)化和算法增強(qiáng)，XGBoost進(jìn)一步改進(jìn)了基礎(chǔ)GBM框架。
XGBoost如何優(yōu)化GBM標(biāo)準(zhǔn)算法系統(tǒng)優(yōu)化：
1.并行化：
XGBoost通過多線程實(shí)現(xiàn)了回歸樹的并行構(gòu)建。由于用于構(gòu)建基礎(chǔ)學(xué)習(xí)者的循環(huán)具有可互換性，因此設(shè)計(jì)并行是可能的。外部循環(huán)枚舉樹的節(jié)點(diǎn)，內(nèi)部循環(huán)則計(jì)算特征。這種循環(huán)嵌套在一定程度上限制了并行化，當(dāng)沒有完成內(nèi)部循環(huán)，外部循環(huán)就無法啟動(dòng)。因此，為改善運(yùn)行時(shí)間，可通過對所有實(shí)例的全局掃描實(shí)現(xiàn)初始化，使用并行線程分類來交換循環(huán)順序。這一交換通過抵消計(jì)算中的并行化開銷，提高算法性能。
2.決策樹剪枝：
當(dāng)剪枝分裂遇到一個(gè)負(fù)損失時(shí)，GBM會停止分裂。因此GBM實(shí)際上是一個(gè)貪心算法（只求達(dá)到局部最優(yōu)解就ok）。但XGBoost會一直分裂到指定的最大深度(max_depth)，然后回過頭來剪枝。這種“深度優(yōu)先”方法顯著提高了計(jì)算性能。
3.硬件優(yōu)化：
該算法旨在有效利用硬件資源。通過在每個(gè)線程中分配內(nèi)部緩沖區(qū)，存儲梯度統(tǒng)計(jì)信息，獲取緩存感知。諸如“核外”計(jì)算等進(jìn)一步增強(qiáng)功能可優(yōu)化可用磁盤空間，同時(shí)處理不適合保存的大數(shù)據(jù)幀。
算法增強(qiáng)：
1.正則化：
通過LASSO（L1）和Ridge（L2）正則化來對更為復(fù)雜的模型進(jìn)行懲罰，防止過度擬合。
2.稀疏性感知：
XGBoost具有稀疏性的離散特征，根據(jù)訓(xùn)練缺失自動(dòng)“學(xué)習(xí)”最佳缺失值，并且可以更有效率地處理數(shù)據(jù)中不同類型的稀疏模式。
3.加權(quán)分位數(shù)草圖：
XGBoost采用分布式加權(quán)分位數(shù)草圖算法，有效地找到加權(quán)數(shù)據(jù)集中的最佳分裂點(diǎn)。
4.交叉驗(yàn)證：
在每次迭代時(shí)，該算法都有內(nèi)置的交叉驗(yàn)證方法，無需顯式地對搜索進(jìn)行編程或明確在指定單次運(yùn)行中所需的增強(qiáng)迭代數(shù)量。有何證據(jù)？我們使用Scikit-learn的“Make_Classification”數(shù)據(jù)包創(chuàng)建了一個(gè)包含20類特征（2類信息型和2類冗余型）的100萬個(gè)數(shù)據(jù)點(diǎn)的隨機(jī)樣本。我們測試了幾種算法，如邏輯回歸、隨機(jī)森林、標(biāo)準(zhǔn)GradientBoosting和XGBoost。
使用SKLearn的Make_Classification數(shù)據(jù)集比較XGBoos與其他機(jī)器學(xué)習(xí)算法如上圖所示，與其他算法相比，XGBoost模型是兼顧預(yù)測性能和處理時(shí)間的最佳預(yù)測方式。其他嚴(yán)格的基準(zhǔn)研究也產(chǎn)生相同結(jié)果。正因如此，XGBoost在最近的數(shù)據(jù)科學(xué)競賽中被廣泛使用。如有疑問，請使用XGBoost。——Kaggle網(wǎng)站上AvitoContextAdClickPrediction競賽的獲獎(jiǎng)?wù)逴wenZhang
XGBoost的未來盡管就目前而言，XGBoost的王座還難以撼動(dòng)。但機(jī)器學(xué)習(xí)這一領(lǐng)域的學(xué)者大都比較活躍，而且不畏權(quán)貴，一心戀戰(zhàn)。目前已有幾種據(jù)說可以匹敵XGBoost的新算法框架被提出，比如微軟研究中心新發(fā)布的LightGBM框架和YandexTechnology開發(fā)的CatBoost框架。
圖片來源：RSGMedia網(wǎng)站
每當(dāng)NIPS/ICML/KDD等頂級會議上一有新的算法被提出，最忙活的可能就是數(shù)據(jù)科學(xué)家了。數(shù)據(jù)科學(xué)家們必須測試所有可能的數(shù)據(jù)算法，以保證最終選擇的算法是最佳的。
此外，選擇正確的算法還遠(yuǎn)遠(yuǎn)不夠，還必須通過不斷調(diào)整超參數(shù)，正確對算法數(shù)據(jù)集進(jìn)行配置。
此外，如何選擇最佳的算法還有其他幾個(gè)值得考慮的因素，例如算法的計(jì)算復(fù)雜度、可解釋性以及實(shí)現(xiàn)的難易程度。而這正是機(jī)器學(xué)習(xí)開始從科學(xué)走向藝術(shù)的時(shí)刻。歷史的車輪總是在不斷向前滾動(dòng)。XGBoost的鐵王座早就被許多人覬覦垂涎，開發(fā)一個(gè)優(yōu)于XGBoost的更強(qiáng)大的模型框架只是時(shí)間上的早晚問題。然而，在強(qiáng)大的挑戰(zhàn)者出現(xiàn)之前，XGBoost將繼續(xù)統(tǒng)治機(jī)器學(xué)習(xí)的世界！
留言點(diǎn)贊關(guān)注
我們一起分享AI學(xué)習(xí)與發(fā)展的干貨
歡迎關(guān)注全平臺AI垂類自媒體“讀芯術(shù)”
文章到此結(jié)束，如果本次分享的bootstrap5新特性和5的問題解決了您的問題，那么我們由衷的感到高興！
