【精品】地质图空间数据库建设工作指南(2.0版)55

【精品】数字惠阳地理空间框架标准、数据库及系统建设、硬件设备、三维、2...33

支持向量机_with_python 在本笔记本中，我们介绍了支持向量机（SVM）算法，这是一种功能强大但简单的监督学习方法，用于预测数据。 对于分类任务，SVM算法尝试将特征空间中的数据划分为不同的类别。 默认情况下，这种划分是通过构造最佳分割数据的超平面来执行的。 为了进行回归，构造了超平面以映射数据分布。 在这两种情况下，这些超平面均以非概率方式映射线性结构。 但是，通过采用内核技巧，我们可以将非线性数据集转换为线性数据集，从而使SVM可以应用于非线性问题。 SVM是功能强大的算法，已得到广泛普及。 这部分是由于它们在高维特征空间中有效，包括那些特征数与实例数相似或略微超过实例数的问题。 与具有大量数据集的内存需求很高的KNN不同，SVM可以提高内存效率，因为仅需要支持向量即可计算超平面。 最后，通过使用不同的内核，SVM可以应用于各种学习任务。 另一方面，这些模型是黑匣子，很难解释

关于背包0-1问题的空间规划 有一个箱子容量为V（正整数，0＜＝V＜＝10000），同时有n个物品（0＜n＜＝20000），每个物品有一定的体积和价值。要求n个 物品中，任取若干个装入箱内，在箱子能放得下的前提下，满足箱子内部的价值最大。

非共享数据库集群系统中的一种高效并行空间连接方法

非归档模式system表空间损坏数据库恢复

第三章GIS空间数据库

第九章 环境空间信息元数据库

第二章 林业空间数据库设计

第五章 GIS空间数据库