1主题内容与适用范围1.1主题内容软件单元测试是一个过程。
本标准为该过程规定了一个标准的方法，使之成为软件工程实践中的基础。
该方法是一种综合的方法，目的是对软件单元进行系统化的测试，包括测试计划的执行、测试集的获取以及测试单元与其需求的对照衡量包括使用样本数据来执行被测试单元、并将该单元的实际结果与单元的需求文件中指定的结果进行比较。
本标准描述了一个测试过程，它由一系列具有层次结构的阶段、活动及任务组成，且为每一活动定义了一个最小任务集。
1.2适用范围本规范可适用于任何计算机软件的单元测试（包括新开发的或修改过的软件单元）。
本标准并不规定这些软件的类型，也不规定哪些软件必须进行单元测试。
本标准
本标准为该过程规定了一个标准的方法，使之成为软件工程实践中的基础。
该方法是一种综合的方法，目的是对软件单元进行系统化的测试，包括测试计划的执行、测试集的获取以及测试单元与其需求的对照衡量包括使用样本数据来执行被测试单元、并将该单元的实际结果与单元的需求文件中指定的结果进行比较。
本标准描述了一个测试过程，它由一系列具有层次结构的阶段、活动及任务组成，且为每一活动定义了一个最小任务集。
1.2适用范围本规范可适用于任何计算机软件的单元测试（包括新开发的或修改过的软件单元）。
本标准并不规定这些软件的类型，也不规定哪些软件必须进行单元测试。
本标准
2023/6/14 17:04:03
180KB
1
多元回归阐发(MultipleRegressionAnalysis)是指在相关变量中将一个变量视为因变量，其余一个或者多个变量视为自变量，建树多个变量之间线性或者非线性数学模子数目关连式并行使样本数据举行阐发的统计阐发方式。
另外也有谈判多个自变量与多个因变量的线性依赖关连的多元回归阐发，称为多元多重回归阐发模子(或者简称多对于多回归)。
另外也有谈判多个自变量与多个因变量的线性依赖关连的多元回归阐发，称为多元多重回归阐发模子(或者简称多对于多回归)。
2023/5/14 5:20:38
17KB
1
Iris数据集是罕用的分类试验数据集，由Fisher,1936凑集收拾。
Iris也称鸢尾花卉数据集，是一类多重变量阐发的数据集。
数据集搜罗150个数据集，分为3类，每一类50个数据，每一个数据搜罗4个属性。
可经由花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性料想鸢尾花卉属于（Setosa，Versicolour，Virginica）三个品种中的哪一类。
iris以鸢尾花的特色作为数据来源，罕用在分类操作中。
该数据集由3种不合尺度的鸢尾花的50个样本数据组成。
其中的一个品种与另外两个品种是线性可离散的，后两个品种玄色线性可离散的。
该数据集搜罗了5个属性：&Sepal.Length（花萼长度），单元是cm;&Sepal.Width（花萼宽度），单元是cm;&Petal.Length（花瓣长度），单元是cm;&Petal.Width（花瓣宽度），单元是cm;&品种：IrisSetosa（山鸢尾）、IrisVersicolour（正色鸢尾），以及IrisVirginica（维吉尼亚鸢尾）。
Iris也称鸢尾花卉数据集，是一类多重变量阐发的数据集。
数据集搜罗150个数据集，分为3类，每一类50个数据，每一个数据搜罗4个属性。
可经由花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性料想鸢尾花卉属于（Setosa，Versicolour，Virginica）三个品种中的哪一类。
iris以鸢尾花的特色作为数据来源，罕用在分类操作中。
该数据集由3种不合尺度的鸢尾花的50个样本数据组成。
其中的一个品种与另外两个品种是线性可离散的，后两个品种玄色线性可离散的。
该数据集搜罗了5个属性：&Sepal.Length（花萼长度），单元是cm;&Sepal.Width（花萼宽度），单元是cm;&Petal.Length（花瓣长度），单元是cm;&Petal.Width（花瓣宽度），单元是cm;&品种：IrisSetosa（山鸢尾）、IrisVersicolour（正色鸢尾），以及IrisVirginica（维吉尼亚鸢尾）。
2023/4/29 21:57:09
3KB
1
网上凑集来的人脸识别数据集，搜罗正样本（人脸）以及负样本（配景），均有10000张以上图片；
能够用来熬炼haar分类器。
能够用来熬炼haar分类器。
2023/4/6 7:38:49
58.52MB
1
采用C均值聚类算法对男女生样本数据中的身高、体重2个特征进行聚类分析，调查不同的类别初始值以及类别数对聚类结果的影响，并以友好的方式图示化结果。
2023/3/7 0:49:12
12KB
1
其中样本数据Load1998，次要记录了欧洲某地区1998年1月1日至12月31日每30min一次的电力负荷数据。
样本数据Temperature1998记录了该地区1998年1月1日至12月31日每天的平均气温。
样本数据Holidays记录了该地区1997年至1999年的节假日。
样本数据Temperature1998记录了该地区1998年1月1日至12月31日每天的平均气温。
样本数据Holidays记录了该地区1997年至1999年的节假日。
2023/2/16 22:38:26
97KB
1
BP神经网络适用于大样本数据的预测，至于小样本还有灰色理论、最小二乘支持向量机、广义回归神经网络、灰色神经网络，不同的数据需要根据其本身特点选择不同的预测方法。
在很多次实验之后，我比较钟情于BP神经网络和组合预测，组合预测是大趋势，客观上有道理，主观上有更大的操作可能性。
下面给出广义回归神经网络（包含交叉验证过程的GRNN）用于小样本量预测的代码，包括BP神经网络预测结果的对比。
在很多次实验之后，我比较钟情于BP神经网络和组合预测，组合预测是大趋势，客观上有道理，主观上有更大的操作可能性。
下面给出广义回归神经网络（包含交叉验证过程的GRNN）用于小样本量预测的代码，包括BP神经网络预测结果的对比。
2021/7/14 15:13:28
6KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB