IT教程: Oracle Update TOP N Issue, who can answer it

本邮件内容由第三方提供，如果您不想继续收到该邮件，可点此退订。

Oracle Update TOP N Issue, who can answer it - 王富贵 阅读原文»

大家好

上周写了匿名方法一文，很多读者，很高兴，相信我们已经从大伙的回复中，对.NET又有了更深刻的认识.

好，现在说主题，各类数据库都有相应更新本表top n的方案.现在我一一举例

首先看表结构如下：

数据库以及表创建命令初始化数据库语句

1 CREATE TABLE student(
2 id varchar(256) NOT NULL,
3 name varchar(256) NULL,
4 age int NULL)

1 insert into student values('001','wfg',20);
2 insert into student values('002','lxx',21);
3 insert into student values('003','wly',3);
4 insert into student values('004','jcj',60);
5 insert into student values('005','wss',60);
6 insert into student values('006','xsm',60);
7 insert into student values('007','lcf',60);
8 insert into student values('008','wjy',35);
9 insert into student values('009','hyf',35);
10 insert into student values('010','lwl',12);

表格结构如下：

ID	Name	Age
001	wfg	20
002	lxx	21
003	wly	3
004	jcj	60
005	wss	60
006	xsm	60
007	lcf	60
008	wjy	35
009	hyf	35
010	hwl	12

首先说下MSSQL

1 --方案1失败
2 update top(5) student set age = 100 order by name;
3 --方案2ok
4 update student set age = 100 where id in (select top 5 id from student order by name );
5 select top(5) * from student order by name;

很成功，干得漂亮！

接下来我们看看MYSQL呢，拭目以待...

1 update student set age = 100 order by name limit 5;
2 select * from student order by name limit 5;

Good news, MySql干得不错，

接下来我们再看看oracle呢？<

机器学习基石笔记5――为什么机器可以学习（1） - 杜少 阅读原文»

转载请注明出处：http://www.cnblogs.com/ymingjingr/p/4271742.html

机器学习基石笔记1——在何时可以使用机器学习(1)

机器学习基石笔记2——在何时可以使用机器学习(2)

机器学习基石笔记3——在何时可以使用机器学习(3)(修改版)

机器学习基石笔记4——在何时可以使用机器学习（4）

机器学习基石笔记5——为什么机器可以学习（1）

机器学习基石笔记6——为什么机器可以学习（2）

机器学习基石笔记7——为什么机器可以学习（3）

机器学习基石笔记8——为什么机器可以学习（4）

机器学习基石笔记9——机器可以怎样学习（1）

机器学习基石笔记10——机器可以怎样学习（2）

机器学习基石笔记11——机器可以怎样学习（3）

机器学习基石笔记12——机器可以怎样学习（4）

机器学习基石笔记13——机器可以怎样学得更好（1）

机器学习基石笔记14——机器可以怎样学得更好（2）

机器学习基石笔记15——机器可以怎样学得更好（3）

机器学习基石笔记16——机器可以怎样学得更好（4）

五、Training versus Testing

训练与测试。

5.1 Recap and Preview

回顾以及预览。

首先回顾一下上一章学过的内容，学习在何种情况下是可行的。

在可学习的数据来自于一个统一的分布（distribution），且假设空间中的假设函数为有限个的情况下，其学习流程图如图5-1所示。

图5-1 一种可行的学习流程图

此图和前几章中的流程图最大的不同是加入了一个模块，准确的说是一种假设情况，假设训练数据样本和未知的测试样本来自同一的分布（这点尤为重要现有的大部分机器学习算法都从这点出发，好像迁移学习不是），并且假设空间的假设是有限的情况下，即|H| = M，M是有限的值，在训练样本N足够大，假设空间中的所有的假设都会遵循PAC准则，确保，每一个假设函数都可以满足近似相等的性质，因此可以通过算法在这些假设空间中找一个的假设，同样PAC也保证了。因此可以说机器学习在这种情况下是可行的。（训练样本和测试样本满足同分布，假设空间有限，并且训练数据足够大）