基本定时器。

W25Q16、 W25Q32 和 W25Q64 支持标准的 SPl接口，传输速率最大 75 MHz，采用四线制，即4个引脚。① 串行 时钟引脚 （CLK）② 芯片 选择引脚 （CS）③ 串行数据 输出引脚（DO）④ 串行数据 输入 / 输出引脚（DIO）：在普通情况下，该引脚是串行输入引脚（DI），当使用快读双输出指令时，该 引脚就变成了 输出引脚，在 这种情况下，芯片就有2个 DO引脚，所以称为

AT24C02是 低工作电压的 2Kb 串行电可擦除只读存储器，可存储256个字节数据，内部有一个16字节页写缓冲器。AT24C02工作电压 1.8～5.5V，采用二线制IIC数据传输协议，支持硬件写保护，能擦写 100万次，数据可保存 100年。通过器件地址输入端A0、A1和 A2可以实现将最多 8个 AT24C02器件 连接到 IIC总线上。补：EEPROM 是一种掉电后数据不丢失的储存器，常

决策树（Decision Tree）是一种非参数的有监督学习方法，它能够从一系列有特征和标签的数据中总结出决策规则，并用树状图的结构来呈现这些规则，以解决分类和回归问题。决策树算法容易理解，适用各种数据，在解决各种问题时都有良好表现，尤其是以树模型为核心的各种集成算法，在各个行业和领域都有广泛的应用。

XGBoost 全称 是 eXtreme Gradient Boosting，可译为 极限梯度提升算法。它由 陈天奇所设计，致力于 让提升树突破自身的 计算极限，以实现 运算快速，性能优秀的 工程目标。与决策树、SVM 等不同，它是一个集大成的机器学习算法。

XGBoost 全称 是 eXtreme Gradient Boosting，可译为 极限梯度提升算法。它由 陈天奇所设计，致力于 让提升树突破自身的 计算极限，以实现 运算快速，性能优秀的 工程目标。与决策树、SVM 等不同，它是一个集大成的机器学习算法。

中间的 虚线代表着，当 recall 增加 1%，我们的 FPR 也增加 1%，也就是说，每 捕捉出 一个少数 类，就会 有一个 多数类 被判错，这种情况下，模型的效果就不好，这种 模型捕获 少数类的结果，会让许多多数类 被误伤，从而增加成本。横坐标是 FPR，代表着 模型将多数类判断错误的 能力，纵坐标 Recall，代表着模型捕捉少数类的 能力，所以 ROC 曲线 代表着，随着Recall 的

① 大多数机器学习算法中，会选择 StandardScaler 来进行 特征缩放，因为 MinMaxScaler 对异常值 非常敏感。MinMaxScaler 在不涉及距离 度量、梯度、协方差计算以及数据 需要被时使用广泛。② 在嵌入法下，我们 很容易就能够实现 特征选择的目标：减少计算量，提升模型表现。因此，比起要思考 很多统计量的 过滤法来说，嵌入法 可能是更有效的一种方法。然而，在 算法本身

设置 betas=(opt.b1, opt.b2) 有什么 实际的作用？通俗易懂的讲一下betas=(opt.b1, opt.b2) 是怎样 更新学习率的？

存储器按其存储介质特性主要分为两大类（ “ 易失 / 非易失 ” 是指存储器断电后，它的特性 ）。由于一般易失性存储器存取速度快，而非易失性存储器可长期保存数据，所以它们都在计算机中占据着重要角色。随机存储器“随机存取”，指的是当存储器中的消息被读取或写入时，所需要的时间与这段信息所在的位置无关。现在RAM已经专门用于。根据RAM 的存储机制，又分为（Dynamic RAM） 以及（Static