与Word无缝集成（自动插入/更新引文和参考文献列表）；支持跨平台（Windows/macOS/iPad）及云端同步（EndNote Web）；提供“期刊匹配”“AI 提取要点”等高级功能（EndNote 2025版）；中文数据库（如知网）直连支持弱于国产工具（如NoteExpress）。‌‌。

在预测时，每个模型都对样本进行预测，得到 N(N-1)/2 个预测结果。然而，它可能会受到类别不平衡问题的影响，因为每个模型的样本分布可能不同。OvO 策略需要训练更多的模型，但它对于类别不平衡的情况更加稳健，因为每个模型只关注两个类别，样本分布相对平衡。在预测时，对于一个新样本，每个模型都会给出一个预测概率或类别标签。在预测速度上，OvR 策略需要计算所有模型的预测结果，而 OvO 策略只需要计

如下图，假设一共有 100 个样本，其中 90 个是正常未患病的人，10 个是患病的人，现在模型预测出 12 个患病的人，88 个未患病的人。是一个常见的机器学习任务，有许多指标来衡量二分类模型的性能，本文将从疾病预测的场景开始，分别介绍二分类的基础指标和综合指标，并进行对比。预测患病的人中，8 人真正患病（真阳性），4 人并未患病（假阳性）。预测未患病的人中，86 人未患病（真阴性），4 人患病

不同的阈值会导致分类结果的变化，当阈值较低时，模型更容易将样本判定为正例，这可能会提高召回率，但精确率可能会降低。相反，当阈值较高时，模型更谨慎地将样本判定为正例，这可能会提高精确率，但召回率可能会降低。精确率的目标是尽可能地减少将负样本错误的预测为正样本的情况，即减少**假阳性**的数量。在疾病预测的例子中，精确率表示模型能够将样本正确预测为患病的能力。F1 分数的取值范围为 0 到 1，其中分

在预测时，每个模型都对样本进行预测，得到 N(N-1)/2 个预测结果。然而，它可能会受到类别不平衡问题的影响，因为每个模型的样本分布可能不同。OvO 策略需要训练更多的模型，但它对于类别不平衡的情况更加稳健，因为每个模型只关注两个类别，样本分布相对平衡。在预测时，对于一个新样本，每个模型都会给出一个预测概率或类别标签。在预测速度上，OvR 策略需要计算所有模型的预测结果，而 OvO 策略只需要计

当我们浏览网页时，每次点击链接都会将新的页面加入到栈中，而当我们点击 “返回” 按钮时，就会将栈顶的页面弹出，这样就可以回到之前的页面了。队列的本质也是一个容器，它可以存储任何类型的数据，但是队列的大小也是固定的。栈的基本操作有两个，即入栈和出栈。栈的本质是一个容器，它可以存储任何类型的数据，但是栈的大小是固定的，因为它的元素只能在栈顶添加或删除。当一个进程需要运行时，就将它加入到队列的队尾，当操

我们发现，节点 还存在未被遍历的边（ 和 ），因此我们从节点 出发，重复步骤 1。将结果序列中的一个 换成这个回路，此时的结果序列即为 ，而图也变成了下面的样子。将结果序列中的一个 换成这个回路，此时的结果序列即为 ，而图也变成了下面的样子。我们通过反证法简要说明一下，为什么步骤 1 中，如果遇到一个节点 不存在未被删除的边（即节点 的度数为 ），那么该节点必然是出发点。首先，假设 ，那么在遍历过

同样地，对于起点而言，离开起点需要“消耗”一条边，而回到起点需要“消耗”另一条边。因此，该节点的度数（连接该节点的边的数量，若一条边的两端是同一个节点则需计算两次）必须为偶数，才能保证我们不被“困在”该节点中。欧拉对哥尼斯堡七桥问题的分析更加抽象化。首先，欧拉将每片地区抽象为一个点，并将每座桥抽象为连接两点的一条线，得到如下抽象图形。与上一节中的分析类似，对于任意一个与起点不同的节点，进入该节点需

如果 pairs 的一个重新排列，满足对每一个下标 i（1 <= i < pairs.length）都有 endi-1 == starti，那么我们就认为这个重新排列是 pairs 的一个合法重新排列。然而，设 pair 的数量有 个，这样构建的图将有 条边（考虑 个 pair 满足 end == 1，另外 个 pair 满足 start == 1 的数据），无法满足本题的数据范围。更妙的是，我们

如果 pairs 的一个重新排列，满足对每一个下标 i（1 <= i < pairs.length）都有 endi-1 == starti，那么我们就认为这个重新排列是 pairs 的一个合法重新排列。然而，设 pair 的数量有 个，这样构建的图将有 条边（考虑 个 pair 满足 end == 1，另外 个 pair 满足 start == 1 的数据），无法满足本题的数据范围。更妙的是，我们