哈希游戏- 哈希游戏平台- 哈希游戏官方网站

　　其次，刚才讲了哈希表达到负载因子时会怎样？会扩容对吧，也就是 table.length 会变化，且会搬移元素。那么这个搬移数据的过程，是不是要用 hash 函数重新计算 key 的哈希值，然后放到新的 table 数组中？而这个 hash 函数，它计算出的值依赖 table.length。也就是说，哈希表自动扩容后，同一个 key 的哈希值可能变化，即这个 key-value 对儿存储在 table 的索引也变了，所以遍历结果的顺序就和之前不一样了。

　　遍历哈希表的 key，本质就是遍历哈希表底层的 table 数组，如果一边遍历一边增删元素，如果遍历到一半，插入/删除操作触发了扩缩容，整个 table 数组都变了，那么请问，接下来应该是什么行为？还有，在遍历过程中新插入/删除的元素，是否应该被遍历到？扩缩容导致 key 顺序变化是哈希表的特有行为，但即便排除这个因素，任何其他数据结构，也都不建议在遍历的过程中同时进行增删，否则很容易导致非预期的行为。如果你非要这样做，请确保查阅了相关文档，做到心里有数。

　　所谓不可变类型，就是说这个对象一旦创建，它的值就不能再改变了。比如 Java 中的 String, Integer 等类型，一旦创建了这些对象，你就只能读取它的值，而不能再修改它的值了。作为对比，Java 中的 ArrayList、LinkedList 这些对象，它们创建出来之后，可以往里面随意增删元素，所以它们是可变类型。因此，你可以把 String 对象作为哈希表的 key，但不能把 ArrayList 对象作为哈希表的 key：

　　本文系统介绍了机器学习模型评估的核心指标与方法。首先阐述了混淆矩阵的构成（TP/FP/FN/TN），并基于此详细讲解了准确率、精确率、召回率和F1分数的计算原理和适用场景。特别指出准确率在不平衡数据中的局限性，强调精确率（减少误报）和召回率（减少漏报）的权衡关系。然后介绍了ROC曲线和AUC值的解读方法，说明如何通过调整分类阈值来优化模型性能。最后总结了不同业务场景下的指标选择策略：高精度场景侧重精确率，高召回场景关注召回率，平衡场景优选F1分数，不平衡数据则推荐使用AUC评估。

　　本文系统介绍了损失函数在机器学习中的核心作用。首先通过类比教学场景，阐释损失函数作为模型导师的重要性。随后详细解析了回归任务中的均方误差(MSE)和平均绝对误差(MAE)，通过房价预测案例展示了它们对误差的不同处理方式。在分类任务部分，重点讲解了二分类和多分类交叉熵损失函数，使用垃圾邮件识别和图像分类等实例，说明这些函数如何通过概率计算来评估预测准确性。文章通过可视化图表直观呈现了不同损失函数的特点，并强调损失函数作为模型优化的指南针，其设计直接影响学习效果。