更改算法
WordPress系统的用户密码是保存在wp_users数据表的user_pass字段，密码是通过Portable php password hashing framework类产生的，密码的形式是随机且不可逆，同一个明文的密码在不同时间，产生的密文也不一样，相对来说较为安全。
WordPress用户密码产生的过程是，当需要生成用户密码的时候，随机产生了一个salt，然后将salt和password相加，又进行了count次md5，最后和encode64的hash数值累加，就得到了一个以$P$开头的密码，这个密码每次产生的结果都不一样，下面就是产生WordPress密码的代码，将其放在WordPress根目录下，就可以生成一个加密的password，用这个密码替换掉wp_users数据表的user_pass字段即可修改密码。
<?php
$password = 'abc';
global $wp_hasher;
if ( empty($wp_hasher) ) {
require_once( './wp-includes/class-phpass.php');
$wp_hasher = new PasswordHash(8, TRUE);
}
echo $wp_hasher->HashPassword($password);
?>
不过，修改WordPress用户密码还有更简单的方法，就是直接将wp_users数据表的user_pass字段修改为32位的md5(passowrd)即可修改密码为password，这样的密码形式当然不是很安全，所以，当这个用户在WordPress登录后，系统会自动将MD5密码修改为以$P$开头的密码。
WordPress的这种支持简单md5格式的密码使得其他系统（例如Ucenter系统）的用户整合WordPress更为简单。
希望可以帮到你！
2. 如何修改基本决策树算法，以便考虑每个广义数据元组
a) 如何修改基本决策树算法，以便考虑每个广义数据元组（即每一行） 如何修改基本决策树算法，以便考虑每个广义数据元组（ 即每一行） 的 count？ ？ b) 使用修改过的算法，构造给定数据的决策树。 使用修改过的算法，构造给定数据的决策树。 c) 给定一个数据元组，它的属性 department，age 和 salary 的值分别 给定一个数据元组， ， 为“systems”“26…30” 和“46K…50K” 该元组 status 的朴素贝 ” 6 ， ” ， K ” 。 叶斯分类是什么？ 叶斯分类是什么？ 1. 为给定的数据设计一个多层前馈神经网络。标记输入和输出层节 点。 2. 使用上面得到的多层前馈神经网络， 给定训练实例 （sales， senior， 31…35，46K…50K） ，给出后向传播算法一次迭代后的权重值。指出 你使用的初始权重和偏倚以及学习率。 解答： 解答： (a) 如何修改基本决策树算法，以便考虑每个广义数据元组（即每一行）的 count？ (b) 使用修改过的算法，构造给定数据的决策树。 (c) 给定一个数据元组，它的属性 department，age 和 salary 的值分别为 “systems”“26…30” ， ，和“46K…50K” 。该元组 status 的朴素贝叶斯分 类是什么？ 解一： 解一：设元组的各个属性之间相互独立，所以先求每个属性的类条件概率： P(systems|junior)=(20+3)/(40+40+20+3+4+6)=23/113; P(26-30|junior)=(40+3+6)/113=49/113； P(46K-50K|junior)=(20+3)/113=23/113； ∵ X=(department=system,age=26…30,salary=46K…50K)； ∴ P(X|junior)=P(systems|junior)P(26-30|junior)P(46K-50K|junior) =23×49×23/1133=25921/1442897=0.01796； P(systems|senior)=(5+3)/(30+5+3+10+4)=23/52; P(26-30|senior)=(0)/53=0; P(46K-50K|senior)=(30+10)/52=40/52； ∵ X=(department=system,age=26…30,salary=46K…50K)； ∴ P(X|senior)=P(systems|senior)P(26-30|senior)P(46K-50K|senior)=0; ∵ P(junior)=113/165=0.68； ∵ P(senior)=52/165=0.32； ∴ P(X|junior)P(junior)=0.01796×0.68=0.0122128>0=0=P(X|senior)P(senior)； 所以：朴素贝叶斯分类器将 X 分到 junior 类。 解二： 解二：设元组的各属性之间不独立，其联合概率不能写成份量相乘的形式。 所以已知：X=(department=system,age=26…30,salary=46K…50K)，元组总数 为：30+40+40+20+5+3+3+10+4+4+6=165。 先验概率： 当 status=senior 时，元组总数为：30+5+3+10+4=52，P(senior)=52/165=0.32； 当 status=junior 时 ， 元 组 总 数 为 ： 40+40+20+3+4+6=113 ， P(junior)=113/165=0.68； 因为 status=senior 状态没有对应的 age=26…30 区间，所以：P(X|senior)=0； 因为 status=junior 状态对应的 partment=systems、age=26…30 区间的总元组 数为：3，所以：P(X|junior)=3/113； 因为：P(X|junior)P(junior)=3/113×113/165＝0.018>0=P(X|senior)P(senior)； 所以：朴素贝叶斯分类器将 X 分到 junior 类。 (d) 为给定的数据设计一个多层前馈神经网络。标记输入和输出层节点。 (e) 使用上面得到的多层前馈神经网络，给定训练实例（sales，senior，31… 35，46K…50K） ，给出后向传播算法一次迭代后的权重值。指出你使用的 初始权重和偏倚以及学习率。 7.3.1 判定树归纳 判定树归纳的基本算法是贪心算法，它以自顶向下递归的划分-控制方式构造判定树。 算法在图 7.3 中， 是一种着名的判定树算法 ID3 版本。 算法的扩展将在 7.3.2 到 7.3.6 小节 讨论。算法的基本策略如下： 树以代表训练样本的单个结点开始（步骤 1）。 如果样本都在同一个类，则该结点成为树叶，并用该类标号（步骤 2 和 3）。 否则， 算法使用称为信息增益的基于熵的度量作为启发信息， 选择能够最好地将样本分 类的属性（步骤 6）。该属性成为该结点的“测试”或“判定”属性（步骤 7）。在算 法的该版本中，所有的属性都是分类的，即离散值。连续属性必须离散化。 对测试属性的每个已知的值，创建一个分枝，并据此划分样本（步骤 8-10）。 算法使用同样的过程， 递归地形成每个划分上的样本判定树。 一旦一个属性出现在一个 结点上，就不必该结点的任何后代上考虑它（步骤 13）。 递归划分步骤仅当下列条件之一成立停止： (a) 给定结点的所有样本属于同一类（步骤 2 和 3）。 (b) 没有剩余属性可以用来进一步划分样本 （步骤 4） 在此情况下， 。 使用多数表决 （步 多数表决 骤 5）。这涉及将给定的结点转换成树叶，并用样本中的多数所在的类标记它。替 换地，可以存放结点样本的类分布。 (c) 分枝 test_attribute = a i 没有样本（步骤 11）。在这种情况下，以 samples 中 的多数类创建一个树叶（步骤 12）。 属性选择度量 在树的每个结点上使用信息增益 信息增益度量选择测试属性。 这种度量称作属性选择度量或分裂 信息增益 的优劣度量。选择具有最高信息增益（或最大熵压缩）的属性作为当前结点的测试属性。该 属性使得对结果划分中的样本分类所需的信息量最小，并反映划分的最小随机性或 “不纯 性”。这种信息理论方法使得对一个对象分类所需的期望测试数目最小，并确保找到一棵简 单的（但不必是最简单的）树。 设 S 是 s 个数据样本的集合。假定类标号属性具有 m 个不同值， 定义 m 个不同类 Ci (i = 1,..., m)。设 si 是类 Ci 中的样本数。对一个给定的样本分类所需的期望信息由下式给出： I ( s1 , s 2 ,..., s m ) = ? m ∑p i =1 i log 2 ( pi ) (7.1) 其中，pi 是任意样本属于 Ci 的概率，并用 si /s 估计。注意，对数函数以 2 为底，因为 信息用二进位编码。 设属性 A 具有 v 个不同值{a1 ,..., av}。 可以用属性 A 将 S 划分为 v 个子集{S1 ,..., Sv}； 其中，Sj 包含 S 中这样一些样本，它们在 A 上具有值 aj。如果 A 选作测试属性（即，最好的 划分属性），则这些子集对应于由包含集合 S 的结点生长出来的分枝。设 sij 是子集 Sj 中类 Ci 的样本数。根据 A 划分子集的熵或期望信息由下式给出： E ( A) = v ∑ j =1 s1 j + ... + s mj s I ( s1 j ,..., s mj ) (7.2) 充当第 j 个子集的权，并且等于子集（即，A 值为 aj）中的样本个数除 s 以 S 中的样本总数。熵值越小，子集划分的纯度越高。注意，对于给定的子集 Sj， 项 s1 j + ... + s mj I ( s1 j , s 2 j ,..., s mj ) = ? m ∑p i =1 ij log 2 ( p ij ) (7.3) 其中， pij = s ij |Sj | ，是 Sj 中的样本属于 Ci 的概率。 在 A 上分枝将获得的编码信息是 Gain( A) = I ( s1 , s 2 ,..., s m ) ? E ( A) (7.4) 换言之，Gain(A)是由于知道属性 A 的值而导致的熵的期望压缩。 算法计算每个属性的信息增益。具有最高信息增益的属性选作给定集合 S 的测试属性。 创建一个结点，并以该属性标记，对属性的每个值创建分枝，并据此划分样本。 判定树归纳。表 7.1 给出了取自 AllElectronics 顾客数据库数据元组训练集。 例 7.2 判定树归纳 （该数据取自[Qui86]）。类标号属性 buys_computer 有两个不同值（即, {yes, no}），因 此有两个不同的类(m = 2)。设类 C1 对应于 yes，而类 C2 对应于 no。类 yes 有 9 个样本，类 no 有 5 个样本。为计算每个属性的信息增益，我们首先使用(7.1)式，计算对给定样本分类 所需的期望信息： I ( s1 , s 2 ) = I (9,5) = ? 表 7.1 RID 1 2 3 4 5 6 7 8 9 10 11 12 13 14 age <=30 <=30 31...40 >40 >40 >40 31...40 <=30 <=30 >40 <=30 31...40 31...40 >40 9 9 5 5 log 2 ? log 2 = 0.940 14 14 14 14 AllElectronics 顾客数据库训练数据元组 income high high high medium low low low medium low medium medium medium high medium student no no no no yes yes yes no yes yes yes no yes no credit_rating fair excellent fair fair fair excellent excellent fair fair fair excellent excellent fair excellent Class: buys_computer no no yes yes yes no yes no yes yes yes yes yes no 下一步，我们需要计算每个属性的熵。让我们从属性 age 开始。我们需要观察 age 的每 个样本值的 yes 和 no 分布。我们对每个分布计算期望信息。 对于 age = ”<=30” 对于 age = ”31...40” 对于 age = ”>40” s11 = 2 s12 = 4 s13 = 3 s21 = 3 s22 = 0 s23 = 2 I(s11, s21) = 0.971 I(s12, s22) = 0 I(s13, s23) = 0.971 使用(7.2)式，如果样本按 age 划分，对一个给定的样本分类所需的期望信息为： 5 4 5 I ( s11 , s 21 ) + I ( s12 , s 22 ) + I ( s13 , s 23 ) = 0.694 14 14 14 因此，这种划分的信息增益是 E (age) = gain(age) = I ( s1 , s 2 ) ? E (age) = 0.246 类 似 地 ， 我 们 可 以 计 算 Gain(income) = 0.029, Gain(student) = 0.151 和 Gain(credit_rating) = 0.048。由于 age 在属性中具有最高信息增益，它被选作测试属性。 创建一个结点，用 age 标记，并对于每个属性值，引出一个分枝。样本据此划分，如图 7.4 所示。注意，落在分区 age = “31...40”的样本都属于同一类。由于它们都属于同一类 yes， 因此要在该分枝的端点创建一个树叶， 并用 yes 标记。 算法返回的最终判定树如图 7.2 所示。 图 7.4：属性 age 具有最高信息增益， 因此成为判定树根的测 试属性。由每个 age 引出分枝，样本据此划分 总而言之，判定树归纳算法已在广泛的应用领域用于分类。这种系统不使用领域知识。 判定树归纳的学习和分类步骤通常很快。 7.4.2 朴素贝叶斯分类 朴素贝叶斯分类，或简单贝叶斯分类的工作过程如下： 1. 每个数据样本用一个 n 维特征向量 X = {x1 , x 2 ,..., x n } 表示，描述由属性 A1 , A2 ,..., An 对样本的 n 个度量。 2. 假定有 m 个类 C1 , C 2 ,..., C m 。给定一个未知的数据样本 X（即，没有类标号），分类法将预测 X 属于具有最高后验 概率（条件 X 下）的类。即，朴素贝叶斯分类将未知的样本分配给类 Ci ，当且仅当： P (C i | X ) > P(C j | X ) 1≤ j ≤ m j ≠ i. 这样，我们最大化 P(C i | X ) 。其 P(C i | X ) 最大的类 Ci 称为最大后验假定。根据贝叶斯定理((7.5)式), P (C i | X ) = P ( X | C ) P (C ) i i P( X ) (7.6) 3． 由于 P(X) 对于所有类为常数，只需要 P( X | Ci )P(Ci ) 最大即可。如果类的先验概率未知，则通常假定这些类是等 概率的；即， P(C1 ) = P (C 2 ) = ... = P(C m ) 。并据此对只 P(C i | X ) 最大化。否则，我们最大化 P( X | Ci )P(Ci ) 。注意， 类的先验概率可以用 P (C i ) = s i s 计算；其中，si 是类 C 中的训练样本数，而 s 是训练样本总数。 4． 给定具有许多属性的数据集，计算 P( X | Ci ) 的开销可能非常大。为降低计算 P( X | Ci ) 的开销，可以做类条件独立 类条件独立 的朴素假定。给定样本的类标号，假定属性值条件地相互独立。即，在属性间，不存在依赖关系。这样， P( X | C i ) = ∏ p( x k =1 n k | Ci ) （7.7） 概率 P(x1 | Ci ) , P(x2 | Ci ) ,..., P(xn | Ci ) 可以由训练样本估值，其中， (a) 如果 Ak 是分类属性，则 P ( x k | C i ) = s ik s i ；其中 sik 是在属性 Ak 上具有值 xk 的类 Ci 的训练样本数，而 si 是 Ci 中的训练样本数。 (b) 如果是连续值属性，则通常假定该属性服从高斯分布。因而， P ( x k | C i ) = g ( x k , ? C i , σ Ci ) = 1 2π σ Ci ? ( x ? ?Ci ) 2 2 2σ Ci e （7.8） 其中，给定类 Ci 的训练样本属性 Ak 的值， g ( x k , ? Ci , σ Ci ) 是属性 Ak 的高斯密度函数 高斯密度函数，而 ? Ci , σ Ci 分别为平 高斯密度函数 均值和标准差。 5． 为对未知样本 X 分类，对每个类 Ci，计算 P( X | Ci )P(Ci ) 。样本 X 被指派到类 Ci，当且仅当： P( X | C i ) P (C i ) > P ( X | C j ) P (C j ) 1≤ j ≤ m j ≠ i. 换言之，X 被指派到其 P( X | Ci )P(Ci ) 最大的类 Ci。 “贝叶斯分类的效率如何？”理论上讲，与其它所有分类算法相比，贝叶斯分类具有最小的出错率。然而，实践 中并非总是如此。这是由于对其应用的假定（如，类条件独立性）的不正确性，以及缺乏可用的概率数据造成的。然 而，种种实验研究表明，与判定树和神经网络分类算法相比，在某些领域，该分类算法可以与之媲美。 贝叶斯分类还可以用来为不直接使用贝叶斯定理的其它分类算法提供理论判定。例如，在某种假定下，可以证明 正如朴素贝叶斯分类一样，许多神经网络和曲线拟合算法输出最大的后验假定。 使用朴素贝叶斯分类预测类标号： 我们希望使用朴素贝叶斯分 例 7.4 使用朴素贝叶斯分类预测类标号 给定与例 7.2 判定树归纳相同的训练数据， 类预测一个未知样本的类标号。训练数据在表 7.1 中。数据样本用属性 age, income, student 和 credit_rating 描述。 类标号属性 buys_computer 具有两个不同值（即，{yes, no}）。设 C1 对应于类 buys_computer = “yes”，而 C2 对应于 类 buys_computer = “no”。我们希望分类的未知样本为： X = (age =" <= 30" , income =" medium" , student =" yes" , credit _ rating =" fair" ). 我们需要最大化 P( X | Ci )P(Ci ) ，i = 1,2。每个类的先验概率 P(Ci ) 可以根据训练样本计算： P(buys_computer = yes) = 9/14 = 0.643 P(buys_computer = no) = 5/14 = 0.357 为计算 P( X | Ci ) ， i = 1,2。我们计算下面的条件概率: P(age = “<30” | buys_computer = “yes”) = 2/9 = 0.222 P(age = “<30” | buys_computer = “no”) = 0.600 = P(income =“medium” | buys_computer = “yes”) 0.444 P(income = “medium” | buys_computer = = “no”) 0.400 P(student = “yes” | buys_computer = = “ yes”) 0.667 P(student = “yes” | buys_computer = = “no”) 0.200 P(credit_rating = “fair” | = 0.667 buys_computer = “yes”) P(credit_rating = “fair” | = 0.400 buys_computer = “no”) 3/5 = 4/9 = 2/5 = 6/9 = 1/5 = 6/9 = 2/5 = 使用以上概率，我们得到： P(X | buys_computer = “yes”) = 0.222×0.444×0.667×0.667 = 0.044 P(X | buys_computer = “no”) = 0.600×0.400×0.200×0.400 = 0.019 P(X | buys_computer = “yes”) P(buys_computer = “yes”) = 0.044×0.643 = 0.028 P(X | buys_computer = “no”) P(buys_computer = “no”) = 0.019×0.357 = 0.007 因此，对于样本 X，朴素贝叶斯分类预测 buys_computer =” yes”。
3. C#中更改的算法
浮云
4. 如何改进算法，提高程序效率
从根本上了解算法是怎么执行的，这样可以做到一通百通。
一般来说，降低时间复杂度是比较好的方法。 有时候，占用更多的内存可以帮助程序更快的运行。还有就是选用效率高的语言，例如C。
5. 如何修改快速排序算法才能使其将输入元素按非增序排序
指按降序排序。提供C语言的代码参考：
#include <stdio.h>
void out(int a[], int n)
{
int i;
for(i=0;i<n;i++)
{
printf("%d ",a[i]);
}
}
void quicksort(int a[], int low, int high)
{
if (low >= high) return;
int first = low;
int last = high;
int key = a[first];
while (first<last)
{
while (first<last&&a[last] <=key) --last;
a[first] = a[last];
while (first<last&&a[first] >= key) ++first;
a[last] = a[first];
}
a[first] = key;
quicksort(a, low, first - 1);
quicksort(a, first + 1, high);
}
void main()
{
int a[10]={34,3,29,63,70,16,85,82,90,93};
quicksort(a,0,10);
out(a,10);
}
(5)更改算法扩展阅读：
快速排序的基本思想是:通过一趟排序算法把所需要排序的序列的元素分割成两大块，其中，一部分的元素都要小于或等于另外一部分的序列元素，仍根据该种方法对划分后的这两块序列的元素分别再次实行快速排序算法，排序实现的整个过程可以是递归的来进行调用，最终能够实现将所需排序的无序序列元素变为一个有序的序列。
经处理后的数据便于筛选和计算，大大提高了计算效率。对于排序，我们首先要求其具有一定的稳定性，即当两个相同的元素同时出现于某个序列之中，则经过一定的排序算法之后，两者在排序前后的相对位置不发生变化。换言之，即便是两个完全相同的元素，它们在排序过程中也是各有区别的，不允许混淆不清。
6. 抖音现在改了算法会有什么影响
怎么理解呢？简单来说，就是当用户发布一个视频时，铁粉、近期关注人以及粉丝群粉丝会是该视频的主要观看者，如果作品播放效果不佳，那就很难进入更大的公域流量池。
“最近很多帐号流量出现严重下滑，大部分原因是因为抖音算法调整。”
有知情人士指出，在以前的视频流量里，普遍可以获得200-500不等的基础播放值，其中以陌生流量占比大。
而抖音的此次算法改动，则是将以前的“标签”推荐为主的机制升级为“粉丝成长”的粉丝推荐逻辑，主要就是为了增加作品在核心粉丝群体面前的曝光率，将原本追求粉丝增量、转变的策略为更强调用户留存。如果还想知道更多关于抖音的知识可以去知乎、网络贴吧看看还可以直接网络搜索也可以到28推新者大陆的社区去看看都能找到相关的知识
7. matlab排序算法如何修改
算法有多啊基本算法、数据结构算法、数论与代数算法、计算几何算法、图论算法、动态规划及数值分析、加密算法、排序算法、检索算法、随机化算法、并行算法等等
matlab里面建议去下载相应工具箱数学建模工具箱有多编写好算法求短路径Dijkstra算法等等装好help dijkstra查用法
8. 如何更改动易加密算法
我不知道您说的是不是动易的程序的加密文件。
先说ASP的：
动易的2006版本把组件封装到了.DLL文件里，使用网站的时候需要安装DLL组件，这个组件地址和ASP的DLL组件放在一起了。
6.0版本以后的都是开源的了，没有进行加密可以随便改。
再说ASP.net版的程序，
动易的.net版也是加密的，用的是.net自带的封装技术，也是.dll封装的，放在/bin/文件下，是.net自带的功能所以不用另行安装什么组件。
.net版本就分开发和发布两部分，发布出来的就是加密的了。
是否能破解？
.DLL组件是微软沿用到现在的封装技术，明确告诉你，无法破解或反编译，如果您能，就证明微软被破解了，微软必须开发新的封装技术了。
如果您说的是用户的密码加密文件，就是MD5的，找MD5文件替换就行了，这个是可以改的，我觉的您的我问题提的优点模糊呵呵
如还不明白，或者我理解错误请站内短信通知我，我会给您解答！
9. 如何算改进了一个算法，怎么改才叫改进了呢
我认为，所谓“改进”就是使发现原算法的不足之处，并优化之，结果是使该算法效率大大提高高，或者适用度更广泛，如果“改进”后的算法不比之前的更优，就不能算改进。反之，只要能够大大提高改算法的效率，或者使该算法适用度更广，就算是改进。至于改进一个细节，如果是一个重要的细节，当然也算是改进。
不过，算法都是高手发明的，他们在公布之前一定将这种算法优化过了，如果要再改进，那一定要非常细心或者比他更高才行。
10. 百度为什么要经常改变算法呢
算法的改变，肯定是为了用户体验，也让网站更有“秩序”，不管网络怎么去变，用户体验是不会变的