所谓世人

【GridSearchCV，CV调优超参数使用】【K最近邻分类器 KNeighborsClassifier 使用】【交叉验证】

1、GridSearchCV概貌

这个方法适合于小数据集，一旦数据的量级上去了，很难得出结果。

如何实现自动调参：GridSearchCV用于系统地遍历多种参数组合，通过交叉验证确定最佳效果参数。

2、坐标下降

数据量比较大的时候可以使用一个快速调优的方法——坐标下降。它其实是一种贪心算法：拿当前对模型影响最大的参数调优，直到最优化；再拿下一个影响最大的参数调优，如此下去，直到所有的参数调整完毕。这个方法的缺点就是可能会调到局部最优而不是全局最优，但是省时间省力，巨大的优势面前，还是试一试吧，后续可以再拿bagging再优化

3、参数和常用的方法

3.1常用方法：

grid.fit()：运行网格搜索

best_params_：描述了已取得最佳结果的参数的组合

best_score_：成员提供优化过程期间观察到的最好的评分

print('网格搜索-度量记录：',grid.cv_results_) # 包含每次训练的相关信息

print('网格搜索-最佳度量值:',grid.best_score_) # 获取最佳度量值

print('网格搜索-最佳参数：',grid.best_params_) # 获取最佳度量值时的代定参数的值。是一个字典

print('网格搜索-最佳模型：',grid.best_estimator_) # 获取最佳度量时的分类器模型

3.2参数

estimator：所使用的分类器，如estimator=RandomForestClassifier(min_samples_split=100,min_samples_leaf=20,max_depth=8,max_features='sqrt',random_state=10), 并且传入除需要确定最佳的参数之外的其他参数。每一个分类器都需要一个scoring参数，或者score方法。

param_grid：值为字典或者列表，即需要最优化的参数的取值，param_grid =param_test1，param_test1 = {'n_estimators':range(10,71,10)}。

scoring :准确度评价标准，默认None,这时需要使用score函数；或者如scoring='roc_auc'，根据所选模型不同，评价准则不同。字符串（函数名），或是可调用对象，需要其函数签名形如：scorer(estimator, X, y)；如果是None，则使用estimator的误差估计函数
cv :交叉验证参数，默认None，使用三折交叉验证。指定fold数量，默认为3，也可以是yield训练/测试数据的生成器。

refit :默认为True,程序将会以交叉验证训练集得到的最佳参数，重新对所有可用的训练集与开发集进行，作为最终用于性能评估的最佳模型参数。即在搜索参数结束后，用最佳参数结果再次fit一遍全部数据集。

iid:默认True,为True时，默认为各个样本fold概率分布一致，误差估计为所有样本之和，而非各个fold的平均。

verbose：日志冗长度，int：冗长度，0：不输出训练过程，1：偶尔输出，>1：对每个子模型都输出。

n_jobs: 并行数，int：个数,-1：跟CPU核数一致, 1:默认值。

pre_dispatch：指定总共分发的并行任务数。当n_jobs大于1时，数据将在每个运行点进行复制，这可能导致OOM，而设置

pre_dispatch参数，则可以预先划分总共的job数量，使数据最多被复制pre_dispatch次

4、K最近邻分类器 KNeighborsClassifier 使用

KNN作为一种有监督分类算法，是最简单的机器学习算法之一，顾名思义，其算法主体思想就是根据距离相近的邻居类别，来判定自己的所属类别。算法的前提是需要有一个已被标记类别的训练数据集，具体的计算步骤分为一下三步：
1、计算测试对象与训练集中所有对象的距离，可以是欧式距离、余弦距离等，比较常用的是较为简单的欧式距离；
2、找出上步计算的距离中最近的K个对象，作为测试对象的邻居；
3、找出K个对象中出现频率最高的对象，其所属的类别就是该测试对象所属的类别。

优点：

特别适合于多分类问题。

缺点：

懒惰算法，进行分类时计算量大，要扫描全部训练样本计算距离，内存开销大，评分慢；

当样本不平衡时，如其中一个类别的样本较大，可能会导致对新样本计算近邻时，大容量样本占大多数，影响分类效果；

可解释性较差，无法给出决策树那样的规则

注意问题：

1、K值的设定
K值设置过小会降低分类精度；若设置过大，且测试样本属于训练集中包含数据较少的类，则会增加噪声，降低分类效果。
通常，K值的设定采用交叉检验的方式（以K=1为基准）
经验规则：K一般低于训练样本数的平方根，k就是我们设置的neighbor的值
2、优化问题
压缩训练样本；
确定最终的类别时，不是简单的采用投票法，而是进行加权投票，距离越近权重越高。
下面这个例子里面的weights，一般只有两个传入的选项

常用的参数

KNeighborsClassifier方法中含有8个参数（以下前两个常用）：
n_neighbors : int, optional (default = 5)：K的取值，默认的邻居数量是5；
weights：确定近邻的权重，“uniform”权重一样，“distance”指权重为距离的倒数，默认情况下是权重相等。也可以自己定义函数确定权重的方式；
algorithm : {'auto', 'ball_tree', 'kd_tree', 'brute'},optional：计算最近邻的方法，可根据需要自己选择；
leaf_size : int, optional (default = 30)
|      Leaf size passed to BallTree or KDTree. This can affect the
|      speed of the construction and query, as well as the memory
|      required to store the tree. The optimal value depends on the
|      nature of the problem.
|
| metric : string or DistanceMetric object (default = 'minkowski')
|      the distance metric to use for the tree. The default metric is
|      minkowski, and with p=2 is equivalent to the standard Euclidean
|      metric. See the documentation of the DistanceMetric class for a
|      list of available metrics.
|
| p : integer, optional (default = 2)
|      Power parameter for the Minkowski metric. When p = 1, this is
|      equivalent to using manhattan_distance (l1), and euclidean_distance
|      (l2) for p = 2. For arbitrary p, minkowski_distance (l_p) is used.
|
| metric_params: dict, optional (default = None)
|      additional keyword arguments for the metric function.

5、GridSearchCV和代入KNN的水仙花例子

from sklearn.datasets import load_iris  # 自带的样本数据集
from sklearn.neighbors import KNeighborsClassifier  # 要估计的是knn里面的参数，包括k的取值和样本权重分布方式
from sklearn.model_selection import GridSearchCV  # 网格搜索和随机搜索

iris = load_iris()

X = iris.data  # 150个样本，4个属性
y = iris.target # 150个类标号

k_range = range(1, 31)  # 优化参数k的取值范围
weight_options = ['uniform', 'distance']  # 代估参数权重的取值范围。uniform为统一取权值，distance表示距离倒数取权值
# 下面是构建parameter grid，其结构是key为参数名称，value是待搜索的数值列表的一个字典结构
param_grid = {'n_neighbors':k_range,'weights':weight_options}  # 定义优化参数字典，字典中的key值必须是分类算法的函数的参数名
print(param_grid)

#KNeighborsClassifier K最近邻分类器
#n_neighbors查询邻居数，默认就是5
knn = KNeighborsClassifier(n_neighbors=5)  # 定义分类算法。n_neighbors和weights的参数名称和param_grid字典中的key名对应


# ================================网格搜索=======================================
# 这里GridSearchCV的参数形式和cross_val_score的形式差不多，其中param_grid是parameter grid所对应的参数
# GridSearchCV中的n_jobs设置为-1时，可以实现并行计算（如果你的电脑支持的情况下）
grid = GridSearchCV(estimator = knn, param_grid = param_grid, cv=10, scoring='accuracy') #针对每个参数对进行了10次交叉验证。scoring='accuracy'使用准确率为结果的度量指标。可以添加多个度量指标
grid.fit(X, y)

print('网格搜索-度量记录：',grid.cv_results_)  # 包含每次训练的相关信息
print('网格搜索-最佳度量值:',grid.best_score_)  # 获取最佳度量值
print('网格搜索-最佳参数：',grid.best_params_)  # 获取最佳度量值时的代定参数的值。是一个字典
print('网格搜索-最佳模型：',grid.best_estimator_)  # 获取最佳度量时的分类器模型

输出的结果如下：

{'n_neighbors': range(1, 31), 'weights': ['uniform', 'distance']}
网格搜索-度量记录： {'mean_fit_time': array([7.00044632e-04, 1.00016594e-04, 2.00033188e-04, 0.00000000e+00,
       0.00000000e+00, 0.00000000e+00, 1.00002289e-03, 1.00004673e-03,
       0.00000000e+00, 0.00000000e+00, 1.00016594e-04, 5.00106812e-04,
       0.00000000e+00, 9.99999046e-04, 1.00002289e-03, 1.00002289e-03,
       0.00000000e+00, 1.00002289e-03, 0.00000000e+00, 1.00004673e-03,
       0.00000000e+00, 0.00000000e+00, 0.00000000e+00, 1.00004673e-03,
       0.00000000e+00, 0.00000000e+00, 0.00000000e+00, 0.00000000e+00,
       1.00004673e-03, 1.00002289e-03, 2.00057030e-04, 4.00042534e-04,
       0.00000000e+00, 0.00000000e+00, 0.00000000e+00, 3.00002098e-04,
       9.99999046e-04, 0.00000000e+00, 1.00002289e-03, 9.99999046e-04,
       0.00000000e+00, 1.00002289e-03, 1.00002289e-03, 0.00000000e+00,
       3.00049782e-04, 0.00000000e+00, 0.00000000e+00, 1.20003223e-03,
       1.00002289e-03, 1.00002289e-03, 0.00000000e+00, 1.00004673e-03,
       0.00000000e+00, 1.00002289e-03, 9.99999046e-04, 1.00002289e-03,
       2.00009346e-04, 9.99927521e-05, 2.00004578e-03, 0.00000000e+00]), 'std_fit_time': array([0.00045829, 0.00030005, 0.00040007, 0.        , 0.        ,
       0.        , 0.00300007, 0.00300014, 0.        , 0.        ,
       0.00030005, 0.00050011, 0.        , 0.003     , 0.00300007,
       0.00300007, 0.        , 0.00300007, 0.        , 0.00300014,
       0.        , 0.        , 0.        , 0.00300014, 0.        ,
       0.        , 0.        , 0.        , 0.00300014, 0.00300007,
       0.00040011, 0.00048995, 0.        , 0.        , 0.        ,
       0.00045826, 0.003     , 0.        , 0.00300007, 0.003     ,
       0.        , 0.00300007, 0.00300007, 0.        , 0.00045833,
       0.        , 0.        , 0.0029598 , 0.00300007, 0.00300007,
       0.        , 0.00300014, 0.        , 0.00300007, 0.003     ,
       0.00300007, 0.00040002, 0.00029998, 0.00400009, 0.        ]), 'mean_score_time': array([0.00090005, 0.00090008, 0.00110002, 0.        , 0.00100005,
       0.        , 0.        , 0.        , 0.00200002, 0.00100002,
       0.00050006, 0.00040002, 0.00220003, 0.00100005, 0.        ,
       0.        , 0.        , 0.001     , 0.00100002, 0.001     ,
       0.        , 0.00100005, 0.00200002, 0.        , 0.        ,
       0.        , 0.00200005, 0.00100002, 0.        , 0.        ,
       0.00040004, 0.00140011, 0.00100002, 0.00100002, 0.00010004,
       0.00030005, 0.00100002, 0.        , 0.        , 0.        ,
       0.00100005, 0.        , 0.        , 0.001     , 0.00150006,
       0.        , 0.00110002, 0.00020001, 0.        , 0.        ,
       0.00100002, 0.001     , 0.        , 0.00100002, 0.        ,
       0.00010002, 0.0006001 , 0.00010004, 0.        , 0.00200007]), 'std_score_time': array([0.00053854, 0.00030003, 0.00298161, 0.        , 0.00300014,
       0.        , 0.        , 0.        , 0.00400004, 0.00300007,
       0.00050006, 0.00048992, 0.00391922, 0.00300014, 0.        ,
       0.        , 0.        , 0.003     , 0.00300007, 0.003     ,
       0.        , 0.00300014, 0.00400004, 0.        , 0.        ,
       0.        , 0.00400009, 0.00300007, 0.        , 0.        ,
       0.00048995, 0.0029053 , 0.00300007, 0.00300007, 0.00030012,
       0.00045833, 0.00300007, 0.        , 0.        , 0.        ,
       0.00300014, 0.        , 0.        , 0.003     , 0.00287234,
       0.        , 0.00298168, 0.00040002, 0.        , 0.        ,
       0.00300007, 0.003     , 0.        , 0.00300007, 0.        ,
       0.00030005, 0.00048998, 0.00030012, 0.        , 0.00400014]), 'param_n_neighbors': masked_array(data=[1, 1, 2, 2, 3, 3, 4, 4, 5, 5, 6, 6, 7, 7, 8, 8, 9, 9,
                   10, 10, 11, 11, 12, 12, 13, 13, 14, 14, 15, 15, 16, 16,
                   17, 17, 18, 18, 19, 19, 20, 20, 21, 21, 22, 22, 23, 23,
                   24, 24, 25, 25, 26, 26, 27, 27, 28, 28, 29, 29, 30, 30],
             mask=[False, False, False, False, False, False, False, False,
                   False, False, False, False, False, False, False, False,
                   False, False, False, False, False, False, False, False,
                   False, False, False, False, False, False, False, False,
                   False, False, False, False, False, False, False, False,
                   False, False, False, False, False, False, False, False,
                   False, False, False, False, False, False, False, False,
                   False, False, False, False],
       fill_value='?',
            dtype=object), 'param_weights': masked_array(data=['uniform', 'distance', 'uniform', 'distance',
                   'uniform', 'distance', 'uniform', 'distance',
                   'uniform', 'distance', 'uniform', 'distance',
                   'uniform', 'distance', 'uniform', 'distance',
                   'uniform', 'distance', 'uniform', 'distance',
                   'uniform', 'distance', 'uniform', 'distance',
                   'uniform', 'distance', 'uniform', 'distance',
                   'uniform', 'distance', 'uniform', 'distance',
                   'uniform', 'distance', 'uniform', 'distance',
                   'uniform', 'distance', 'uniform', 'distance',
                   'uniform', 'distance', 'uniform', 'distance',
                   'uniform', 'distance', 'uniform', 'distance',
                   'uniform', 'distance', 'uniform', 'distance',
                   'uniform', 'distance', 'uniform', 'distance',
                   'uniform', 'distance', 'uniform', 'distance'],
             mask=[False, False, False, False, False, False, False, False,
                   False, False, False, False, False, False, False, False,
                   False, False, False, False, False, False, False, False,
                   False, False, False, False, False, False, False, False,
                   False, False, False, False, False, False, False, False,
                   False, False, False, False, False, False, False, False,
                   False, False, False, False, False, False, False, False,
                   False, False, False, False],
       fill_value='?',
            dtype=object), 'params': [{'n_neighbors': 1, 'weights': 'uniform'}, {'n_neighbors': 1, 'weights': 'distance'}, {'n_neighbors': 2, 'weights': 'uniform'}, {'n_neighbors': 2, 'weights': 'distance'}, {'n_neighbors': 3, 'weights': 'uniform'}, {'n_neighbors': 3, 'weights': 'distance'}, {'n_neighbors': 4, 'weights': 'uniform'}, {'n_neighbors': 4, 'weights': 'distance'}, {'n_neighbors': 5, 'weights': 'uniform'}, {'n_neighbors': 5, 'weights': 'distance'}, {'n_neighbors': 6, 'weights': 'uniform'}, {'n_neighbors': 6, 'weights': 'distance'}, {'n_neighbors': 7, 'weights': 'uniform'}, {'n_neighbors': 7, 'weights': 'distance'}, {'n_neighbors': 8, 'weights': 'uniform'}, {'n_neighbors': 8, 'weights': 'distance'}, {'n_neighbors': 9, 'weights': 'uniform'}, {'n_neighbors': 9, 'weights': 'distance'}, {'n_neighbors': 10, 'weights': 'uniform'}, {'n_neighbors': 10, 'weights': 'distance'}, {'n_neighbors': 11, 'weights': 'uniform'}, {'n_neighbors': 11, 'weights': 'distance'}, {'n_neighbors': 12, 'weights': 'uniform'}, {'n_neighbors': 12, 'weights': 'distance'}, {'n_neighbors': 13, 'weights': 'uniform'}, {'n_neighbors': 13, 'weights': 'distance'}, {'n_neighbors': 14, 'weights': 'uniform'}, {'n_neighbors': 14, 'weights': 'distance'}, {'n_neighbors': 15, 'weights': 'uniform'}, {'n_neighbors': 15, 'weights': 'distance'}, {'n_neighbors': 16, 'weights': 'uniform'}, {'n_neighbors': 16, 'weights': 'distance'}, {'n_neighbors': 17, 'weights': 'uniform'}, {'n_neighbors': 17, 'weights': 'distance'}, {'n_neighbors': 18, 'weights': 'uniform'}, {'n_neighbors': 18, 'weights': 'distance'}, {'n_neighbors': 19, 'weights': 'uniform'}, {'n_neighbors': 19, 'weights': 'distance'}, {'n_neighbors': 20, 'weights': 'uniform'}, {'n_neighbors': 20, 'weights': 'distance'}, {'n_neighbors': 21, 'weights': 'uniform'}, {'n_neighbors': 21, 'weights': 'distance'}, {'n_neighbors': 22, 'weights': 'uniform'}, {'n_neighbors': 22, 'weights': 'distance'}, {'n_neighbors': 23, 'weights': 'uniform'}, {'n_neighbors': 23, 'weights': 'distance'}, {'n_neighbors': 24, 'weights': 'uniform'}, {'n_neighbors': 24, 'weights': 'distance'}, {'n_neighbors': 25, 'weights': 'uniform'}, {'n_neighbors': 25, 'weights': 'distance'}, {'n_neighbors': 26, 'weights': 'uniform'}, {'n_neighbors': 26, 'weights': 'distance'}, {'n_neighbors': 27, 'weights': 'uniform'}, {'n_neighbors': 27, 'weights': 'distance'}, {'n_neighbors': 28, 'weights': 'uniform'}, {'n_neighbors': 28, 'weights': 'distance'}, {'n_neighbors': 29, 'weights': 'uniform'}, {'n_neighbors': 29, 'weights': 'distance'}, {'n_neighbors': 30, 'weights': 'uniform'}, {'n_neighbors': 30, 'weights': 'distance'}], 'split0_test_score': array([1.        , 1.        , 1.        , 1.        , 1.        ,
       1.        , 1.        , 1.        , 1.        , 1.        ,
       1.        , 1.        , 1.        , 1.        , 1.        ,
       1.        , 1.        , 1.        , 1.        , 1.        ,
       1.        , 1.        , 1.        , 1.        , 1.        ,
       1.        , 1.        , 1.        , 0.93333333, 1.        ,
       1.        , 1.        , 0.93333333, 1.        , 1.        ,
       1.        , 0.93333333, 1.        , 1.        , 1.        ,
       0.93333333, 1.        , 0.93333333, 1.        , 0.93333333,
       1.        , 0.93333333, 1.        , 0.93333333, 1.        ,
       0.93333333, 1.        , 0.93333333, 1.        , 0.93333333,
       1.        , 0.93333333, 1.        , 0.93333333, 1.        ]), 'split1_test_score': array([0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333]), 'split2_test_score': array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
       1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
       1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
       1., 1., 1., 1., 1., 1., 1., 1., 1.]), 'split3_test_score': array([0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 1.        , 1.        ,
       1.        , 1.        , 1.        , 1.        , 1.        ,
       1.        , 1.        , 1.        , 1.        , 1.        ,
       1.        , 1.        , 1.        , 1.        , 1.        ,
       1.        , 1.        , 1.        , 1.        , 1.        ,
       1.        , 1.        , 1.        , 1.        , 1.        ,
       1.        , 1.        , 1.        , 1.        , 1.        ,
       1.        , 1.        , 1.        , 1.        , 1.        ,
       1.        , 1.        , 1.        , 1.        , 1.        ,
       1.        , 1.        , 1.        , 1.        , 0.93333333,
       1.        , 0.93333333, 0.93333333, 0.93333333, 0.93333333]), 'split4_test_score': array([0.86666667, 0.86666667, 0.86666667, 0.86666667, 0.86666667,
       0.86666667, 0.86666667, 0.86666667, 0.86666667, 0.86666667,
       0.86666667, 0.86666667, 0.86666667, 0.86666667, 1.        ,
       0.86666667, 1.        , 0.93333333, 1.        , 0.93333333,
       1.        , 0.93333333, 1.        , 0.86666667, 1.        ,
       0.93333333, 1.        , 0.93333333, 1.        , 1.        ,
       1.        , 0.93333333, 1.        , 1.        , 1.        ,
       0.93333333, 1.        , 1.        , 1.        , 0.86666667,
       0.93333333, 0.86666667, 1.        , 0.86666667, 1.        ,
       0.93333333, 1.        , 0.93333333, 1.        , 0.93333333,
       1.        , 0.86666667, 1.        , 1.        , 1.        ,
       0.93333333, 1.        , 1.        , 1.        , 0.93333333]), 'split5_test_score': array([1.        , 1.        , 1.        , 1.        , 1.        ,
       1.        , 1.        , 1.        , 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.86666667,
       0.93333333, 0.93333333, 0.93333333, 0.86666667, 0.93333333,
       0.86666667, 0.93333333, 0.93333333, 1.        , 0.93333333,
       0.93333333, 0.86666667, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.86666667, 0.93333333, 0.93333333, 0.93333333,
       0.86666667, 0.93333333, 0.86666667, 0.93333333, 0.86666667,
       0.93333333, 0.86666667, 0.93333333, 0.86666667, 0.93333333]), 'split6_test_score': array([0.86666667, 0.86666667, 0.86666667, 0.86666667, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333,
       0.93333333, 0.93333333, 0.93333333, 0.93333333, 0.93333333]), 'split7_test_score': array([1.        , 1.        , 0.93333333, 1.        , 1.        ,
       1.        , 1.        , 1.        , 1.        , 1.        ,
       1.        , 1.        , 1.        , 1.        , 0.93333333,
       1.        , 0.93333333, 1.        , 0.93333333, 1.        ,
       0.93333333, 1.        , 0.93333333, 1.        , 1.        ,
       1.        , 1.        , 1.        , 1.        , 1.        ,
       0.93333333, 1.        , 1.        , 1.        , 1.        ,
       1.        , 1.        , 1.        , 1.        , 1.        ,
       1.        , 1.        , 0.93333333, 1.        , 1.        ,
       1.        , 0.93333333, 1.        , 0.93333333, 1.        ,
       0.93333333, 1.        , 1.        , 1.        , 0.93333333,
       1.        , 0.93333333, 1.        , 0.93333333, 1.        ]), 'split8_test_score': array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
       1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
       1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
       1., 1., 1., 1., 1., 1., 1., 1., 1.]), 'split9_test_score': array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
       1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
       1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
       1., 1., 1., 1., 1., 1., 1., 1., 1.]), 'mean_test_score': array([0.96      , 0.96      , 0.95333333, 0.96      , 0.96666667,
       0.96666667, 0.96666667, 0.96666667, 0.96666667, 0.96666667,
       0.96666667, 0.96666667, 0.96666667, 0.96666667, 0.96666667,
       0.96666667, 0.97333333, 0.97333333, 0.96666667, 0.97333333,
       0.96666667, 0.97333333, 0.97333333, 0.97333333, 0.98      ,
       0.97333333, 0.97333333, 0.97333333, 0.97333333, 0.98      ,
       0.97333333, 0.97333333, 0.97333333, 0.98      , 0.98      ,
       0.97333333, 0.97333333, 0.98      , 0.98      , 0.96666667,
       0.96666667, 0.96666667, 0.96666667, 0.96666667, 0.97333333,
       0.97333333, 0.96      , 0.97333333, 0.96666667, 0.97333333,
       0.96      , 0.96666667, 0.96666667, 0.98      , 0.95333333,
       0.97333333, 0.95333333, 0.97333333, 0.95333333, 0.96666667]), 'std_test_score': array([0.05333333, 0.05333333, 0.05206833, 0.05333333, 0.04472136,
       0.04472136, 0.04472136, 0.04472136, 0.04472136, 0.04472136,
       0.04472136, 0.04472136, 0.04472136, 0.04472136, 0.04472136,
       0.04472136, 0.03265986, 0.03265986, 0.04472136, 0.03265986,
       0.04472136, 0.03265986, 0.03265986, 0.04422166, 0.0305505 ,
       0.03265986, 0.04422166, 0.03265986, 0.03265986, 0.0305505 ,
       0.03265986, 0.03265986, 0.03265986, 0.0305505 , 0.0305505 ,
       0.03265986, 0.03265986, 0.0305505 , 0.0305505 , 0.04472136,
       0.03333333, 0.04472136, 0.03333333, 0.04472136, 0.03265986,
       0.03265986, 0.04422166, 0.03265986, 0.03333333, 0.03265986,
       0.04422166, 0.04472136, 0.04472136, 0.0305505 , 0.04268749,
       0.03265986, 0.04268749, 0.03265986, 0.04268749, 0.03333333]), 'rank_test_score': array([52, 52, 57, 52, 29, 29, 29, 29, 29, 29, 29, 29, 29, 29, 29, 29,  8,
        8, 29,  8, 29,  8,  8,  8,  1,  8,  8,  8,  8,  1,  8,  8,  8,  1,
        1,  8,  8,  1,  1, 29, 29, 29, 29, 29,  8,  8, 52,  8, 29,  8, 52,
       29, 29,  1, 57,  8, 57,  8, 57, 29]), 'split0_train_score': array([1.        , 1.        , 0.97037037, 1.        , 0.95555556,
       1.        , 0.95555556, 1.        , 0.96296296, 1.        ,
       0.97037037, 1.        , 0.96296296, 1.        , 0.97037037,
       1.        , 0.97037037, 1.        , 0.97037037, 1.        ,
       0.97037037, 1.        , 0.97037037, 1.        , 0.97777778,
       1.        , 0.97037037, 1.        , 0.97777778, 1.        ,
       0.97037037, 1.        , 0.97777778, 1.        , 0.97777778,
       1.        , 0.97777778, 1.        , 0.97777778, 1.        ,
       0.97777778, 1.        , 0.97777778, 1.        , 0.97777778,
       1.        , 0.97037037, 1.        , 0.97777778, 1.        ,
       0.96296296, 1.        , 0.96296296, 1.        , 0.94814815,
       1.        , 0.95555556, 1.        , 0.94814815, 1.        ]), 'split1_train_score': array([1.        , 1.        , 0.98518519, 1.        , 0.96296296,
       1.        , 0.96296296, 1.        , 0.97037037, 1.        ,
       0.97037037, 1.        , 0.97777778, 1.        , 0.98518519,
       1.        , 0.98518519, 1.        , 0.98518519, 1.        ,
       0.98518519, 1.        , 0.99259259, 1.        , 0.97777778,
       1.        , 0.97777778, 1.        , 0.97777778, 1.        ,
       0.98518519, 1.        , 0.98518519, 1.        , 0.98518519,
       1.        , 0.98518519, 1.        , 0.98518519, 1.        ,
       0.98518519, 1.        , 0.98518519, 1.        , 0.97037037,
       1.        , 0.97777778, 1.        , 0.97777778, 1.        ,
       0.98518519, 1.        , 0.97777778, 1.        , 0.97777778,
       1.        , 0.97777778, 1.        , 0.95555556, 1.        ]), 'split2_train_score': array([1.        , 1.        , 0.97777778, 1.        , 0.95555556,
       1.        , 0.95555556, 1.        , 0.96296296, 1.        ,
       0.97037037, 1.        , 0.97037037, 1.        , 0.97777778,
       1.        , 0.97777778, 1.        , 0.97777778, 1.        ,
       0.98518519, 1.        , 0.98518519, 1.        , 0.97777778,
       1.        , 0.98518519, 1.        , 0.97777778, 1.        ,
       0.98518519, 1.        , 0.97777778, 1.        , 0.97777778,
       1.        , 0.97777778, 1.        , 0.96296296, 1.        ,
       0.97037037, 1.        , 0.95555556, 1.        , 0.96296296,
       1.        , 0.94814815, 1.        , 0.94814815, 1.        ,
       0.93333333, 1.        , 0.94074074, 1.        , 0.94814815,
       1.        , 0.95555556, 1.        , 0.94814815, 1.        ]), 'split3_train_score': array([1.        , 1.        , 0.98518519, 1.        , 0.96296296,
       1.        , 0.96296296, 1.        , 0.97037037, 1.        ,
       0.97777778, 1.        , 0.97037037, 1.        , 0.98518519,
       1.        , 0.98518519, 1.        , 0.97777778, 1.        ,
       0.97777778, 1.        , 0.97777778, 1.        , 0.97777778,
       1.        , 0.97777778, 1.        , 0.97777778, 1.        ,
       0.98518519, 1.        , 0.97777778, 1.        , 0.97777778,
       1.        , 0.97777778, 1.        , 0.97777778, 1.        ,
       0.97777778, 1.        , 0.97777778, 1.        , 0.97777778,
       1.        , 0.97777778, 1.        , 0.97037037, 1.        ,
       0.96296296, 1.        , 0.97037037, 1.        , 0.96296296,
       1.        , 0.97037037, 1.        , 0.94814815, 1.        ]), 'split4_train_score': array([1.        , 1.        , 0.97777778, 1.        , 0.97777778,
       1.        , 0.97777778, 1.        , 0.98518519, 1.        ,
       0.98518519, 1.        , 0.98518519, 1.        , 0.97777778,
       1.        , 0.97777778, 1.        , 0.97777778, 1.        ,
       0.98518519, 1.        , 0.97777778, 1.        , 0.98518519,
       1.        , 0.97777778, 1.        , 0.97777778, 1.        ,
       0.97777778, 1.        , 0.97777778, 1.        , 0.97777778,
       1.        , 0.97777778, 1.        , 0.97777778, 1.        ,
       0.97777778, 1.        , 0.97037037, 1.        , 0.97777778,
       1.        , 0.97037037, 1.        , 0.97037037, 1.        ,
       0.95555556, 1.        , 0.94814815, 1.        , 0.94814815,
       1.        , 0.94814815, 1.        , 0.94814815, 1.        ]), 'split5_train_score': array([1.        , 1.        , 0.97037037, 1.        , 0.95555556,
       1.        , 0.96296296, 1.        , 0.96296296, 1.        ,
       0.95555556, 1.        , 0.97037037, 1.        , 0.97037037,
       1.        , 0.97777778, 1.        , 0.97037037, 1.        ,
       0.98518519, 1.        , 0.97777778, 1.        , 0.98518519,
       1.        , 0.97777778, 1.        , 0.97777778, 1.        ,
       0.97777778, 1.        , 0.98518519, 1.        , 0.98518519,
       1.        , 0.97777778, 1.        , 0.97777778, 1.        ,
       0.97777778, 1.        , 0.97777778, 1.        , 0.97777778,
       1.        , 0.97777778, 1.        , 0.97777778, 1.        ,
       0.96296296, 1.        , 0.97037037, 1.        , 0.96296296,
       1.        , 0.96296296, 1.        , 0.96296296, 1.        ]), 'split6_train_score': array([1.        , 1.        , 0.98518519, 1.        , 0.97037037,
       1.        , 0.97037037, 1.        , 0.97777778, 1.        ,
       0.98518519, 1.        , 0.97777778, 1.        , 0.99259259,
       1.        , 0.99259259, 1.        , 0.98518519, 1.        ,
       0.99259259, 1.        , 0.98518519, 1.        , 0.99259259,
       1.        , 0.99259259, 1.        , 0.98518519, 1.        ,
       0.98518519, 1.        , 0.97777778, 1.        , 0.98518519,
       1.        , 0.98518519, 1.        , 0.98518519, 1.        ,
       0.98518519, 1.        , 0.97777778, 1.        , 0.97777778,
       1.        , 0.97777778, 1.        , 0.97777778, 1.        ,
       0.96296296, 1.        , 0.97037037, 1.        , 0.95555556,
       1.        , 0.96296296, 1.        , 0.96296296, 1.        ]), 'split7_train_score': array([1.        , 1.        , 0.97777778, 1.        , 0.95555556,
       1.        , 0.96296296, 1.        , 0.96296296, 1.        ,
       0.97037037, 1.        , 0.97037037, 1.        , 0.97777778,
       1.        , 0.97037037, 1.        , 0.97777778, 1.        ,
       0.97777778, 1.        , 0.97037037, 1.        , 0.97037037,
       1.        , 0.97777778, 1.        , 0.97777778, 1.        ,
       0.97037037, 1.        , 0.97777778, 1.        , 0.97777778,
       1.        , 0.97777778, 1.        , 0.97777778, 1.        ,
       0.97777778, 1.        , 0.97037037, 1.        , 0.97777778,
       1.        , 0.97777778, 1.        , 0.97777778, 1.        ,
       0.97037037, 1.        , 0.97037037, 1.        , 0.96296296,
       1.        , 0.96296296, 1.        , 0.95555556, 1.        ]), 'split8_train_score': array([1.        , 1.        , 0.97777778, 1.        , 0.95555556,
       1.        , 0.95555556, 1.        , 0.96296296, 1.        ,
       0.97037037, 1.        , 0.97037037, 1.        , 0.97777778,
       1.        , 0.97777778, 1.        , 0.97777778, 1.        ,
       0.97777778, 1.        , 0.98518519, 1.        , 0.97777778,
       1.        , 0.98518519, 1.        , 0.98518519, 1.        ,
       0.97777778, 1.        , 0.97777778, 1.        , 0.97777778,
       1.        , 0.97777778, 1.        , 0.97777778, 1.        ,
       0.97777778, 1.        , 0.97037037, 1.        , 0.97777778,
       1.        , 0.97037037, 1.        , 0.97037037, 1.        ,
       0.96296296, 1.        , 0.97037037, 1.        , 0.94814815,
       1.        , 0.95555556, 1.        , 0.95555556, 1.        ]), 'split9_train_score': array([1.        , 1.        , 0.97777778, 1.        , 0.95555556,
       1.        , 0.97037037, 1.        , 0.97037037, 1.        ,
       0.97037037, 1.        , 0.97777778, 1.        , 0.97777778,
       1.        , 0.97777778, 1.        , 0.96296296, 1.        ,
       0.96296296, 1.        , 0.96296296, 1.        , 0.97777778,
       1.        , 0.97037037, 1.        , 0.97777778, 1.        ,
       0.96296296, 1.        , 0.96296296, 1.        , 0.95555556,
       1.        , 0.96296296, 1.        , 0.94074074, 1.        ,
       0.94814815, 1.        , 0.94814815, 1.        , 0.95555556,
       1.        , 0.95555556, 1.        , 0.94814815, 1.        ,
       0.94074074, 1.        , 0.93333333, 1.        , 0.93333333,
       1.        , 0.94074074, 1.        , 0.94074074, 1.        ]), 'mean_train_score': array([1.        , 1.        , 0.97851852, 1.        , 0.96074074,
       1.        , 0.9637037 , 1.        , 0.96888889, 1.        ,
       0.97259259, 1.        , 0.97333333, 1.        , 0.97925926,
       1.        , 0.97925926, 1.        , 0.9762963 , 1.        ,
       0.98      , 1.        , 0.97851852, 1.        , 0.98      ,
       1.        , 0.97925926, 1.        , 0.97925926, 1.        ,
       0.97777778, 1.        , 0.97777778, 1.        , 0.97777778,
       1.        , 0.97777778, 1.        , 0.97407407, 1.        ,
       0.97555556, 1.        , 0.97111111, 1.        , 0.97333333,
       1.        , 0.97037037, 1.        , 0.96962963, 1.        ,
       0.96      , 1.        , 0.96148148, 1.        , 0.95481481,
       1.        , 0.95925926, 1.        , 0.95259259, 1.        ]), 'std_train_score': array([0.        , 0.        , 0.00518519, 0.        , 0.00744435,
       0.        , 0.00698813, 0.        , 0.00725775, 0.        ,
       0.00814815, 0.        , 0.00592593, 0.        , 0.00645763,
       0.        , 0.00645763, 0.        , 0.00645763, 0.        ,
       0.00814815, 0.        , 0.0084132 , 0.        , 0.00578537,
       0.        , 0.00645763, 0.        , 0.00296296, 0.        ,
       0.00740741, 0.        , 0.00573775, 0.        , 0.00811441,
       0.        , 0.00573775, 0.        , 0.01250514, 0.        ,
       0.00996565, 0.        , 0.01070876, 0.        , 0.0075541 ,
       0.        , 0.00993808, 0.        , 0.01120944, 0.        ,
       0.01373869, 0.        , 0.0143635 , 0.        , 0.01168869,
       0.        , 0.01007516, 0.        , 0.006789  , 0.        ])}
网格搜索-最佳度量值: 0.98
网格搜索-最佳参数： {'n_neighbors': 13, 'weights': 'uniform'}
网格搜索-最佳模型： KNeighborsClassifier(algorithm='auto', leaf_size=30, metric='minkowski',
           metric_params=None, n_jobs=1, n_neighbors=13, p=2,
           weights='uniform')

7、使用最优参数进行预测

8、交叉验证

交叉验证是gridsearchCV的内部的方法：

K-折叠交叉验证

一交叉验证
交叉验证的目的
在实际训练中，模型通常对训练数据好，但是对训练数据之外的数据拟合程度差。用于评价模型的泛化能力，从而进行模型选择。

交叉验证的基本思想
把在某种意义下将原始数据(dataset)进行分组,一部分做为训练集(train set),另一部分做为验证集(validation set or test set),首先用训练集对模型进行训练,再利用验证集来测试模型的泛化误差。另外，现实中数据总是有限的，为了对数据形成重用，从而提出k-折叠交叉验证。

对于个分类或回归问题，假设可选的模型为M={M1,M2,M3……Md}。k-折叠交叉验证就是将训练集的1/k作为测试集，每个模型训练k次，测试k次，错误率为k次的平均，最终选择平均率最小的模型Mi。

1、将全部训练集S分成k个不相交的子集，假设S中的训练样例个数为m，那么每一个子集有m/k个训练样例，相应的子集称作{S1,S2,S3……Sk}。

2、每次从模型集合M中拿出来一个Mi，然后在训练子集中选择出k-1个

{S1,S2,Sj-1,Sj+1,Sk}（也就是每次只留下一个Sj），使用这k-1个子集训练Mi后，得到假设函数hij。最后使用剩下的一份Sj作测试，得到经验错误。

3、由于我们每次留下一个Sj（j从1到k），因此会得到k个经验错误，那么对于一个Mi，它的经验错误是这k个经验错误的平均。

4、选出平均经验错误率最小的Mi，然后使用全部的S再做一次训练，得到最后的hi。

上面这块不是很明白！！！

K折交叉验证

8.1验证方法

你可能感兴趣的:(AI)

玩转github 黄白柴柴 github github
megithub可以给仓库添加开发人员吗4o是的，GitHub允许仓库管理员为仓库添加开发人员，并设置这些开发人员的角色和权限。这里是一个简单的步骤指导，教你如何给一个GitHub仓库添加开发人员：前提条件你必须有这个仓库的权限（通常是Owner或Maintainer）。对于私有仓库和组织仓库，你需要确保对方有一个GitHub账户。步骤1:前往仓库的设置页面打开你的GitHub仓库。点击页面右上角
WPF Prism Module按需加载和自动加载她说彩礼65万 WPF Prism框架 wpf
[Module(ModuleName="ModuleA",OnDemand=true)]publicclassModuleAModule:IModule{publicvoidOnInitialized(IContainerProvidercontainerProvider){varregionManager=containerProvider.Resolve();regionManager.Reg
golang的wails框架在macos下的问题淡淡的id web golang macos wails
1、前言之前练手写了格调用ollamaapi的web应用，想找个容器打包下，于是找到wails来打包，windows下都是很正常的，因为就是普通的http调用，也没遇到cors跨域问题，但是到了macos下使用wailsdev命令启动的客户端却是出现了几个问题。总得来说就是时不时遇到一些浏览器限制相关的问题2、问题2.1、页面出不来就是因为wails在macos使用websocket来
GGR 376 Spatial Autocorrelation 后端
Assignment2:SpatialAutocorrelationandRegressionDueDate:February28th,2025GGR376DatasetSummaries:DatasetFormatDescriptionTransitShapefiles.shpDifferentkindsoftransitdata–raillines,railstops,busstops.You
【AI大模型智能应用】Deepseek生成测试用例柳柳的博客 AI大模型测试用例
在软件开发过程中，测试用例的设计和编写是确保软件质量的关键。然而，软件系统的复杂性不断增加，手动编写测试用例的工作量变得异常庞大，且容易出错。DeepSeek基于人工智能和机器学习，它能够依据软件的需求和设计文档，自动生成高质量的测试用例，显著减轻人工编写测试用例的负担。体验一把用DeepSeek编写测试用例，还生成清晰直观的思维导图，整个流程十分顺畅。这篇文章讲解如何使用deepseek生成功能
kmp报错→Cannot find skiko-windows-x64.dll.sha256 淡淡的id 其他 kotlinKMP
1、前言学习kmp（KotlinMultiPlatform简称）过程中报了错误，这个报错在直接运行desktop的main方法才会出现，用gradle运行却不会报错，新建的kmp项目也不会出现，我学习的写了一些代码的项目才会出现。运行main方法主要是需要运行main方法才能debug，gradle不能debug环境kmp版本：1.7.0gradle版本：8.13kotlin版本：2.1.
95.HarmonyOS NEXT 图片约束处理教程：深入理解Constrain harmonyos-next
温馨提示：本篇博客的详细代码已发布到git:https://gitcode.com/nutpi/HarmonyosNext可以下载运行哦！HarmonyOSNEXT图片约束处理教程：深入理解Constrain1.图片约束基础1.1核心概念概念说明应用场景图片适配类型定义图片如何适应容器图片展示方式偏移约束限制图片移动范围拖拽和缩放边界检测判断是否超出显示范围图片浏览1.2图片适配类型定义expor
【图像分割】Labelme JSON标注转换为TXT代码详解唐king json python
书接上文：https://blog.csdn.net/qq_49092686/article/details/145114987?spm=1001.2014.3001.5502这里给出更细致的json2txt代码，同时考虑了circle、rectangle这两种情况各位朋友，在使用前，你一定要注意你的json格式是不是跟我的一致，不一致的话是用不了的（是不是也用的labelme制作的数据集）imp
linux系统以及pip下载慢问题解决办法 d1st2nt linux pip ubuntu
在虚拟机中，默认下载源是外国的，很慢，所以要换成国内的下载源ubuntu为例：sudovim/etc/apt/sources.list输入i进入插入模式，注释掉之前的下载源，加入下面的，这是清华的，也有其他的，可以在网上搜。#默认注释了源码仓库，如有需要可自行取消注释debhttps://mirrors.tuna.tsinghua.edu.cn/ubuntu/jammymainrestricted
关于py不能导入pyw文件内的class的问题 Auspemak-Derafru python
我有一个window类，调了另外一个py文件里面自己写的class有一天去朋友家玩，顺便想跑一下那个代码，由于他没有编译器，我也没有打包成可执行程序，就安了一个idle。由于我的window类是用qt写的，懒得再pip下载了，就直接在原文件后面加了个main函数，改后缀名为pyw直接跑了回去之后用我的pycham打开，window类直接跑不了了，提示导包错误看了一下竟然是我之前改了的那个文件的问题
FFMPEG实现音频重采样 QQ_1695710968 音频重采样 FFMPEG PCM
技术在于交流、沟通，转载请注明出处并保持作品的完整性。原文：https://blog.csdn.net/hiwubihe/article/details/81259134[音频编解码系列文章]音频编解码基础FFMPEG实现音频重采样FFMPEG实现PCM编码(采用封装格式实现)FFMPEG实现PCM编码(不采用封装格式实现)FAAC库实现PCM编码FAAD库实现RAW格式AAC解码FAAD库实现R
ES6回顾：闭包-＞(优点：实现工厂函数、记忆化和异步实现）、（应用场景：Promise的then与catch的回调、async/await、柯里化函数） 2501_91133322 es6 javascript 开发语言
写在前面：兄弟们，我手里有个长期项目，考虑接私活的可以看看我GitHub！https://github.com/ccy-233/coder2retire1.闭包（Closure）定义：由函数及其引用的外部词法环境变量组成，即使外部函数执行完毕，内部函数仍能访问这些变量。作用：延长外部函数变量的生命周期，使外部可操作内部数据（如模块化封装）。避免全局变量污染，实现私有变量。缺点：不当使用会导致内存泄
简单的题V 琴声码语算法蓝桥杯 c++vector 数组
问题描述wzy给你了一个n×n的01矩阵a，你需要求一下满足ai,j=ai,k=aj,k=1的三元组(i,j,k)的个数。注：给定的矩阵一定满足ai,j=aj,i。同时，(1,2,3),(3,2,1)这种视作同一个三元组，且i≠j,j≠k,i≠k。输入格式第一行输入一个数字nn，表示矩阵大小。(1≤n≤800)接来下n行，每行一个长度为n的01串。输出格式输出满足条件的三元组数量。样例输入4001
【Agent】OpenManus 项目架构分析非晓为骁 AI openManus Manus ai agent 架构 agi
这是我录制的一个视频，主要是描述我理解的OpenManus的思维逻辑，通过这个小的思维逻辑的复现，为后面要再分析其他Agent的实现做一个准备。1.项目概述OpenManus是一个基于大语言模型的智能体框架，旨在提供一个无需邀请码的创意实现平台。项目由MetaGPT社区的贡献者开发，采用Python语言实现。2.系统架构2.1核心组件2.1.1入口层main.py:主程序入口，提供命令行交互界面r
他来了，为大模型量身定制的响应式编程范式（1） —— 从接入 DeepSeek 开始吧 CodeCaster langchain ai java
哒哒哒，他来了！今天我们要介绍一种新型的Java响应式大模型编程范式——FEL。你可能听说过langchain，那么你暂且可以把FEL看作是Java版本的langchain。话不多说，今天我们就从接入当前热门的DeepSeek开始，带大家认识一下FEL。通过FEL，你可以轻松实现大模型应用的编排和运行，开启智能编程的新篇章！️快速上手：轻松接入DeepSeek1.准备环境首先，进入老生常谈的环节—
PowerToys：解锁Windows生产力的终极武器涛涛讲AI AI编程效率工具 PowerToys
欢迎来到涛涛聊AI。今天想着把win键和加号的组合键映射为win键和Q键盘。经过搜索发现PowerToys。在数字化办公的浪潮中，效率是职场人永恒的追求。微软推出的PowerToys作为Windows官方系统强化工具，凭借其强大的功能和开源免费的特性，已成为提升生产力的利器。本文将深入剖析PowerToys的核心功能、应用场景及实践技巧，助你打造个性化的高效工作流。一、为什么选择PowerToys
AI技术学习笔记系列001：FastLanguageModel.get_peft_model 函数各参数的详细解释新说一二人工智能学习笔记
以下是关于代码中FastLanguageModel.get_peft_model函数各参数的详细解释，以及企业实际微调时的选择考量：参数详解及对微调的影响1.r=32（秩）作用：控制LoRA适配器的低秩矩阵的维度（秩），直接影响可训练参数数量。影响：r越大：适配器表达能力更强，能捕捉更复杂的任务特征，但可能导致过拟合（尤其数据量少时），训练时间和显存占用增加。r越小：参数量少，训练更快，显存占用低
查看debian的版本信息翻滚吧键盘 Debian12使用日记 debian chrome 运维
查看debian具体版本信息cat/etc/debian_version12.9其他❯lsb_release-aNoLSBmodulesareavailable.DistributorID:DebianDescription:DebianGNU/Linux12(bookworm)Release:12Codename:bookworm❯cat/etc/os-releasePRETTY_NAME="D
从点灯开始的51单片机生活 shixiexunnie 嵌入式拨云见日 51单片机嵌入式硬件学习单片机
陵谷纷纭新事改，筑台土石未应迟。目录sfr与sbit？不靠定时器的delay_ms延时函数所谓寄存器sfr与sbit？这第一课咱们主要来先理解一下sfr与sbit，以下可能是咱们这些新手朋友常见的点灯代码：#include//reg52.h只定义sfr而没定义sbit可寻址空间的位变量intmain(){while(1){P2_0=0;//P几取决于宁板子上led的对应的gpio}}或者是更底层更
CIFAR-10 数据集的简介一头大学牲 python 深度学习机器学习数据分析
文章目录CIFAR-10数据集的简介文件结构图像数据结构访问数据Python代码CIFAR-10数据集的数据格式CIFAR-10数据集的简介CIFAR-10数据集是一个广泛使用的图像数据集，具体可见CIFAR-10和CIFAR-100数据集，它包含60,000张32x32像素的彩色（3channels）图像，分为10个类别，每个类别有6,000张图像。每个类别的图像数量分布如下：飞机(airpla
QT中的布局管理 m0_55576290 qt qt 开发语言
在Qt中，布局管理器（如QHBoxLayout和QVBoxLayout）的构造函数可以接受一个QWidget*参数，用于指定该布局的父控件。如果指定了父控件，布局会自动将其管理的控件添加到父控件中。在你的代码中，QHBoxLayout和QVBoxLayout的使用方式是正确的，但它们的父控件设置方式有所不同。以下是详细解释：1.QHBoxLayout*mainLayout=newQHBoxLayo
DeepSeek：技术教育领域的AI变革者——从理论到实践的全面解析量子纠缠BUG DeepSeek DeepSeek部署 AI 人工智能 python
一、技术教育为何需要DeepSeek？在数字化转型的浪潮下，技术教育面临着知识更新快、实践门槛高、个性化需求强三大核心挑战。传统的教学模式难以满足开发者快速掌握前沿技术、构建复杂系统能力的需求。DeepSeek作为国产开源大模型的代表，凭借其推理能力、多模态支持与低成本部署的特性，正在为技术教育带来突破性解决方案。二、DeepSeek赋能技术教育的核心技术优势1.推理能力驱动深度学习思维链（CoT
一文搞懂 AI Agent 与 AI 大模型的区别 a小胡哦人工智能 Manus Ai agent
在人工智能蓬勃发展的当下，新术语和新技术层出不穷。AIAgent和AI大模型便是其中的“明星”，但不少人对它们的区别感到困惑。今天，我们就以Manus这类AIAgent为例，深入剖析AIAgent与一般AI大模型的不同之处。Manus：Manus定义与核心能力AI大模型AI大模型是基于深度学习架构，通过海量数据训练得到的复杂模型，像GPT-4、文心一言等。它们具备强大的知识储备和语言理解生成能力，
C语言mx写代码需注意 2301_⌓‿⌓ 青少年编程 c语言
C语言萌新必备的三样东西：1.头文件【#include<stdio.h＞】2.主函数【intmain()】3.return0；——————C语言萌新需要保护的三样东西：1.输入法中转英2.不要漏了；3.1和l要看仔细
QML界面卡死分析--01 --Canvas与QRasterPaintEngine 香油哥 Qml qt
QML界面卡死分析--01现象—Canvas与QRasterPaintEngine相关前置条件：渲染循环使用多线程方式；发现界面假死，无响应;拷贝dump分析，主线程堆栈如下：#0SyncSemWait()#10x000000007b4f8784inQMutexPrivate::wait(int)()fromqt_engine/qt-engine/lib/libQt6Core.so.6.5.0#2
清华大学《DeepSeek赋能家庭教育》深度解析：AI如何重塑现代家庭教育模式硅基打工人 AI 人工智能经验分享大数据开源语言模型
引言：家庭教育的困境与AI的破局在数字化与智能化浪潮下，家庭教育面临多重挑战：家长教育能力不足、教育资源分配不均、亲子沟通效率低下、个性化需求难以满足等。清华大学发布的《DeepSeek赋能家庭教育》系列报告（共56页）提出了一种基于人工智能的解决方案，通过深度学习平台DeepSeek，为家庭教育注入科技动能。本文将从技术原理、核心功能、应用场景、伦理安全及未来展望等多维度展开分析。一、DeepS
小语言模型（SLM）技术解析：如何在有限资源下实现高效AI推理硅基打工人 AI 人工智能语言模型自然语言处理
引言：为什么小语言模型（SLM）是2025年的技术焦点？2025年，人工智能领域正经历一场“由大变小”的革命。尽管大语言模型（LLM）如GPT-4、GeminiUltra等在复杂任务中表现惊艳，但其高昂的算力成本、庞大的参数量（通常超过千亿）和依赖云端的特性，使得实际落地面临诸多瓶颈。**小语言模型（SmallLanguageModel,SLM）**应运而生，凭借其高效性、经济性和本地化部署能力，
豆包AI的详细介绍古龙飞扬人工智能
一、平台访问与登录网页版：在浏览器中输入豆包官网地址，登录账号后，点击首页导航栏中的“AI作画”或相关图片生成入口，即可进入图片生成页面。APP版：在安卓应用市场或iOS的AppStore中搜索“豆包”，下载安装后打开并登录，在首页或功能区找到“AI作画”等类似入口，点击进入图片生成界面。二、主要功能及示例智能对话功能描述：豆包AI能够理解和解析自然语言，用户可以通过语音或者文字的方式输入问题，它
COMP 315: Cloud Computing 后端
Assignment1:JavascriptCOMP315:CloudComputingforE-CommerceFebruary20251IntroductionAcommontaskwhenbackendprogrammingisdatacleaning,whichistheprocessoftakinganinitialdatasetthatmaycontainerroneousorinco
用Python打造智能姓名生成器：从数据分离到AI赋能灏瀚星空 python 人工智能开发语言经验分享笔记
用Python打造智能姓名生成器：从数据分离到AI赋能目录项目概述与功能清单环境准备与工具选择项目架构设计核心代码实现AI古文解析模块交互界面开发使用示例与效果展示扩展思路与优化建议1.项目概述与功能清单核心功能数据管理CSV文件存储姓氏/名字库支持用户导入/导出数据交互界面姓名生成与实时预览已选名单管理（增删改查）排除词输入框（黑名单过滤）AI赋能从古文中提取字词及注解自动生成姓名寓意解析扩展功
Spring的注解积累 yijiesuifeng spring 注解
用注解来向Spring容器注册Bean。需要在applicationContext.xml中注册： <context:component-scan base-package=”pagkage1[,pagkage2,…,pagkageN]”/>。如：在base-package指明一个包 <context:component-sc
传感器百合不是茶 android 传感器
android传感器的作用主要就是来获取数据,根据得到的数据来触发某种事件下面就以重力传感器为例; 1,在onCreate中获得传感器服务 private SensorManager sm;// 获得系统的服务 private Sensor sensor;// 创建传感器实例 @Override protected void
[光磁与探测]金吕玉衣的意义 comsci
这是一个古代人的秘密:现在告诉大家信不信由你们: 穿上金律玉衣的人,如果处于灵魂出窍的状态,可以飞到宇宙中去看星星这就是为什么古代
精简的反序打印某个数沐刃青蛟打印
以前看到一些让求反序打印某个数的程序。比如：输入123，输出321。记得以前是告诉你是几位数的，当时就抓耳挠腮，完全没有思路。似乎最后是用到%和/方法解决的。而今突然想到一个简短的方法，就可以实现任意位数的反序打印（但是如果是首位数或者尾位数为0时就没有打印出来了）代码如下： long num, num1=0;
PHP：6种方法获取文件的扩展名 IT独行者 PHP 扩展名
PHP：6种方法获取文件的扩展名 1、字符串查找和截取的方法 1 $extension = substr ( strrchr ( $file , '.' ), 1); 2、字符串查找和截取的方法二 1 $extension = substr
面试111 文强chu 面试
1事务隔离级别有那些，事务特性是什么（问到一次） 2 spring aop 如何管理事务的，如何实现的。动态代理如何实现，jdk怎么实现动态代理的，ioc是怎么实现的，spring是单例还是多例，有那些初始化bean的方式，各有什么区别（经常问） 3 struts默认提供了那些拦截器（一次） 4 过滤器和拦截器的区别（频率也挺高） 5 final，finally final
XML的四种解析方式小桔子 dom jdom dom4j sax
在平时工作中，难免会遇到把 XML 作为数据存储格式。面对目前种类繁多的解决方案，哪个最适合我们呢？在这篇文章中，我对这四种主流方案做一个不完全评测，仅仅针对遍历 XML 这块来测试，因为遍历 XML 是工作中使用最多的（至少我认为）。　　预备　　测试环境：　　AMD 毒龙1.4G OC 1.5G、256M DDR333、Windows2000 Server
wordpress中常见的操作 aichenglong 中文注册 wordpress 移除菜单
1 wordpress中使用中文名注册解决办法 1)使用插件 2)修改wp源代码进入到wp-include/formatting.php文件中找到 function sanitize_user( $username, $strict = false
小飞飞学管理-1 alafqq 管理
项目管理的下午题，其实就在提出问题（挑刺），分析问题，解决问题。今天我随意看下10年上半年的第一题。主要就是项目经理的提拨和培养。结合我自己经历写下心得对于公司选拔和培养项目经理的制度有什么毛病呢？ 1，公司考察，选拔项目经理，只关注技术能力，而很少或没有关注管理方面的经验，能力。 2，公司对项目经理缺乏必要的项目管理知识和技能方面的培训。 3，公司对项目经理的工作缺乏进行指
IO输入输出部分探讨百合不是茶 IO
//文件处理在处理文件输入输出时要引入java.IO这个包； /* 1，运用File类对文件目录和属性进行操作 2，理解流，理解输入输出流的概念 3，使用字节/符流对文件进行读/写操作 4，了解标准的I/O 5，了解对象序列化 */ //1，运用File类对文件目录和属性进行操作 //在工程中线创建一个text.txt
getElementById的用法 bijian1013 element
getElementById是通过Id来设置/返回HTML标签的属性及调用其事件与方法。用这个方法基本上可以控制页面所有标签，条件很简单，就是给每个标签分配一个ID号。返回具有指定ID属性值的第一个对象的一个引用。语法： &n
励志经典语录 bijian1013 励志人生
经典语录1: 哈佛有一个著名的理论：人的差别在于业余时间，而一个人的命运决定于晚上8点到10点之间。每晚抽出2个小时的时间用来阅读、进修、思考或参加有意的演讲、讨论，你会发现，你的人生正在发生改变，坚持数年之后，成功会向你招手。不要每天抱着QQ/MSN/游戏/电影/肥皂剧……奋斗到12点都舍不得休息，看就看一些励志的影视或者文章，不要当作消遣；学会思考人生，学会感悟人生
[MongoDB学习笔记三]MongoDB分片 bit1129 mongodb
MongoDB的副本集(Replica Set)一方面解决了数据的备份和数据的可靠性问题，另一方面也提升了数据的读写性能。MongoDB分片(Sharding)则解决了数据的扩容问题，MongoDB作为云计算时代的分布式数据库，大容量数据存储，高效并发的数据存取，自动容错等是MongoDB的关键指标。本篇介绍MongoDB的切片(Sharding) 1.何时需要分片 &nbs
【Spark八十三】BlockManager在Spark中的使用场景 bit1129 manager
1. Broadcast变量的存储，在HttpBroadcast类中可以知道 2. RDD通过CacheManager存储RDD中的数据，CacheManager也是通过BlockManager进行存储的 3. ShuffleMapTask得到的结果数据，是通过FileShuffleBlockManager进行管理的，而FileShuffleBlockManager最终也是使用BlockMan
yum方式部署zabbix ronin47 yum方式部署zabbix
安装网络yum库#rpm -ivh http://repo.zabbix.com/zabbix/2.4/rhel/6/x86_64/zabbix-release-2.4-1.el6.noarch.rpm 通过yum装mysql和zabbix调用的插件还有agent代理#yum install zabbix-server-mysql zabbix-web-mysql mysql-
Hibernate4和MySQL5.5自动创建表失败问题解决方法 byalias J2EE Hibernate4
今天初学Hibernate4，了解了使用Hibernate的过程。大体分为4个步骤： ①创建hibernate.cfg.xml文件 ②创建持久化对象 ③创建*.hbm.xml映射文件 ④编写hibernate相应代码在第四步中，进行了单元测试，测试预期结果是hibernate自动帮助在数据库中创建数据表，结果JUnit单元测试没有问题，在控制台打印了创建数据表的SQL语句，但在数据库中
Netty源码学习-FrameDecoder bylijinnan java netty
Netty 3.x的user guide里FrameDecoder的例子，有几个疑问： 1.文档说：FrameDecoder calls decode method with an internally maintained cumulative buffer whenever new data is received. 为什么每次有新数据到达时，都会调用decode方法？ 2.Dec
SQL行列转换方法 chicony 行列转换
create table tb(终端名称 varchar(10) , CEI分值 varchar(10) , 终端数量 int) insert into tb values('三星' , '0-5' , 74) insert into tb values('三星' , '10-15' , 83) insert into tb values('苹果' , '0-5' , 93)
中文编码测试 ctrain 编码
循环打印转换编码 String[] codes = { "iso-8859-1", "utf-8", "gbk", "unicode" }; for (int i = 0; i < codes.length; i++) { for (int j
hive 客户端查询报堆内存溢出解决方法 daizj hive 堆内存溢出
hive> select * from t_test where ds=20150323 limit 2; OK Exception in thread "main" java.lang.OutOfMemoryError: Java heap space 问题原因： hive堆内存默认为256M 这个问题的解决方法为：修改/us
人有多大懒，才有多大闲 (评论『卓有成效的程序员』) dcj3sjt126com 程序员
卓有成效的程序员给我的震撼很大，程序员作为特殊的群体，有的人可以这么懒，懒到事情都交给机器去做，而有的人又可以那么勤奋，每天都孜孜不倦得做着重复单调的工作。在看这本书之前，我属于勤奋的人，而看完这本书以后，我要努力变成懒惰的人。不要在去庞大的开始菜单里面一项一项搜索自己的应用程序，也不要在自己的桌面上放置眼花缭乱的快捷图标
Eclipse简单有用的配置 dcj3sjt126com eclipse
1、显示行号 Window -- Prefences -- General -- Editors -- Text Editors -- show line numbers 2、代码提示字符 Window ->Perferences，并依次展开 Java -> Editor -> Content Assist，最下面一栏 auto-Activation
在tomcat上面安装solr4.8.0全过程 eksliang Solr solr4.0后的版本安装 solr4.8.0安装
转载请出自出处： http://eksliang.iteye.com/blog/2096478 首先solr是一个基于java的web的应用，所以安装solr之前必须先安装JDK和tomcat，我这里就先省略安装tomcat和jdk了第一步：当然是下载去官网上下载最新的solr版本，下载地址
Android APP通用型拒绝服务、漏洞分析报告 gg163 漏洞 android APP 分析
点评：记得曾经有段时间很多SRC平台被刷了大量APP本地拒绝服务漏洞，移动安全团队爱内测（ineice.com）发现了一个安卓客户端的通用型拒绝服务漏洞，来看看他们的详细分析吧。 0xr0ot和Xbalien交流所有可能导致应用拒绝服务的异常类型时，发现了一处通用的本地拒绝服务漏洞。该通用型本地拒绝服务可以造成大面积的app拒绝服务。针对序列化对象而出现的拒绝服务主要
HoverTree项目已经实现分层 hvt 编程 .net Web C#ASP.ENT
HoverTree项目已经初步实现分层，源代码已经上传到 http://hovertree.codeplex.com请到SOURCE CODE查看。在本地用SQL Server 2008 数据库测试成功。数据库和表请参考：http://keleyi.com/a/bjae/ue6stb42.htmHoverTree是一个ASP.NET 开源项目，希望对你学习ASP.NET或者C#语言有帮助，如果你对
Google Maps API v3: Remove Markers 移除标记天梯梦 google maps api
Simply do the following: I. Declare a global variable: var markersArray = []; II. Define a function: function clearOverlays() { for (var i = 0; i < markersArray.length; i++ )
jQuery选择器总结 lq38366 jquery 选择器
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
基础数据结构和算法六：Quick sort sunwinner Algorithm Quicksort
Quick sort is probably used more widely than any other. It is popular because it is not difficult to implement, works well for a variety of different kinds of input data, and is substantially faster t
如何让Flash不遮挡HTML div元素的技巧_HTML/Xhtml_网页制作刘星宇 html Web
今天在写一个flash广告代码的时候，因为flash自带的链接，容易被当成弹出广告，所以做了一个div层放到flash上面，这样链接都是a触发的不会被拦截，但发现flash一直处于div层上面，原来flash需要加个参数才可以。让flash置于DIV层之下的方法，让flash不挡住飘浮层或下拉菜单，让Flash不档住浮动对象或层的关键参数：wmode=opaque。方法如下：
Mybatis实用Mapper SQL汇总示例 wdmcygah sql mysql mybatis 实用
Mybatis作为一个非常好用的持久层框架，相关资料真的是少得可怜，所幸的是官方文档还算详细。本博文主要列举一些个人感觉比较常用的场景及相应的Mapper SQL写法，希望能够对大家有所帮助。不少持久层框架对动态SQL的支持不足，在SQL需要动态拼接时非常苦恼，而Mybatis很好地解决了这个问题，算是框架的一大亮点。对于常见的场景，例如：批量插入/更新/删除，模糊查询，多条件查询，联表查询，