LT_Ge
LT_Ge

R语言电信公司churn数据客户流失 k近邻（knn）模型预测分析

原文链接：http://tecdat.cn/?p=5521

 

Data background

A telephone company is interested in determining which customer characteristics are useful for predicting churn, customers who will leave their service. 

The data set  is Churn . The fields are as follows:

 

State

 discrete.

account length

 continuous.

area code

 continuous.

phone number

 discrete.

international plan

 discrete.

voice mail plan

 discrete.

number vmail messages

 continuous.

total day minutes

 continuous.

total day calls

 continuous.

total day charge

 continuous.

total eve minutes

 continuous.

total eve calls

 continuous.

total eve charge

 continuous.

total night minutes

 continuous.

total night calls

 continuous.

total night charge

 continuous.

total intl minutes

 continuous.

total intl calls

 continuous.

total intl charge

 continuous.

number customer service calls

 continuous.

churn

 Discrete

Data Preparation and Exploration 

 

  1. 查看数据概览
  2. ## state account.length area.code phone.number
  3. ## WV : 158 Min. : 1.0 Min. :408.0 327-1058: 1
  4. ## MN : 125 1st Qu.: 73.0 1st Qu.:408.0 327-1319: 1
  5. ## AL : 124 Median :100.0 Median :415.0 327-2040: 1
  6. ## ID : 119 Mean :100.3 Mean :436.9 327-2475: 1
  7. ## VA : 118 3rd Qu.:127.0 3rd Qu.:415.0 327-3053: 1
  8. ## OH : 116 Max. :243.0 Max. :510.0 327-3587: 1
  9. ## (Other):4240 (Other) :4994
  10. ## international.plan voice.mail.plan number.vmail.messages
  11. ## no :4527 no :3677 Min. : 0.000
  12. ## yes: 473 yes:1323 1st Qu.: 0.000
  13. ## Median : 0.000
  14. ## Mean : 7.755
  15. ## 3rd Qu.:17.000
  16. ## Max. :52.000
  18. ## total.day.minutes total.day.calls total.day.charge total.eve.minutes
  19. ## Min. : 0.0 Min. : 0 Min. : 0.00 Min. : 0.0
  20. ## 1st Qu.:143.7 1st Qu.: 87 1st Qu.:24.43 1st Qu.:166.4
  21. ## Median :180.1 Median :100 Median :30.62 Median :201.0
  22. ## Mean :180.3 Mean :100 Mean :30.65 Mean :200.6
  23. ## 3rd Qu.:216.2 3rd Qu.:113 3rd Qu.:36.75 3rd Qu.:234.1
  24. ## Max. :351.5 Max. :165 Max. :59.76 Max. :363.7
  26. ## total.eve.calls total.eve.charge total.night.minutes total.night.calls
  27. ## Min. : 0.0 Min. : 0.00 Min. : 0.0 Min. : 0.00
  28. ## 1st Qu.: 87.0 1st Qu.:14.14 1st Qu.:166.9 1st Qu.: 87.00
  29. ## Median :100.0 Median :17.09 Median :200.4 Median :100.00
  30. ## Mean :100.2 Mean :17.05 Mean :200.4 Mean : 99.92
  31. ## 3rd Qu.:114.0 3rd Qu.:19.90 3rd Qu.:234.7 3rd Qu.:113.00
  32. ## Max. :170.0 Max. :30.91 Max. :395.0 Max. :175.00
  34. ## total.night.charge total.intl.minutes total.intl.calls total.intl.charge
  35. ## Min. : 0.000 Min. : 0.00 Min. : 0.000 Min. :0.000
  36. ## 1st Qu.: 7.510 1st Qu.: 8.50 1st Qu.: 3.000 1st Qu.:2.300
  37. ## Median : 9.020 Median :10.30 Median : 4.000 Median :2.780
  38. ## Mean : 9.018 Mean :10.26 Mean : 4.435 Mean :2.771
  39. ## 3rd Qu.:10.560 3rd Qu.:12.00 3rd Qu.: 6.000 3rd Qu.:3.240
  40. ## Max. :17.770 Max. :20.00 Max. :20.000 Max. :5.400
  42. ## number.customer.service.calls churn
  43. ## Min. :0.00 False.:4293
  44. ## 1st Qu.:1.00 True. : 707
  45. ## Median :1.00
  46. ## Mean :1.57
  47. ## 3rd Qu.:2.00
  48. ## Max. :9.00

 从数据概览中我们可以发现没有缺失数据，同时可以发现电话号 地区代码是没有价值的变量，可以删去

 

Examine the variables graphically

 

   R语言电信公司churn数据客户流失 k近邻（knn）模型预测分析_第1张图片

从上面的结果中，我们可以看到churn为no的样本数目要远远大于churn为yes的样本，因此所有样本中churn占多数。

 

R语言电信公司churn数据客户流失 k近邻（knn）模型预测分析_第2张图片

R语言电信公司churn数据客户流失 k近邻（knn）模型预测分析_第3张图片

R语言电信公司churn数据客户流失 k近邻（knn）模型预测分析_第4张图片

从上面的结果中，我们可以看到除了emailcode和areacode之外，其他数值变量近似符合正态分布。

  1. ## account.length area.code number.vmail.messages total.day.minutes
  2. ## Min. : 1.0 Min. :408.0 Min. : 0.000 Min. : 0.0
  3. ## 1st Qu.: 73.0 1st Qu.:408.0 1st Qu.: 0.000 1st Qu.:143.7
  4. ## Median :100.0 Median :415.0 Median : 0.000 Median :180.1
  5. ## Mean :100.3 Mean :436.9 Mean : 7.755 Mean :180.3
  6. ## 3rd Qu.:127.0 3rd Qu.:415.0 3rd Qu.:17.000 3rd Qu.:216.2
  7. ## Max. :243.0 Max. :510.0 Max. :52.000 Max. :351.5
  8. ## total.day.calls total.day.charge total.eve.minutes total.eve.calls
  9. ## Min. : 0 Min. : 0.00 Min. : 0.0 Min. : 0.0
  10. ## 1st Qu.: 87 1st Qu.:24.43 1st Qu.:166.4 1st Qu.: 87.0
  11. ## Median :100 Median :30.62 Median :201.0 Median :100.0
  12. ## Mean :100 Mean :30.65 Mean :200.6 Mean :100.2
  13. ## 3rd Qu.:113 3rd Qu.:36.75 3rd Qu.:234.1 3rd Qu.:114.0
  14. ## Max. :165 Max. :59.76 Max. :363.7 Max. :170.0
  15. ## total.eve.charge total.night.minutes total.night.calls total.night.charge
  16. ## Min. : 0.00 Min. : 0.0 Min. : 0.00 Min. : 0.000
  17. ## 1st Qu.:14.14 1st Qu.:166.9 1st Qu.: 87.00 1st Qu.: 7.510
  18. ## Median :17.09 Median :200.4 Median :100.00 Median : 9.020
  19. ## Mean :17.05 Mean :200.4 Mean : 99.92 Mean : 9.018
  20. ## 3rd Qu.:19.90 3rd Qu.:234.7 3rd Qu.:113.00 3rd Qu.:10.560
  21. ## Max. :30.91 Max. :395.0 Max. :175.00 Max. :17.770
  22. ## total.intl.minutes total.intl.calls total.intl.charge
  23. ## Min. : 0.00 Min. : 0.000 Min. :0.000
  24. ## 1st Qu.: 8.50 1st Qu.: 3.000 1st Qu.:2.300
  25. ## Median :10.30 Median : 4.000 Median :2.780
  26. ## Mean :10.26 Mean : 4.435 Mean :2.771
  27. ## 3rd Qu.:12.00 3rd Qu.: 6.000 3rd Qu.:3.240
  28. ## Max. :20.00 Max. :20.000 Max. :5.400
  29. ## number.customer.service.calls
  30. ## Min. :0.00
  31. ## 1st Qu.:1.00
  32. ## Median :1.00
  33. ## Mean :1.57
  34. ## 3rd Qu.:2.00
  35. ## Max. :9.00

Relationships between variables

R语言电信公司churn数据客户流失 k近邻（knn）模型预测分析_第5张图片

从结果中我们可以看到两者之间存在显著的正相关线性关系。

R语言电信公司churn数据客户流失 k近邻（knn）模型预测分析_第6张图片
 

Using the statistics node, report

  1. ## account.length area.code
  2. ## account.length 1.0000000000 -0.018054187
  3. ## area.code -0.0180541874 1.000000000
  4. ## number.vmail.messages -0.0145746663 -0.003398983
  5. ## total.day.minutes -0.0010174908 -0.019118245
  6. ## total.day.calls 0.0282402279 -0.019313854
  7. ## total.day.charge -0.0010191980 -0.019119256
  8. ## total.eve.minutes -0.0095913331 0.007097877
  9. ## total.eve.calls 0.0091425790 -0.012299947
  10. ## total.eve.charge -0.0095873958 0.007114130
  11. ## total.night.minutes 0.0006679112 0.002083626
  12. ## total.night.calls -0.0078254785 0.014656846
  13. ## total.night.charge 0.0006558937 0.002070264
  14. ## total.intl.minutes 0.0012908394 -0.004153729
  15. ## total.intl.calls 0.0142772733 -0.013623309
  16. ## total.intl.charge 0.0012918112 -0.004219099
  17. ## number.customer.service.calls -0.0014447918 0.020920513
  18. ## number.vmail.messages total.day.minutes
  19. ## account.length -0.0145746663 -0.001017491
  20. ## area.code -0.0033989831 -0.019118245
  21. ## number.vmail.messages 1.0000000000 0.005381376
  22. ## total.day.minutes 0.0053813760 1.000000000
  23. ## total.day.calls 0.0008831280 0.001935149
  24. ## total.day.charge 0.0053767959 0.999999951
  25. ## total.eve.minutes 0.0194901208 -0.010750427
  26. ## total.eve.calls -0.0039543728 0.008128130
  27. ## total.eve.charge 0.0194959757 -0.010760022
  28. ## total.night.minutes 0.0055413838 0.011798660
  29. ## total.night.calls 0.0026762202 0.004236100
  30. ## total.night.charge 0.0055349281 0.011782533
  31. ## total.intl.minutes 0.0024627018 -0.019485746
  32. ## total.intl.calls 0.0001243302 -0.001303123
  33. ## total.intl.charge 0.0025051773 -0.019414797
  34. ## number.customer.service.calls -0.0070856427 0.002732576
  35. ## total.day.calls total.day.charge
  36. ## account.length 0.0282402279 -0.001019198
  37. ## area.code -0.0193138545 -0.019119256
  38. ## number.vmail.messages 0.0008831280 0.005376796
  39. ## total.day.minutes 0.0019351487 0.999999951
  40. ## total.day.calls 1.0000000000 0.001935884
  41. ## total.day.charge 0.0019358844 1.000000000
  42. ## total.eve.minutes -0.0006994115 -0.010747297
  43. ## total.eve.calls 0.0037541787 0.008129319
  44. ## total.eve.charge -0.0006952217 -0.010756893
  45. ## total.night.minutes 0.0028044650 0.011801434
  46. ## total.night.calls -0.0083083467 0.004234934
  47. ## total.night.charge 0.0028018169 0.011785301
  48. ## total.intl.minutes 0.0130972198 -0.019489700
  49. ## total.intl.calls 0.0108928533 -0.001306635
  50. ## total.intl.charge 0.0131613976 -0.019418755
  51. ## number.customer.service.calls -0.0107394951 0.002726370
  52. ## total.eve.minutes total.eve.calls
  53. ## account.length -0.0095913331 0.009142579
  54. ## area.code 0.0070978766 -0.012299947
  55. ## number.vmail.messages 0.0194901208 -0.003954373
  56. ## total.day.minutes -0.0107504274 0.008128130
  57. ## total.day.calls -0.0006994115 0.003754179
  58. ## total.day.charge -0.0107472968 0.008129319
  59. ## total.eve.minutes 1.0000000000 0.002763019
  60. ## total.eve.calls 0.0027630194 1.000000000
  61. ## total.eve.charge 0.9999997749 0.002778097
  62. ## total.night.minutes -0.0166391160 0.001781411
  63. ## total.night.calls 0.0134202163 -0.013682341
  64. ## total.night.charge -0.0166420421 0.001799380
  65. ## total.intl.minutes 0.0001365487 -0.007458458
  66. ## total.intl.calls 0.0083881559 0.005574500
  67. ## total.intl.charge 0.0001593155 -0.007507151
  68. ## number.customer.service.calls -0.0138234228 0.006234831
  69. ## total.eve.charge total.night.minutes
  70. ## account.length -0.0095873958 0.0006679112
  71. ## area.code 0.0071141298 0.0020836263
  72. ## number.vmail.messages 0.0194959757 0.0055413838
  73. ## total.day.minutes -0.0107600217 0.0117986600
  74. ## total.day.calls -0.0006952217 0.0028044650
  75. ## total.day.charge -0.0107568931 0.0118014339
  76. ## total.eve.minutes 0.9999997749 -0.0166391160
  77. ## total.eve.calls 0.0027780971 0.0017814106
  78. ## total.eve.charge 1.0000000000 -0.0166489191
  79. ## total.night.minutes -0.0166489191 1.0000000000
  80. ## total.night.calls 0.0134220174 0.0269718182
  81. ## total.night.charge -0.0166518367 0.9999992072
  82. ## total.intl.minutes 0.0001320238 -0.0067209669
  83. ## total.intl.calls 0.0083930603 -0.0172140162
  84. ## total.intl.charge 0.0001547783 -0.0066545873
  85. ## number.customer.service.calls -0.0138363623 -0.0085325365
 
如果把高相关性的变量保存下来，可能会造成多重共线性问题，因此需要把高相关关系的变量删去。

Data Manipulation

R语言电信公司churn数据客户流失 k近邻（knn）模型预测分析_第7张图片

 
从结果中可以看到，total.day.calls和total.day.charge之间存在一定的相关关系。
特别是voicemial为no的变量之间存在负相关关系。

 

Discretize (make categorical) a relevant numeric variable

 

R语言电信公司churn数据客户流失 k近邻（knn）模型预测分析_第8张图片

 

 

对变量进行离散化

 

construct a distribution of the variable with a churn overlay

R语言电信公司churn数据客户流失 k近邻（knn）模型预测分析_第9张图片

construct a histogram of the variable with a churn overlay

 

R语言电信公司churn数据客户流失 k近邻（knn）模型预测分析_第10张图片

R语言电信公司churn数据客户流失 k近邻（knn）模型预测分析_第11张图片

 

R语言电信公司churn数据客户流失 k近邻（knn）模型预测分析_第12张图片

Find a pair of numeric variables which are interesting with respect to churn.

R语言电信公司churn数据客户流失 k近邻（knn）模型预测分析_第13张图片

 
从结果中可以看到，total.day.calls和total.day.charge之间存在一定的相关关系。
 

Model Building

特别是churn为no的变量之间存在相关关系。
 

  1. ## Estimate Std. Error t value Pr(>|t|)
  2. ## (Intercept) 0.3082150 0.0735760 4.189 2.85e-05 ***
  3. ## stateAL 0.0151188 0.0462343 0.327 0.743680
  4. ## stateAR 0.0894792 0.0490897 1.823 0.068399 .
  5. ## stateAZ 0.0329566 0.0494195 0.667 0.504883
  6. ## stateCA 0.1951511 0.0567439 3.439 0.000588 ***
  7. ## international.plan yes 0.3059341 0.0151677 20.170 < 2e-16 ***
  8. ## voice.mail.plan yes -0.1375056 0.0337533 -4.074 4.70e-05 ***
  9. ## number.vmail.messages 0.0017068 0.0010988 1.553 0.120402
  10. ## total.day.minutes 0.3796323 0.2629027 1.444 0.148802
  11. ## total.day.calls 0.0002191 0.0002235 0.981 0.326781
  12. ## total.day.charge -2.2207671 1.5464583 -1.436 0.151056
  13. ## total.eve.minutes 0.0288233 0.1307496 0.220 0.825533
  14. ## total.eve.calls -0.0001585 0.0002238 -0.708 0.478915
  15. ## total.eve.charge -0.3316041 1.5382391 -0.216 0.829329
  16. ## total.night.minutes 0.0083224 0.0695916 0.120 0.904814
  17. ## total.night.calls -0.0001824 0.0002225 -0.820 0.412290
  18. ## total.night.charge -0.1760782 1.5464674 -0.114 0.909355
  19. ## total.intl.minutes -0.0104679 0.4192270 -0.025 0.980080
  20. ## total.intl.calls -0.0063448 0.0018062 -3.513 0.000447 ***
  21. ## total.intl.charge 0.0676460 1.5528267 0.044 0.965254
  22. ## number.customer.service.calls 0.0566474 0.0033945 16.688 < 2e-16 ***
  23. ## total.day.minutes1medium 0.0502681 0.0160228 3.137 0.001715 **
  24. ## total.day.minutes1short 0.2404020 0.0322293 7.459 1.02e-13 ***

 

从结果中看，我们可以发现 state  total.intl.calls   、number.customer.service.calls 、 total.day.minutes1medium 、    total.day.minutes1short    的变量有重要的影响。

Use K-Nearest-Neighbors (K-NN) algorithm to develop a model for predicting Churn

  1. ## Direction.2005
  2. ## knn.pred 1 2
  3. ## 1 760 97
  4. ## 2 100 43
  5. [1] 0.803
 
混淆矩阵（英语：confusion matrix）是可视化工具，特别用于监督学习，在无监督学习一般叫做匹配矩阵。 矩阵的每一列代表一个类的实例预测，而每一行表示一个实际的类的实例。
  1. ## Direction.2005
  2. ## knn.pred 1 2
  3. ## 1 827 104
  4. ## 2 33 36
  5. [1] 0.863

 

从测试集的结果，我们可以看到准确度达到86%。

 

Findings

 

我们可以发现 ，total.day.calls和total.day.charge之间存在一定的相关关系。特别是churn为no的变量之间存在相关关系。同时我们可以发现 state  total.intl.calls   、number.customer.service.calls 、 total.day.minutes1medium、    total.day.minutes1short    的变量有重要的影响。同时我们可以发现，total.day.calls和total.day.charge之间存在一定的相关关系。最后从knn模型结果中，我们可以发现从训练集的结果中，我们可以看到准确度有80%，从测试集的结果，我们可以看到准确度达到86%。说明模型有很好的预测效果。
 

相关文章：

 Python中用PyTorch机器学习分类预测银行_客户流失_模型

决策树算法建立电信_客户流失_模型

【大数据部落】(数据挖掘)如何用大数据做用户异常行为

你可能感兴趣的:(r语言,数据)

  • 机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习python
    一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
  • 【iOS】MVC设计模式 Magnetic_h iosmvc设计模式objective-c学习ui
    MVC前言如何设计一个程序的结构，这是一门专门的学问，叫做"架构模式"（architecturalpattern），属于编程的方法论。MVC模式就是架构模式的一种。它是Apple官方推荐的App开发架构，也是一般开发者最先遇到、最经典的架构。MVC各层controller层Controller/ViewController/VC（控制器）负责协调Model和View，处理大部分逻辑它将数据从Mod
  • 微服务下功能权限与数据权限的设计与实现 nbsaas-boot 微服务java架构
    在微服务架构下，系统的功能权限和数据权限控制显得尤为重要。随着系统规模的扩大和微服务数量的增加，如何保证不同用户和服务之间的访问权限准确、细粒度地控制，成为设计安全策略的关键。本文将讨论如何在微服务体系中设计和实现功能权限与数据权限控制。1.功能权限与数据权限的定义功能权限：指用户或系统角色对特定功能的访问权限。通常是某个用户角色能否执行某个操作，比如查看订单、创建订单、修改用户资料等。数据权限：
  • c++ 的iostream 和 c++的stdio的区别和联系 黄卷青灯77 c++算法开发语言iostreamstdio
    在C++中，iostream和C语言的stdio.h都是用于处理输入输出的库，但它们在设计、用法和功能上有许多不同。以下是两者的区别和联系：区别1.编程风格iostream（C++风格）：C++标准库中的输入输出流类库，支持面向对象的输入输出操作。典型用法是cin（输入）和cout（输出），使用>操作符来处理数据。更加类型安全，支持用户自定义类型的输入输出。#includeintmain(){in
  • 《投行人生》读书笔记 小蘑菇的树洞
    《投行人生》----作者詹姆斯-A-朗德摩根斯坦利副主席40年的职业洞见-很短小精悍的篇幅，比较适合初入职场的新人。第一部分成功的职业生涯需要规划1.情商归为适应能力分享与协作同理心适应能力，更多的是自我意识，你有能力识别自己的情并分辨这些情绪如何影响你的思想和行为。2.对于初入职场的人的建议，细节，截止日期和数据很重要截止日期，一种有效的方法是请老板为你所有的任务进行优先级排序。和老板喝咖啡的好
  • Long类型前后端数据不一致 igotyback 前端
    响应给前端的数据浏览器控制台中response中看到的Long类型的数据是正常的到前端数据不一致前后端数据类型不匹配是一个常见问题，尤其是当后端使用Java的Long类型（64位）与前端JavaScript的Number类型（最大安全整数为2^53-1，即16位）进行数据交互时，很容易出现精度丢失的问题。这是因为JavaScript中的Number类型无法安全地表示超过16位的整数。为了解决这个问
  • Python数据分析与可视化实战指南 William数据分析 pythonpython数据
    在数据驱动的时代，Python因其简洁的语法、强大的库生态系统以及活跃的社区，成为了数据分析与可视化的首选语言。本文将通过一个详细的案例，带领大家学习如何使用Python进行数据分析，并通过可视化来直观呈现分析结果。一、环境准备1.1安装必要库在开始数据分析和可视化之前，我们需要安装一些常用的库。主要包括pandas、numpy、matplotlib和seaborn等。这些库分别用于数据处理、数学
  • WPF中的ComboBox控件几种数据绑定的方式 互联网打工人no1 wpfc#
    一、用字典给ItemsSource赋值（此绑定用的地方很多，建议熟练掌握）在XMAL中：在CS文件中privatevoidBindData(){DictionarydicItem=newDictionary();dicItem.add(1,"北京");dicItem.add(2,"上海");dicItem.add(3,"广州");cmb_list.ItemsSource=dicItem;cmb_l
  • Pyecharts数据可视化大屏：打造沉浸式数据分析体验 我的运维人生 信息可视化数据分析数据挖掘运维开发技术共享
    Pyecharts数据可视化大屏：打造沉浸式数据分析体验在当今这个数据驱动的时代，如何将海量数据以直观、生动的方式展现出来，成为了数据分析师和企业决策者关注的焦点。Pyecharts，作为一款基于Python的开源数据可视化库，凭借其丰富的图表类型、灵活的配置选项以及高度的定制化能力，成为了构建数据可视化大屏的理想选择。本文将深入探讨如何利用Pyecharts打造数据可视化大屏，并通过实际代码案例
  • Python教程：一文了解使用Python处理XPath 旦莫 Python进阶python开发语言
    目录1.环境准备1.1安装lxml1.2验证安装2.XPath基础2.1什么是XPath？2.2XPath语法2.3示例XML文档3.使用lxml解析XML3.1解析XML文档3.2查看解析结果4.XPath查询4.1基本路径查询4.2使用属性查询4.3查询多个节点5.XPath的高级用法5.1使用逻辑运算符5.2使用函数6.实战案例6.1从网页抓取数据6.1.1安装Requests库6.1.2代
  • Google earth studio 简介 陟彼高冈yu 旅游
    GoogleEarthStudio是一个基于Web的动画工具，专为创作使用GoogleEarth数据的动画和视频而设计。它利用了GoogleEarth强大的三维地图和卫星影像数据库，使用户能够轻松地创建逼真的地球动画、航拍视频和动态地图可视化。网址为https://www.google.com/earth/studio/。GoogleEarthStudio是一个基于Web的动画工具，专为创作使用G
  • LLM 词汇表 落难Coder LLMsNLP大语言模型大模型llama人工智能
    Contextwindow“上下文窗口”是指语言模型在生成新文本时能够回溯和参考的文本量。这不同于语言模型训练时所使用的大量数据集，而是代表了模型的“工作记忆”。较大的上下文窗口可以让模型理解和响应更复杂和更长的提示，而较小的上下文窗口可能会限制模型处理较长提示或在长时间对话中保持连贯性的能力。Fine-tuning微调是使用额外的数据进一步训练预训练语言模型的过程。这使得模型开始表示和模仿微调数
  • 关于提高复杂业务逻辑代码可读性的思考 编程经验分享 开发经验java数据库开发语言
    目录前言需求场景常规写法拆分方法领域对象总结前言实际工作中大部分时间都是在写业务逻辑，一般都是三层架构，表示层（Controller）接收客户端请求，并对入参做检验，业务逻辑层（Service）负责处理业务逻辑，一般开发都是在这一层中写具体的业务逻辑。数据访问层（Dao）是直接和数据库交互的，用于查数据给业务逻辑层，或者是将业务逻辑层处理后的数据写入数据库。简单的增删改查接口不用多说，基本上写好一
  • SQL Server_查询某一数据库中的所有表的内容 qq_42772833 SQLServer数据库sqlserver
    1.查看所有表的表名要列出CrabFarmDB数据库中的所有表（名），可以使用以下SQL语句：USECrabFarmDB;--切换到目标数据库GOSELECTTABLE_NAMEFROMINFORMATION_SCHEMA.TABLESWHERETABLE_TYPE='BASETABLE';对这段SQL脚本的解释：SELECTTABLE_NAME：这个语句的作用是从查询结果中选择TABLE_NAM
  • 使用LLaVa和Ollama实现多模态RAG示例 llzwxh888 python人工智能开发语言
    本文将详细介绍如何使用LLaVa和Ollama实现多模态RAG（检索增强生成），通过提取图像中的结构化数据、生成图像字幕等功能来展示这一技术的强大之处。安装环境首先，您需要安装以下依赖包：!pipinstallllama-index-multi-modal-llms-ollama!pipinstallllama-index-readers-file!pipinstallunstructured!p
  • 使用Apify加载Twitter消息以进行微调的完整指南 nseejrukjhad twittereasyui前端python
    #使用Apify加载Twitter消息以进行微调的完整指南##引言在自然语言处理领域，微调模型以适应特定任务是提升模型性能的常见方法。本文将介绍如何使用Apify从Twitter导出聊天信息，以便进一步进行微调。##主要内容###使用Apify导出推文首先，我们需要从Twitter导出推文。Apify可以帮助我们做到这一点。通过Apify的强大功能，我们可以批量抓取和导出数据，适用于各类应用场景。
  • 深入理解 MultiQueryRetriever：提升向量数据库检索效果的强大工具 nseejrukjhad 数据库python
    深入理解MultiQueryRetriever：提升向量数据库检索效果的强大工具引言在人工智能和自然语言处理领域，高效准确的信息检索一直是一个关键挑战。传统的基于距离的向量数据库检索方法虽然广泛应用，但仍存在一些局限性。本文将介绍一种创新的解决方案：MultiQueryRetriever，它通过自动生成多个查询视角来增强检索效果，提高结果的相关性和多样性。MultiQueryRetriever的工
  • 数组去重 好奇的猫猫猫
    整理自js中基础数据结构数组去重问题思考？如何去除数组中重复的项例如数组：[1,3,4,3,5]我们在做去重的时候，一开始想到的肯定是，逐个比较，外面一层循环，内层后一个与前一个一比较，如果是久不将当前这一项放进新的数组，挨个比较完之后返回一个新的去过重复的数组不好的实践方式上述方法效率极低，代码量还多，思考？有没有更好的方法这时候不禁一想当然有了！！！hashtable啊，通过对象的hash办法
  • Day1笔记-Python简介&标识符和关键字&输入输出 ~在杰难逃~ Pythonpython开发语言大数据数据分析数据挖掘
    大家好，从今天开始呢，杰哥开展一个新的专栏，当然，数据分析部分也会不定时更新的，这个新的专栏主要是讲解一些Python的基础语法和知识，帮助0基础的小伙伴入门和学习Python，感兴趣的小伙伴可以开始认真学习啦！一、Python简介【了解】1.计算机工作原理编程语言就是用来定义计算机程序的形式语言。我们通过编程语言来编写程序代码，再通过语言处理程序执行向计算机发送指令，让计算机完成对应的工作，编程
  • 【目标检测数据集】卡车数据集1073张VOC+YOLO格式 熬夜写代码的平头哥∰ 目标检测YOLO人工智能
    数据集格式：PascalVOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：1073标注数量(xml文件个数)：1073标注数量(txt文件个数)：1073标注类别数：1标注类别名称:["truck"]每个类别标注的框数：truck框数=1120总框数：1120使用标注工具：labelImg标注
  • MongoDB Oplog 窗口 喝醉酒的小白 MongoDB运维
    在MongoDB中，oplog（操作日志）是一个特殊的日志系统，用于记录对数据库的所有写操作。oplog允许副本集成员（通常是从节点）应用主节点上已经执行的操作，从而保持数据的一致性。它是MongoDB副本集实现数据复制的基础。MongoDBOplog窗口oplog窗口是指在MongoDB副本集中，从节点可以用来同步数据的时间范围。这个窗口通常由以下因素决定：Oplog大小：oplog的大小是有限
  • Faiss Tips：高效向量搜索与聚类的利器 焦习娜Samantha
    FaissTips：高效向量搜索与聚类的利器faiss_tipsSomeusefultipsforfaiss项目地址:https://gitcode.com/gh_mirrors/fa/faiss_tips项目介绍Faiss是由FacebookAIResearch开发的一个用于高效相似性搜索和密集向量聚类的库。它支持多种硬件平台，包括CPU和GPU，能够在海量数据集上实现快速的近似最近邻搜索（AN
  • pyecharts——绘制柱形图折线图 2224070247 信息可视化pythonjava数据可视化
    一、pyecharts概述自2013年6月百度EFE(ExcellentFrontEnd）数据可视化团队研发的ECharts1.0发布到GitHub网站以来，ECharts一直备受业界权威的关注并获得广泛好评，成为目前成熟且流行的数据可视化图表工具，被应用到诸多数据可视化的开发领域。Python作为数据分析领域最受欢迎的语言，也加入ECharts的使用行列，并研发出方便Python开发者使用的数据
  • 番茄西红柿叶子病害分类数据集12882张11类别 futureflsl 数据集分类数据挖掘人工智能
    数据集类型：图像分类用，不可用于目标检测无标注文件数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片图片数量(jpg文件个数)：12882分类类别数：11类别名称:["Bacterial_Spot_Bacteria","Early_Blight_Fungus","Healthy","Late_Blight_Water_Mold","Leaf_Mold_Fungus","Powdery
  • 钢筋长度超限检测检数据集VOC+YOLO格式215张1类别 futureflsl 数据集YOLO深度学习机器学习
    数据集格式：PascalVOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)图片数量(jpg文件个数)：215标注数量(xml文件个数)：215标注数量(txt文件个数)：215标注类别数：1标注类别名称:["iron"]每个类别标注的框数：iron框数=215总框数：215使用标注工具：labelImg标注规则：对类别进
  • 回溯算法-重新安排行程 chirou_ 算法数据结构图论c++图搜索
    leetcode332.重新安排行程这题我还没自己ac过，只能现在凭着刚学完的热乎劲把我对题解的理解记下来。本题我认为对数据结构的考察比较多，用什么数据结构去存数据，去读取数据，都是很重要的。classSolution{private:unordered_map>targets;boolbacktracking(intticketNum,vector&result){//1.确定参数和返回值//2
  • 数据仓库——维度表一致性 墨染丶eye 背诵数据仓库
    数据仓库基础笔记思维导图已经整理完毕，完整连接为：数据仓库基础知识笔记思维导图维度一致性问题从逻辑层面来看，当一系列星型模型共享一组公共维度时，所涉及的维度称为一致性维度。当维度表存在不一致时，短期的成功难以弥补长期的错误。维度时确保不同过程中信息集成起来实现横向钻取货活动的关键。造成横向钻取失败的原因维度结构的差别，因为维度的差别，分析工作涉及的领域从简单到复杂，但是都是通过复杂的报表来弥补设计
  • python os 环境变量 CV矿工 python开发语言numpy
    环境变量：环境变量是程序和操作系统之间的通信方式。有些字符不宜明文写进代码里，比如数据库密码，个人账户密码，如果写进自己本机的环境变量里，程序用的时候通过os.environ.get（）取出来就行了。os.environ是一个环境变量的字典。环境变量的相关操作importos"""设置/修改环境变量：os.environ[‘环境变量名称’]=‘环境变量值’#其中key和value均为string类
  • 闲鱼鱼小铺怎么开通？鱼小铺开通需要哪些流程？ 高省APP大九
    闲鱼鱼小铺是平台推出的一个专业程度的店铺，与普通店铺相比会有更多的权益，比如说发布的商品数量从50增加到500；拥有专业的店铺数据看板与分析的功能，这对于专门在闲鱼做生意的用户来说是非常有帮助的，那么鱼小铺每个人都能开通吗？大家好，我是高省APP联合创始人蓓蓓导师，高省APP是2021年推出的电商导购平台，0投资，0风险、高省APP佣金更高，模式更好，终端用户不流失。【高省】是一个可省钱佣金高，能
  • 高级 ECharts 技巧：自定义图表主题与样式 SnowMan1993 echarts信息可视化数据分析
    ECharts是一个强大的数据可视化库，提供了多种内置主题和样式，但你也可以根据项目的设计需求，自定义图表的主题与样式。本文将介绍如何使用ECharts自定义图表主题，以提升数据可视化的吸引力和一致性。1.什么是ECharts主题？ECharts的主题是指定义图表样式的配置项，包括颜色、字体、线条样式等。通过预设主题，你可以快速更改图表的整体风格，而自定义主题则允许你在此基础上进行个性化设置。2.
  • SQL的各种连接查询 xieke90 UNION ALLUNION外连接内连接JOIN
    一、内连接   概念：内连接就是使用比较运算符根据每个表共有的列的值匹配两个表中的行。                 内连接（join 或者inner join ）       SQL语法：       select * fron
  • java编程思想--复用类 百合不是茶 java继承代理组合final类
          复用类看着标题都不知道是什么,再加上java编程思想翻译的比价难懂,所以知道现在才看这本软件界的奇书   一:组合语法:就是将对象的引用放到新类中即可     代码:     package com.wj.reuse; /** * * @author Administrator 组
  • [开源与生态系统]国产CPU的生态系统 comsci cpu
          计算机要从娃娃抓起...而孩子最喜欢玩游戏....       要让国产CPU在国内市场形成自己的生态系统和产业链,国家和企业就不能够忘记游戏这个非常关键的环节....       投入一些资金和资源,人力和政策,让游
  • JVM内存区域划分Eden Space、Survivor Space、Tenured Gen，Perm Gen解释 商人shang jvm内存
    jvm区域总体分两类，heap区和非heap区。heap区又分：Eden Space（伊甸园）、Survivor Space(幸存者区)、Tenured Gen（老年代-养老区）。 非heap区又分：Code Cache(代码缓存区)、Perm Gen（永久代）、Jvm Stack(java虚拟机栈)、Local Method Statck(本地方法栈)。 HotSpot虚拟机GC算法采用分代收
  • 页面上调用 QQ oloz qq
    <A href="tencent://message/?uin=707321921&amp;Site=有事Q我&amp;Menu=yes">   <img style="border:0px;" src=http://wpa.qq.com/pa?p=1:707321921:1></a>
  • 一些问题 文强chu 问题
    1.eclipse 导出 doc  出现“The Javadoc command does not exist.” javadoc command 选择 jdk/bin/javadoc.exe 2.tomcate 配置 web 项目 ..... SQL:3.mysql  * 必须得放前面 否则  select&nbs
  • 生活没有安全感 小桔子 生活孤独安全感
           圈子好小，身边朋友没几个，交心的更是少之又少。在深圳，除了男朋友，没几个亲密的人。不知不觉男朋友成了唯一的依靠，毫不夸张的说，业余生活的全部。现在感情好，也很幸福的。但是说不准难免人心会变嘛，不发生什么大家都乐融融，发生什么很难处理。我想说如果不幸被分手(无论原因如何)，生活难免变化很大，在深圳，我没交心的朋友。明
  • php 基础语法 aichenglong php 基本语法
    1 .1 php变量必须以$开头 <?php $a=” b”; echo ?> 1 .2 php基本数据库类型 Integer  float/double Boolean string 1 .3 复合数据类型 数组array和对象 object 1 .4 特殊数据类型  null 资源类型(resource)    $co
  • mybatis tools 配置详解 AILIKES mybatis
    MyBatis Generator中文文档 MyBatis Generator中文文档地址： http://generator.sturgeon.mopaas.com/ 该中文文档由于尽可能和原文内容一致，所以有些地方如果不熟悉，看中文版的文档的也会有一定的障碍，所以本章根据该中文文档以及实际应用，使用通俗的语言来讲解详细的配置。 本文使用Markdown进行编辑，但是博客显示效
  • 继承与多态的探讨 百合不是茶 JAVA面向对象 继承 对象
    继承 extends   多态 继承是面向对象最经常使用的特征之一：继承语法是通过继承发、基类的域和方法 //继承就是从现有的类中生成一个新的类，这个新类拥有现有类的所有extends是使用继承的关键字：     在A类中定义属性和方法； class A{ //定义属性 int age； //定义方法 public void go
  • JS的undefined与null的实例 bijian1013 JavaScriptJavaScript
    <form name="theform" id="theform"> </form> <script language="javascript"> var a alert(typeof(b)); //这里提示undefined if(theform.datas
  • TDD实践（一） bijian1013 java敏捷TDD
    一.TDD概述         TDD：测试驱动开发，它的基本思想就是在开发功能代码之前，先编写测试代码。也就是说在明确要开发某个功能后，首先思考如何对这个功能进行测试，并完成测试代码的编写，然后编写相关的代码满足这些测试用例。然后循环进行添加其他功能，直到完全部功能的开发。     
  • [Maven学习笔记十]Maven Profile与资源文件过滤器 bit1129 maven
    什么是Maven Profile Maven Profile的含义是针对编译打包环境和编译打包目的配置定制，可以在不同的环境上选择相应的配置，例如DB信息，可以根据是为开发环境编译打包，还是为生产环境编译打包，动态的选择正确的DB配置信息   Profile的激活机制 1.Profile可以手工激活，比如在Intellij Idea的Maven Project视图中可以选择一个P
  • 【Hive八】Hive用户自定义生成表函数(UDTF) bit1129 hive
    1. 什么是UDTF   UDTF，是User Defined Table-Generating Functions，一眼看上去，貌似是用户自定义生成表函数，这个生成表不应该理解为生成了一个HQL Table， 貌似更应该理解为生成了类似关系表的二维行数据集   2. 如何实现UDTF 继承org.apache.hadoop.hive.ql.udf.generic
  • tfs restful api 加auth 2.0认计 ronin47
    　　目前思考如何给tfs的ngx-tfs api增加安全性。有如下两点： 　　一是基于客户端的ip设置。这个比较容易实现。 　　二是基于OAuth2.0认证，这个需要lua，实现起来相对于一来说，有些难度。 　　现在重点介绍第二种方法实现思路。 　　 前言：我们使用Nginx的Lua中间件建立了OAuth2认证和授权层。如果你也有此打算，阅读下面的文档，实现自动化并获得收益。SeatGe
  • jdk环境变量配置 byalias javajdk
    进行java开发，首先要安装jdk，安装了jdk后还要进行环境变量配置： 1、下载jdk（http://java.sun.com/javase/downloads/index.jsp），我下载的版本是：jdk-7u79-windows-x64.exe 2、安装jdk-7u79-windows-x64.exe 3、配置环境变量：右击"计算机"-->&quo
  • 《代码大全》表驱动法-Table Driven Approach-2 bylijinnan java
    package com.ljn.base; import java.io.BufferedReader; import java.io.FileInputStream; import java.io.InputStreamReader; import java.util.ArrayList; import java.util.Collections; import java.uti
  • SQL 数值四舍五入 小数点后保留2位 chicony 四舍五入
    1.round() 函数是四舍五入用，第一个参数是我们要被操作的数据，第二个参数是设置我们四舍五入之后小数点后显示几位。 2.numeric 函数的2个参数，第一个表示数据长度，第二个参数表示小数点后位数。 例如： 　　select   cast(round(12.5,2)   as   numeric(5,2))  
  • c++运算符重载 CrazyMizzz C++
    一、加+，减-，乘*，除/ 的运算符重载 Rational operator*(const Rational &x) const{ return Rational(x.a * this->a); } 在这里只写乘法的，加减除的写法类似 二、<<输出,>>输入的运算符重载      &nb
  • hive DDL语法汇总 daizj hive修改列DDL修改表
    hive DDL语法汇总 １、对表重命名 hive> ALTER TABLE table_name RENAME TO new_table_name;   2、修改表备注 hive> ALTER TABLE table_name SET TBLPROPERTIES ('comment' = new_comm
  • jbox使用说明 dcj3sjt126com Web
    参考网址：http://www.kudystudio.com/jbox/jbox-demo.html jBox v2.3 beta [ 点击下载]  技术交流QQGroup：172543951 100521167 [2011-11-11] jBox v2.3 正式版 - [调整&修复] IE6下有iframe或页面有active、applet控件
  • UISegmentedControl 开发笔记 dcj3sjt126com
      //    typedef NS_ENUM(NSInteger, UISegmentedControlStyle) {     //        UISegmentedControlStylePlain,     // large plain   &
  • Slick生成表映射文件 ekian scala
    Scala添加SLICK进行数据库操作，需在sbt文件上添加slick-codegen包 "com.typesafe.slick" %% "slick-codegen" % slickVersion 因为我是连接SQL Server数据库，还需添加slick-extensions，jtds包 "com.typesa
  • ES-TEST gengzg test
    package com.MarkNum; import java.io.IOException; import java.util.Date; import java.util.HashMap; import java.util.Map; import javax.servlet.ServletException; import javax.servlet.annotation
  • 为何外键不再推荐使用 hugh.wang mysqlDB
    表的关联，是一种逻辑关系，并不需要进行物理上的“硬关联”，而且你所期望的关联，其实只是其数据上存在一定的联系而已，而这种联系实际上是在设计之初就定义好的固有逻辑。 在业务代码中实现的时候，只要按照设计之初的这种固有关联逻辑来处理数据即可，并不需要在数据库层面进行“硬关联”，因为在数据库层面通过使用外键的方式进行“硬关联”，会带来很多额外的资源消耗来进行一致性和完整性校验，即使很多时候我们并不
  • 领域驱动设计 julyflame VODAO设计模式DTOpo
    概念： VO（View Object）：视图对象，用于展示层，它的作用是把某个指定页面（或组件）的所有数据封装起来。 DTO（Data Transfer Object）：数据传输对象，这个概念来源于J2EE的设计模式，原来的目的是为了EJB的分布式应用提供粗粒度的数据实体，以减少分布式调用的次数，从而提高分布式调用的性能和降低网络负载，但在这里，我泛指用于展示层与服务层之间的数据传输对
  • 单例设计模式 hm4123660 javaSingleton单例设计模式懒汉式饿汉式
           单例模式是一种常用的软件设计模式。在它的核心结构中只包含一个被称为单例类的特殊类。通过单例模式可以保证系统中一个类只有一个实例而且该实例易于外界访问，从而方便对实例个数的控制并节约系统源。如果希望在系统中某个类的对象只能存在一个，单例模式是最好的解决方案。      &nb
  • logback zhb8015 loglogback
    一、logback的介绍      Logback是由log4j创始人设计的又一个开源日志组件。logback当前分成三个模块：logback-core,logback- classic和logback-access。logback-core是其它两个模块的基础模块。logback-classic是log4j的一个 改良版本。此外logback-class
  • 整合Kafka到Spark Streaming——代码示例和挑战 Stark_Summer sparkstormzookeeperPARALLELISMprocessing
    作者Michael G. Noll是瑞士的一位工程师和研究员，效力于Verisign，是Verisign实验室的大规模数据分析基础设施（基础Hadoop）的技术主管。本文，Michael详细的演示了如何将Kafka整合到Spark Streaming中。 期间， Michael还提到了将Kafka整合到 Spark Streaming中的一些现状，非常值得阅读，虽然有一些信息在Spark 1.2版
  • spring-master-slave-commondao 王新春 DAOspringdataSourceslavemaster
    互联网的web项目，都有个特点：请求的并发量高，其中请求最耗时的db操作，又是系统优化的重中之重。 为此，往往搭建 db的 一主多从库的 数据库架构。作为web的DAO层，要保证针对主库进行写操作，对多个从库进行读操作。当然在一些请求中，为了避免主从复制的延迟导致的数据不一致性，部分的读操作也要到主库上。（这种需求一般通过业务垂直分开，比如下单业务的代码所部署的机器，读去应该也要从主库读取数
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他