[吃瓜教程]南瓜书第4章决策树

1.决策树的算法原理

  • 从逻辑角度，条件判断语句的组合；
  • 从几何角度，根据某种准则划分特征空间；
    是一种分治的思想，其最终目的是将样本约分约纯，而划分的核心是在条件的选择或者说是**特征空间的划分标准 **

2.信息熵

1）自信息：
I ( X ) = − l o g b p ( x ) I(X)=-log_bp(x) I(X)=−logb​p(x)
当b=2时单位为bit，当b=e时单位为nat
2）信息熵（自信息的期望）： 度量随机变量X的不确定性，信息熵越大越不确定
H ( X ) = E [ I ( X ) ] = − ∑ x p ( x ) l o g b p ( x ) H(X)=E[I(X)]=-\sum_xp(x)log_bp(x) H(X)=E[I(X)]=−x∑​p(x)logb​p(x)
信息熵计算时约定：若p(x)=0,则 p ( x ) l o g b p ( x ) = 0 p(x)log_bp(x)=0 p(x)logb​p(x)=0.当X的某个取值的概率为1时信息熵最小，值为0，当X的各个取值的概率均等时信息熵最大，最不缺定，其值为 l o g b ∣ X ∣ log_b|X| logb​∣X∣,其中 ∣ X ∣ |X| ∣X∣表示X可能的取值个数。这里可以想象一个例子，一个正常的筛子，它的信息熵最大，而特制的六面都是六的筛子，因为值确定了，所以信息熵最小。
这里的信息熵的最大值的简单的做个推导,在随机变量X的各个取值的概率均等的情况下：
− ∑ x p ( x ) l o g b p ( x ) − − − − − − − − − − − = − p ( x ) l o g b p ∣ X ∣ ( x ) − − − − − − − − − − − = − 1 ∣ X ∣ l o g b ∣ X ∣ − ∣ X ∣ − − − − − − − − − − − = l o g b ∣ X ∣ -\sum_xp(x)log_bp(x)\newline -----------\newline =-p(x)log_bp^{|X|}(x)\newline -----------\newline =-\frac{1}{|X|}log_b|X|^{-|X|}\newline -----------\newline =log_b|X| −x∑​p(x)logb​p(x)−−−−−−−−−−−=−p(x)logb​p∣X∣(x)−−−−−−−−−−−=−∣X∣1​logb​∣X∣−∣X∣−−−−−−−−−−−=logb​∣X∣

将样本类别标记y视作随机变量，各个类别在样本集合D中的占比 p k ( k = 1 , 2 , . . . , ∣ y ∣ ) p_k(k=1,2,...,|y|) pk​(k=1,2,...,∣y∣)视作各个类别取值的概率，则样本集合D（随机变量y）的信息熵（底数取为2）为
E n t ( D ) = − ∑ k = 1 ∣ y ∣ p k l o g 2 p k Ent(D)=-\sum^{|y|}_{k=1}p_klog_2p_k Ent(D)=−k=1∑∣y∣​pk​log2​pk​
此时的信息熵所代表的不确定性可以转换理解为集合内样本的纯度。理解一下，我们希望我们划分出来的空间内的样本的y的概率越大越好，这样我们就把各个y的不同值划分的很好了，这就对应了信息熵中的期望信息熵最小的情况，因此可以用信息熵来表示集合内样本的纯度，信息熵越小样本的纯度越高。
3）条件熵：
Y的信息熵关于概率分布X的期望，在已知X后Y的不确定性
H ( Y ∣ X ) = ∑ x p ( x ) H ( Y ∣ X = x ) H(Y|X)=\sum_xp(x)H(Y|X=x) H(Y∣X)=x∑​p(x)H(Y∣X=x)
从单个属性（特征）a的角度来看，假设其可能取值为 a 1 , a 2 , . . . , a V {a^1,a^2,...,a^V} a1,a2,...,aV, D v D^v Dv表示属性a取值为 a v ∈ a 1 , a 2 , . . . , a V a^v\in{a^1,a^2,...,a^V} av∈a1,a2,...,aV的样本集合， ∣ D v ∣ ∣ D ∣ \frac{|D^v|}{|D|} ∣D∣∣Dv∣​表示占比，那么在已知属性a的取值后，样本集合D的条件熵为
∑ v = 1 V ∣ D v ∣ ∣ D ∣ E n t ( D v ) \sum^V_{v=1}\frac{|D^v|}{|D|}Ent(D^v) v=1∑V​∣D∣∣Dv∣​Ent(Dv)
这里上下两部分的关系，其实下面的部分再更加具体的解释上面的式子。这里第二部分假设X是只有一个维度，也就是特征a，而随机变量X的取值，这里就是a的具体的取值会影响到Y的信息熵，也就是说， D v D \frac{D^v}{D} DDv​就是 p ( x ) p(x) p(x)，而 H ( Y ∣ X = x ) H(Y|X=x) H(Y∣X=x)就是 E n t ( D v ) Ent(D^v) Ent(Dv)。这样可能好理解一点？
4）信息增益
在已知属性（特征）a的取值后y的不确定性减少的量，也即纯度的提升：
G a i n ( D , a ) = E n t ( D ) − ∑ v = 1 D ∣ D v ∣ ∣ D ∣ E n t ( D v ) Gain(D,a)=Ent(D)-\sum_{v=1}^D\frac{|D^v|}{|D|}Ent(D^v) Gain(D,a)=Ent(D)−v=1∑D​∣D∣∣Dv∣​Ent(Dv)

3.决策树

3.1ID3决策树

以信息增益为准则来选择划分属性的决策树
a ∗ = arg max ⁡ a ∈ A G a i n ( D , a ) a_*=\argmax_{a\in A} Gain(D,a) a∗​=a∈Aargmax​Gain(D,a)
ID3的问题：使用信息增益准则对可能取值数目较多的属性 有所偏好
代码：

# 导入必要的库
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn import tree
import matplotlib.pyplot as plt# 加载西瓜数据集
data = {"编号": [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13],"色泽": ["青绿", "乌黑", "乌黑", "青绿", "浅白", "青绿", "乌黑", "浅白", "青绿", "浅白", "乌黑", "浅白", "青绿"],"根蒂": ["蜷缩", "蜷缩", "蜷缩", "蜷缩", "蜷缩", "稍蜷", "稍蜷", "稍蜷", "硬挺", "硬挺", "硬挺", "蜷缩", "蜷缩"],"敲声": ["浊响", "沉闷", "浊响", "沉闷", "浊响", "浊响", "浊响", "浊响", "清脆", "清脆", "清脆", "浊响", "浊响"],"纹理": ["清晰", "清晰", "清晰", "清晰", "清晰", "稍糊", "稍糊", "稍糊", "清晰", "清晰", "稍糊", "模糊", "稍糊"],"脐部": ["凹陷", "凹陷", "凹陷", "凹陷", "凹陷", "稍凹", "稍凹", "稍凹", "平坦", "平坦", "平坦", "稍凹", "稍凹"],"触感": ["硬滑", "硬滑", "硬滑", "硬滑", "硬滑", "软粘", "硬滑", "硬滑", "软粘", "硬滑", "硬滑", "硬滑", "硬滑"],"好瓜": ["是", "是", "是", "是", "否", "否", "否", "否", "否", "否", "否", "否", "否"]
}# 转换为DataFrame
df = pd.DataFrame(data)# 将'好瓜'列转换为二进制值
df['好瓜'] = df['好瓜'].map({'是': 1, '否': 0})# 特征和目标变量
features = df.drop(['编号', '好瓜'], axis=1)
target = df['好瓜']# 使用get_dummies进行one-hot编码
features_encoded = pd.get_dummies(features)# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(features_encoded, target, test_size=0.3, random_state=42)# 初始化决策树分类器（使用ID3算法）
clf = DecisionTreeClassifier(criterion='entropy', random_state=42)# 训练模型
clf.fit(X_train, y_train)# 预测测试集
y_pred = clf.predict(X_test)# 计算准确率
accuracy = clf.score(X_test, y_test)
print(f'模型的准确率是: {accuracy*100:.2f}%')# 可视化决策树
plt.figure(figsize=(20,10))
tree.plot_tree(clf, filled=True, feature_names=features_encoded.columns, class_names=['否', '是'])
plt.show()# 存储决策树模型
import joblib
joblib.dump(clf, 'decision_tree_model.pkl')# 加载模型并进行预测（示例）
loaded_model = joblib.load('decision_tree_model.pkl')
sample_data = X_test.iloc[0].values.reshape(1, -1)
prediction = loaded_model.predict(sample_data)
print(f'预测结果: {"是" if prediction[0] == 1 else "否"}')

可视化决策树：
请添加图片描述

3.2 C4.5决策树

为了解决ID3的问题，C4.5使用增益率代替信息增益，增益率的定义如下：
G a i n r a t e ( D , a ) = G a i n ( D , a ) I V ( a ) Gain_rate(D,a)=\frac{Gain(D,a)}{IV(a)} Gainr​ate(D,a)=IV(a)Gain(D,a)​
其中，
I V ( a ) = − ∑ v = 1 V ∣ D v ∣ ∣ D ∣ l o g 2 ∣ D v ∣ ∣ D ∣ IV(a)=-\sum_{v=1}^V\frac{|D^v|}{|D|}log_2\frac{|D^v|}{|D|} IV(a)=−v=1∑V​∣D∣∣Dv∣​log2​∣D∣∣Dv∣​
称为属性a的固有值，a的可能取值个数V越大，通常其固有值也越大。

C4.5的问题： 增益率对可能取值数目较少的属性有所偏好
因此，C4.5采用启发式方法：先选出信息增益高于平均水平的属性，然后再从中选择增益率最高的。
代码：

# 导入必要的库
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn import tree
import matplotlib.pyplot as plt# 创建西瓜数据集
data = {"Number": [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13],"Color": ["Green", "Black", "Black", "Green", "White", "Green", "Black", "White", "Green", "White", "Black", "White", "Green"],"Root": ["Curled", "Curled", "Curled", "Curled", "Curled", "Slightly Curled", "Slightly Curled", "Slightly Curled", "Stiff", "Stiff", "Stiff", "Curled", "Curled"],"Knock": ["Dull", "Dull", "Dull", "Dull", "Dull", "Dull", "Dull", "Dull", "Clear", "Clear", "Clear", "Dull", "Dull"],"Texture": ["Clear", "Clear", "Clear", "Clear", "Clear", "Slightly Blurry", "Slightly Blurry", "Slightly Blurry", "Clear", "Clear", "Slightly Blurry", "Blurry", "Slightly Blurry"],"Navel": ["Indented", "Indented", "Indented", "Indented", "Indented", "Slightly Indented", "Slightly Indented", "Slightly Indented", "Flat", "Flat", "Flat", "Slightly Indented", "Slightly Indented"],"Touch": ["Hard and Smooth", "Hard and Smooth", "Hard and Smooth", "Hard and Smooth", "Hard and Smooth", "Soft and Sticky", "Hard and Smooth", "Hard and Smooth", "Soft and Sticky", "Hard and Smooth", "Hard and Smooth", "Hard and Smooth", "Hard and Smooth"],"Good": ["Yes", "Yes", "Yes", "Yes", "No", "No", "No", "No", "No", "No", "No", "No", "No"]
}# 转换为DataFrame
df = pd.DataFrame(data)# 将'Good'列转换为二进制值
df['Good'] = df['Good'].map({'Yes': 1, 'No': 0})# 特征和目标变量
features = df.drop(['Number', 'Good'], axis=1)
target = df['Good']# 使用get_dummies进行one-hot编码
features_encoded = pd.get_dummies(features)# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(features_encoded, target, test_size=0.3, random_state=42)# 初始化决策树分类器（使用C4.5算法，即使用信息增益比）
clf = DecisionTreeClassifier(criterion='entropy', random_state=42, splitter='best')# 训练模型
clf.fit(X_train, y_train)# 可视化决策树
plt.figure(figsize=(20,10))
tree_plot = tree.plot_tree(clf, filled=True, feature_names=features_encoded.columns, class_names=['No', 'Yes'])
plt.show()

可视化决策树：
请添加图片描述

3.3CART决策树

基尼值： 从样本集合D中随机抽取两个样本，其类别标记不一致的概率。因此，基尼值越小，碰到异类的概率就越小，纯度自然越高。（对应信息熵）
G i n i ( D ) = ∑ k = 1 ∣ y ∣ ∑ k ′ ≠ k p k p k ′ = ∑ k = 1 ∣ y ∣ p k ( 1 − p k ) = 1 − ∑ k = 1 ∣ y ∣ p k 2 Gini(D)=\sum_{k=1}^{|y|}\sum_{k'\neq k}p_kp_{k'}=\sum_{k=1}^{|y|}p_k(1-p_k)=1-\sum^{|y|}_{k=1}p_k^2 Gini(D)=k=1∑∣y∣​k′=k∑​pk​pk′​=k=1∑∣y∣​pk​(1−pk​)=1−k=1∑∣y∣​pk2​
基尼指数： 属性a的基尼指数(对应条件熵)：
G i n i i n d e x ( D , a ) = ∑ v = 1 V ∣ D v ∣ ∣ D ∣ G i n i ( D v ) Gini_index(D,a)=\sum_{v=1}^V\frac{|D^v|}{|D|}Gini(D^v) Ginii​ndex(D,a)=v=1∑V​∣D∣∣Dv∣​Gini(Dv)

CART决策树： 选择基尼指数最小的属性作为最优划分属性，最后构造了一个二叉树。
a ∗ = arg max ⁡ a ∈ A G i n i _ i n d e x ( D , a ) a_*=\argmax_{a\in A} Gini\_index(D,a) a∗​=a∈Aargmax​Gini_index(D,a)
CART决策树的实际构造算法如下：

  • 对每个属性a的每个可能取值v，将数据集D分为a=v和a≠v两部分计算基尼指数，即
    G i n i i n d e x ( D , a ) = ∣ D a = v ∣ ∣ D ∣ G i n i ( D a = v ) + ∣ D a ≠ v ∣ ∣ D ∣ G i n i ( D a ≠ v ) Gini_index(D,a)=\frac{|D^{a=v}|}{|D|}Gini(D^{a=v})+\frac{|D^{a\neq v}|}{|D|}Gini(D^{a\neq v}) Ginii​ndex(D,a)=∣D∣∣Da=v∣​Gini(Da=v)+∣D∣∣Da=v∣​Gini(Da=v)
  • 选择基尼指数最小的属性及其对应取值作为最优划分属性和最优划分点；
  • 重复上述步骤，直至满足停止条件

代码：

# 导入必要的库
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn import tree
import matplotlib.pyplot as plt# 创建西瓜数据集
data = {"Number": [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13],"Color": ["Green", "Black", "Black", "Green", "White", "Green", "Black", "White", "Green", "White", "Black", "White", "Green"],"Root": ["Curled", "Curled", "Curled", "Curled", "Curled", "Slightly Curled", "Slightly Curled", "Slightly Curled", "Stiff", "Stiff", "Stiff", "Curled", "Curled"],"Knock": ["Dull", "Dull", "Dull", "Dull", "Dull", "Dull", "Dull", "Dull", "Clear", "Clear", "Clear", "Dull", "Dull"],"Texture": ["Clear", "Clear", "Clear", "Clear", "Clear", "Slightly Blurry", "Slightly Blurry", "Slightly Blurry", "Clear", "Clear", "Slightly Blurry", "Blurry", "Slightly Blurry"],"Navel": ["Indented", "Indented", "Indented", "Indented", "Indented", "Slightly Indented", "Slightly Indented", "Slightly Indented", "Flat", "Flat", "Flat", "Slightly Indented", "Slightly Indented"],"Touch": ["Hard and Smooth", "Hard and Smooth", "Hard and Smooth", "Hard and Smooth", "Hard and Smooth", "Soft and Sticky", "Hard and Smooth", "Hard and Smooth", "Soft and Sticky", "Hard and Smooth", "Hard and Smooth", "Hard and Smooth", "Hard and Smooth"],"Good": ["Yes", "Yes", "Yes", "Yes", "No", "No", "No", "No", "No", "No", "No", "No", "No"]
}# 转换为DataFrame
df = pd.DataFrame(data)# 将'Good'列转换为二进制值
df['Good'] = df['Good'].map({'Yes': 1, 'No': 0})# 特征和目标变量
features = df.drop(['Number', 'Good'], axis=1)
target = df['Good']# 使用get_dummies进行one-hot编码
features_encoded = pd.get_dummies(features)# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(features_encoded, target, test_size=0.3, random_state=42)# 初始化决策树分类器（使用CART算法，即使用Gini系数）
clf_cart = DecisionTreeClassifier(criterion='gini', random_state=42)# 训练模型
clf_cart.fit(X_train, y_train)# 预测测试集
y_pred_cart = clf_cart.predict(X_test)# 计算准确率
accuracy_cart = clf_cart.score(X_test, y_test)
print(f'模型的准确率是: {accuracy_cart*100:.2f}%')# 可视化决策树
plt.figure(figsize=(20,10))
tree_plot_cart = tree.plot_tree(clf_cart, filled=True, feature_names=features_encoded.columns, class_names=['No', 'Yes'])
plt.show()

可视化决策树：
请添加图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/pingmian/39002.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

mac安装达梦数据库

mac安装达梦数据库

参考：mac安装达梦数据库​​​​​​ 实践如下： 1、下载达梦Docker镜像文件 同参考链接 2、导入镜像 镜像可以随便放在某个目录，相当于安装包，导入后就没有作用了。 查找达梦镜像名称：dm8_20240613_rev229704_x86…
阅读更多...
第1章 人工智能的基础概念与应用导论

第1章 人工智能的基础概念与应用导论

亲爱的读者朋友们，你们好！欢迎来到这个充满神奇与奥秘的人工智能世界。我知道，对于很多人来说，人工智能（AI）可能是个既神秘又高大上的词汇，仿佛遥不可及，只存在于科幻电影或者顶级科…
阅读更多...
Figma-ui设计学习APP Store

Figma-ui设计学习APP Store

Figma汉化：Figma 中文社区_插件组件库,软件汉化教程 - Figma.Cool 选择Chorme汉化版离线包 插件安装： 打开浏览器安装扩展，解压加载进去即可。 打开标尺，设置左右内边距参考线（左21 右356），wi…
阅读更多...
【postgresql】版本学习

【postgresql】版本学习

PostgreSQL 17 Beta 2 发布于2024-06-27。 PostgreSQL 17 Beta 2功能和变更功能的完整列表：PostgreSQL: Documentation: 17: E.1. Release 17 ​ 支持的版本： 16 ( 当前版本) / 15 / 14 / 13 / 12 ​ 不支持的版本： 11 / 10 / 9.6 / 9.5 /…
阅读更多...
探索工业AI智能摄像机的高端科技

探索工业AI智能摄像机的高端科技

在当今快速发展的工业智能化领域，工业AI智能摄像机系列以其卓越的性能和多功能性在国内外备受关注（文末有国外工程师的评测链接）。搭载Raspberry Pi CM4支持的旨在广泛应用，涵盖从简单的条形码扫描到基于人工智能的工业环境中的缺…
阅读更多...
7.1.SQL注入-基于函数报错的方式来利用updatexml()

7.1.SQL注入-基于函数报错的方式来利用updatexml()

基于函数报错的方式来进行利用-字符型（本页updatexml()） 前提条件是后台数据库没有屏蔽数据库语法报错信息 updatexml()方法详解 注释： 第一个参数，意思就是xml文档的名称 第二个参数，意思就是定位到xml文档中指定…
阅读更多...
OFDM关键技术——ICI消除技术

OFDM关键技术——ICI消除技术

ICI消除算法可以分为以下几类： 1、OFDM符号长度和载波间隔的最优选择，较短的符号周期更有利于降低ICI 2、OFDM基信号的最佳选择，选择频域衰减更快的OFDM基带脉冲 3、自干扰消除技术，将信息调制到一组子载波上 4、频域均衡器&a…
阅读更多...
认识100种电路之耦合电路

认识100种电路之耦合电路

在电子电路的世界中，耦合电路宛如一座精巧的桥梁，连接着各个功能模块，发挥着至关重要的作用。 【为什么电路需要耦合】 在复杂的电子系统中，不同的电路模块往往需要协同工作，以实现特定的功能。然而，这些模…
阅读更多...
网络爬虫（二） 哔哩哔哩热榜高频词按照图片形状排列

网络爬虫（二） 哔哩哔哩热榜高频词按照图片形状排列

我们有时候需要爬取结果生成为自定义的词云图 生成自定义的词云图通常需要以下步骤： 1. 爬取数据：使用爬虫工具或库，如requests、BeautifulSoup等，可以爬取网页、论坛、社交媒体等平台上的文本数据。 2. 数据预处理&#xff1a…
阅读更多...
uniapp微信小程序电子签名

uniapp微信小程序电子签名

先上效果图，不满意可以直接关闭这页签 新建成单独的组件，然后具体功能引入，具体功能点击签名按钮，把当前功能页面用样式隐藏掉，v-show和v-if也行，然后再把这个组件显示出来。 【签名-撤销】原理是之前绘画时…
阅读更多...
AI影像测量：开启测量仪器的智能之眼

AI影像测量：开启测量仪器的智能之眼

在基于机器视觉的影像测量中，一些复杂特征传统测量需要人工手动选点测量，不仅易受到人为因素的干扰，而且极大的降低测量效率，提高了人力成本和生产成本。AI影像测量技术运用先进的机器视觉和深度学习算法，可快速、准确…
阅读更多...
【JVM】JVM 内存结构

【JVM】JVM 内存结构

程序计数器 Cpu 要不停的切换执行线程，所以在切换回同一个线程的时候要知道程序执行到哪了，程序计数器（PC 计数器），用来存储指向下一条指令的地址，也就是将要执行的代码。 程序的分支、循环、跳转、异常处…
阅读更多...
QuickBooks 2024 for Mac：财务智慧，触手可及

QuickBooks 2024 for Mac：财务智慧，触手可及

QuickBooks 2024 for Mac是一款专为Mac用户设计的专业财务管理软件，它集成了多种实用功能，助力企业和个人用户高效管理财务事务。 📊 全面的财务管理工具：QuickBooks 2024 for Mac 提供了一套全面的财务管理功能，包括…
阅读更多...
用免费的可视化工具制作3D智慧城市大屏，融合数字孪生，引领数据升级

用免费的可视化工具制作3D智慧城市大屏，融合数字孪生，引领数据升级

在如今数据驱动的时代，越来越多的场景中都有可视化大屏的身影，许多企业和政府部门也从常规的二维看板渐渐地转向更加炫酷，立体的3D可视化大屏。3D可视化大屏成为了展示复杂数据、实时监控业务动态的重要工具。本文将详细介绍如何使用免费的数…
阅读更多...
物联网工业级网关解决方案 工业4G路由器助力智慧生活

物联网工业级网关解决方案 工业4G路由器助力智慧生活

随着科技的飞速发展，无线通信技术正逐步改变我们的工作与生活。在这个智能互联的时代，一款高性能、稳定可靠的工业4G路由器成为了众多行业不可或缺的装备。工业4G路由器以其卓越的性能和多样化的功能，助力我们步入智慧新纪元。 一、快速转化&…
阅读更多...
Python处理excel数据详解

Python处理excel数据详解

1.导入文件 注意：要把excel放到跟你的python文件在同一个地方 import pandas as pd import numpy as np dfpd.read_excel("鸢尾花训练数据.xlsx",engine"openpyxl") import pandas 先引入 (若没有下载 需要在终端下载 pip install pandas)…
阅读更多...
LAMP架构的源码编译环境下部署Discuz论坛

LAMP架构的源码编译环境下部署Discuz论坛

一、LAMP架构 LAMP架构是一种常见的用于构建动态网站的技术栈 组成功能Linux（操作系统）LAMP 架构的基础，用于托管 Web 服务器和应用程序Apache（Web服务器）接收和处理客户端请求，并将静态和动态内容发送给…
阅读更多...
Python爬取豆瓣电影+数据可视化，爬虫教程！

Python爬取豆瓣电影+数据可视化，爬虫教程！

1. 爬取数据 1.1 导入以下模块 import os import re import time import requests from bs4 import BeautifulSoup from fake_useragent import UserAgent from openpyxl import Workbook, load_workbook1.2 获取每页电影链接 def getonepagelist(url,headers):try:r reque…
阅读更多...
如何用matplotlib绘制图像分类任务的类别特征空间分布

如何用matplotlib绘制图像分类任务的类别特征空间分布

import matplotlib.pyplot as plt import numpy as np from sklearn.decomposition import PCA from sklearn.datasets import load_iris from mpl_toolkits.mplot3d import Axes3D# 加载示例数据（Iris 数据集） data load_iris() X data.data y data.…
阅读更多...
适用于高海拔地区的工业路由器产品

适用于高海拔地区的工业路由器产品

1、西藏背景 西藏，这个位于中国西南部的神秘之地，以其雄伟壮观、神奇瑰丽的自然风光和深厚的文化底蕴，被无数人视为心中的圣地。这里属于高原性气候，具有气温低、气压低，降水少，生态环境十分恶劣。西藏被誉…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023