机器学习-特征选择:如何使用Lassco回归精确选择最佳特征?

一、引言

特征选择在机器学习领域中扮演着至关重要的角色,它能够从原始数据中选择最具信息量的特征,提高模型性能、减少过拟合,并加快模型训练和预测的速度。在大规模数据集和高维数据中,特征选择尤为重要,因为不必要的特征会增加计算复杂性并引入冗余信息。

Lasso回归是一种强有力的特征选择方法,通过引入L1正则化来推动部分特征系数稀疏化。相比于其他方法,Lasso回归具有良好的解释性和可解释性,能够自动选择与目标变量相关的重要特征,同时将不相关或冗余特征的系数置零。这使得Lasso回归成为特征选择和维度约简的首选方法。

本文旨在介绍Lasso回归在精确特征选择中的应用。首先,我们将探讨特征选择的重要性,包括如何提高模型性能和降低计算成本。接着,我们将深入解析Lasso回归的原理和算法,并说明其在特征选择中的优势。为了支撑我们的观点,我们将引用相关文献提供的实证结果和案例分析。

二、Lasso回归简介

2.1 Lasso回归的基本原理

Lasso回归,也称为最小绝对收缩和选择算子回归,是一种线性回归方法。其基本原理是在普通最小二乘法的基础上,引入L1正则化项,通过最小化目标函数来实现模型的特征选择和系数稀疏化。

Lasso回归的目标函数如下所示: minimize ||Y - Xβ||^2 + λ||β||₁ 其中,Y是观测值向量,X是特征矩阵,β是待估计的回归系数向量,λ是控制正则化强度的超参数。

L1正则化项λ||β||₁在目标函数中起到了关键作用。它引入了稀疏性,即使得一些特征的系数被压缩为零,从而实现了自动的特征选择。因此,Lasso回归不仅可以进行预测,还可以识别出对目标变量有重要影响的特征。

2.2 Lasso回归与普通最小二乘法区别

Lasso回归与普通最小二乘法之间存在着几个重要的区别。

  • 首先,Lasso回归通过引入L1正则化项,使得部分特征的系数变为零。这种特性使得Lasso回归能够实现特征选择,从而减少了模型的复杂度和噪声的影响。而普通最小二乘法并没有引入正则化项,无法直接进行特征选择。
  • 其次,Lasso回归的估计结果更具有解释性。由于L1正则化的存在,Lasso回归可以将不相关或冗余的特征系数置为零,只保留与目标变量相关的重要特征。这样一来,Lasso回归得到的模型更简洁、更易解释。而普通最小二乘法则会给出所有特征的系数估计值,无法过滤掉不相关特征。
  • 此外,Lasso回归适用于高维数据集。在高维情况下,特征的数量远大于样本的数量,Lasso回归能够通过特征选择来缓解维度灾难的问题。而普通最小二乘法在高维数据集中容易出现过拟合的情况。

综上所述,Lasso回归通过引入L1正则化项,实现了特征选择和系数稀疏化,与普通最小二乘法相比,在模型解释性和适应高维数据等方面具有一定的优势。

三、特征选择的方法

3.1 过滤方法

过滤方法是一种常见的特征选择方法,它通过在训练模型之前对特征进行筛选,选择那些与目标变量相关性较高的特征。以下是几种常用的过滤方法:

  • 方差阈值:方差阈值方法是通过计算特征在样本中的变化程度来进行特征选择。具体来说,计算每个特征的方差,并将方差低于某个阈值的特征排除。这种方法适用于对离散特征进行选择。
  • 互信息:互信息是衡量两个随机变量之间相互依赖程度的度量指标。在特征选择中,可以计算每个特征与目标变量之间的互信息,然后选择互信息高于某个阈值的特征。互信息方法适用于对离散或连续变量之间的关系进行选择。
  • 相关性系数:相关性系数是衡量两个变量之间线性相关程度的指标。常用的相关性系数包括皮尔逊相关系数和斯皮尔曼等级相关系数。通过计算每个特征与目标变量之间的相关性系数,可以选择与目标变量具有较高相关性的特征。相关性系数方法适用于对连续变量之间的关系进行选择。

这些过滤方法都是基于统计学原理和度量指标来进行特征选择的,它们简单直观,计算效率高,并且可以帮助筛选出与目标变量相关性较强的特征。但是过滤方法忽略了特征之间的相互作用和非线性关系,可能会无法捕捉到一些重要的特征。因此,在实际应用中,可以结合其他特征选择方法,如包裹方法和嵌入方法,以获得更准确和鲁棒的特征选择结果。

3.2 包装方法

包装方法是一种更为复杂和耗时的特征选择方法,它通过使用某个学习模型来评估特征的重要性,并根据重要性进行特征选择。以下是两种常见的包装方法:

  • 递归特征消除(Recursive Feature Elimination, RFE):递归特征消除是一种迭代的特征选择方法。它通过反复训练一个学习模型,并在每次迭代中排除对目标变量影响较小的特征。具体步骤如下:首先,训练一个学习模型,根据特征的重要性进行排序。然后,删除最不重要的特征,重新训练模型,并继续迭代直到达到指定的特征数目或达到停止条件。递归特征消除适用于任何学习模型,并且可以通过交叉验证来选择最佳的特征子集。
  • 基于遗传算法的特征选择:基于遗传算法的特征选择是一种优化算法,通过模拟生物进化过程来搜索最佳特征子集。这种方法将特征作为个体,通过交叉、变异和选择等操作来生成新的特征子集,并利用评估函数(如模型准确率)来评估特征子集的质量。遗传算法根据评估函数的反馈进行迭代优化,直到找到最佳的特征子集为止。基于遗传算法的特征选择可以全局搜索特征空间,并且具有较强的鲁棒性和适应性。

包装方法相对于过滤方法更为精确,能够考虑特征之间的相互作用和非线性关系。然而,由于包装方法需要多次训练模型,计算复杂度较高,并且对于大规模数据集可能不太适用。因此,在应用包装方法时需要权衡计算资源和模型性能的平衡。同时,选择合适的学习模型和评估函数也是非常重要的,以确保得到准确和稳定的特征选择结果。

3.3 嵌入方法

嵌入方法是一种将特征选择与模型训练过程相结合的方法,它通过在学习模型中嵌入特征选择来选择最佳的特征子集。以下是一个常见的嵌入方法:

  • 基于Lasso回归的特征选择:Lasso(Least Absolute Shrinkage and Selection Operator)回归是一种线性回归的扩展,它利用L1正则化项对模型的系数进行约束,从而实现特征选择。具体来说,Lasso回归通过最小化目标函数,其中包括了平方损失和L1正则化项。在优化过程中,Lasso回归会使得部分特征的系数变为0,从而实现了特征的稀疏性,剔除了对目标变量影响较小的特征。通过调节正则化参数,可以控制特征选择的程度。基于Lasso回归的特征选择适用于线性模型,它能够同时进行特征选择和模型训练,并且能够处理高维数据。

嵌入方法将特征选择与模型训练过程融合在一起,能够自动选择与目标变量相关性较强的特征。相比于过滤方法和包装方法,嵌入方法更加灵活,能够考虑到特征之间的相互作用。然而,嵌入方法通常需要更多的计算资源和时间,并且对于非线性模型可能效果不如包装方法或过滤方法。因此,在选择嵌入方法时,需要根据具体问题和数据集的特点进行权衡和选择合适的方法。

四、Lasso的特征选择流程

  • 「数据预处理」

  1. 收集并整理原始数据集。
  2. 处理缺失值、异常值和离群点。
  3. 对特征进行标准化或归一化,确保它们具有相似的尺度。
  • 「划分训练集和测试集」

  1. 将数据集划分为训练集和测试集,通常采用交叉验证的方式。
  • 「搭建Lasso回归模型」

  1. 使用训练集拟合Lasso回归模型。
  2. 在拟合过程中,通过调节正则化参数来控制特征的稀疏性。可以使用交叉验证或网格搜索等方法找到最佳的正则化参数。
  • 「特征系数选择」

  1. 根据训练好的Lasso回归模型,获取所有特征的系数。
  2. 对系数进行排序,按照绝对值从大到小排序。
  • 「特征选择」

  1. 设置一个阈值,保留系数大于阈值的特征。
  2. 可以根据先验知识和实际需求来选择阈值,也可以通过交叉验证确定最佳的阈值。
  • 「模型评估」

  1. 使用保留的特征重新训练Lasso回归模型。
  2. 使用测试集评估模型的性能,比较选择特征和原始全特征的模型性能。

五、实例演示

5.1 数据集载入

library(survival)
str(gbsg)

结果展示:

> str(gbsg)
'data.frame':   686 obs. of  10 variables:
 $ age    : int  49 55 56 45 65 48 48 37 67 45 ...
 $ meno   : int  0 1 1 0 1 0 0 0 1 0 ...
 $ size   : int  18 20 40 25 30 52 21 20 20 30 ...
 $ grade  : int  2 3 3 3 2 2 3 2 2 2 ...
 $ nodes  : int  2 16 3 1 5 11 8 9 1 1 ...
 $ pgr    : int  0 0 0 0 0 0 0 0 0 0 ...
 $ er     : int  0 0 0 4 36 0 0 0 0 0 ...
 $ hormon : int  0 0 0 0 1 0 0 1 1 0 ...
 $ rfstime: int  1838 403 1603 177 1855 842 293 42 564 1093 ...
 $ status : Factor w/ 2 levels "0","1": 1 2 1 1 1 2 2 1 2 2 ...

age:患者年龄
meno:更年期状态(0表示未更年期,1表示已更年期)
size:肿瘤大小
grade:肿瘤分级
nodes:受累淋巴结数量
pgr:孕激素受体表达水平
er:雌激素受体表达水平
hormon:激素治疗(0表示否,1表示是)
rfstime:复发或死亡时间(以天为单位)
status:事件状态(0表示被截尾,1表示事件发生)

5.2 Lasso和特征选择

  • 「数据预处理」
colSums(is.na(gbsg))
set.seed(1234)
gbsg$status <- as.factor(gbsg$status)
# 拆分训练集和测试集
trainIndex <- sample(1:nrow(gbsg), 0.8 * nrow(gbsg))
train <- gbsg[trainIndex,]
test <- gbsg[-trainIndex,]
  • 「搭建Lasso回归模型」
# 安装并加载所需的R包
install.packages("glmnet")
library(glmnet)

x <- as.matrix(train[, c(-1,-11)]) 
y <- as.numeric(train$status)

# 计算标准化前的均值和标准差
colMeans(x)
apply(x,2,sd)

# 标准化
x = scale(x,center = T,scale = T)

# 构建模型
la_md <- glmnet(x, y, lambda=0.1
                family='gaussian'
                intercept = F, alpha=1

glmnet函数是用于构建弹性网络模型的函数,具体解释如下:

  • x:自变量矩阵,包含训练数据的特征。每一行代表一个样本,每一列代表一个特征。
  • y:因变量向量,包含训练数据的响应变量。
  • lambda:正则化参数,控制模型的复杂度。较大的lambda值会导致更多的系数为0,从而减小模型的复杂度和过拟合的风险。
  • family:指定了回归模型的误差分布。对于高斯分布(正态分布)的响应变量,可以选择'gaussian'。还有其他可选的分布类型,如二项分布('binomial')和泊松分布('poisson')等。
  • intercept:是否包括截距项。设置为TRUE表示包括截距项,设置为FALSE表示不包括截距项。
  • alpha:弹性网络的混合参数,介于0和1之间。当alpha为1时,模型为Lasso回归;当alpha为0时,模型为岭回归。

关于如何设置lambda和alpha,以及family的选择,这需要根据具体问题和数据来进行调整。一般来说:

  • lambda:可以通过交叉验证法(cross-validation)来选择合适的lambda值。函数cv.glmnet可以帮助我们进行交叉验证,选择最优的lambda值。
  • alpha:如果你对注意力集中在少数变量上,倾向于使用Lasso回归,那么可以选择较大的alpha值。如果你更希望模型保留更多有用的变量,可以选择较小的alpha值。
  • family:根据响应变量的性质和概率分布选择合适的误差分布类型。例如,如果响应变量是二分类变量,可以选择二项分布('binomial');如果响应变量是计数数据,可以选择泊松分布('poisson')。多项分布('multinomial')适用于多分类问题。

需要注意的是,这只是一些一般性的指导原则。具体的选择还要考虑数据的特点和分析目标。

  • 「Lasso筛选变量动态过程图」
# Lasso筛选变量动态过程图
la.md <- glmnet(x, y, family="gaussian"
                intercept = F, alpha=1
# plot
plot(la.md,xvar = "lambda", label = F)

从图中,我们可以看出,随着lambda增大,各特征相应的也被压缩得更小,而当lambda达到一定值以后,一部分不重要的特征将被压缩为0,代表该变量已被剔除出模型,图中从左至右不断下降的曲线如同被不断增大的lambda一步一步压缩,直到压缩为0。

「对于特征的系数大小」

  • 正的系数表示该特征与响应变量之间存在正相关关系。当特征的取值增加时,响应变量的期望值也会增加。
  • 负的系数表示该特征与响应变量之间存在负相关关系。当特征的取值增加时,响应变量的期望值会减少。

「对于特征的非零系数个数」

  • 当某个特征的非零系数个数为正数时,表示该特征在模型中被选择为重要特征,并且对预测结果有显著影响。
  • 当某个特征的非零系数个数为零时,表示该特征在模型中被排除或被忽略,对预测结果没有显著影响。

需要明确的是,特征的系数大小和非零系数个数仅反映特征与响应变量之间的关系,并不能直接推断特征的实际影响或取值。具体特征对应的实际取值以及与响应变量之间的关系,还需要根据具体问题和数据背景进行进一步分析和解释。

  • 「计算出合适的lambda值」

可以通过交叉验证法(cross-validation)来选择合适的lambda值。函数cv.glmnet可以帮助我们进行交叉验证,选择最优的lambda值.

mod_cv <- cv.glmnet(x=x, y=y, family="gaussian"# 默认nfolds = 10
                    intercept = F, alpha=1)

plot(mod_cv) 
# 最小误差对应的lambda和最小误差
print(paste(mod_cv$lambda.min,
            log(mod_cv$lambda.min)))
print(paste(mod_cv$lambda.1se,
            log(mod_cv$lambda.1se)))

# 这里我们以lambda.min为最优 λ
best_lambda <- mod_cv$lambda.min
best_lambda

结果显示:

> print(paste(mod_cv$lambda.min,
+             log(mod_cv$lambda.min)))
[1"0.093983735301881 -2.36463354038672"
> print(paste(mod_cv$lambda.1se,
+             log(mod_cv$lambda.1se)))
[1"0.217114618245629 -1.52732987020707"

通过交叉验证,我们可以选择平均误差最小的那个λ,即mod_cv λ lambda.1se。从图中可以看出,λ在-3和-2之间最低,大概是-2.3左右的样子误差最小。然后从打印出的最佳lambda是0.09398374。

  • 「特征选择」
best_model <- glmnet(x, y, alpha = 1, lambda = best_lambda)
coef(best_model)

结果展示:

10 x 1 sparse Matrix of class "dgCMatrix"
                    s0
(Intercept)  1.4489051
age          .        
meno         .        
size         .        
grade        .        
nodes        .        
pgr          .        
er           .        
hormon       .        
rfstime     -0.1232434

如变量没有显示系数,即lasso回归收缩系数为零。这意味着它完全被排除在模型之外,因为它的影响力不够。系数非0的变量即为我们筛选的重要特征。

  • 「使用最终模型进行预测」
x_test <- as.matrix(test[, c(-1,-11)]) 
y_test <- as.numeric(test$status)


# 标准化
x_test = scale(x_test,center = T,scale = T)
#使用 lasso 回归模型预测
y_predicted <- predict(best_model, s = best_lambda, newx = x_test)

sst <- sum((y_test - mean(y_test))^2)
sse <- sum((y_predicted - y_test)^2)
rsq <- 1 - sse/sst
rsq

结果展示:

> rsq
[10.1607887

rsq即是R²:

  • 当R²接近0时,模型无法解释响应变量的变异性,拟合程度较差,意味着模型对数据的解释能力很弱。
  • 当R²接近0.5时,模型能够解释部分响应变量的变异性,但还有很大一部分变异不能被模型解释,拟合程度一般。
  • R²大于0.6或者0.7可以作为一个相对较好的指标,在医学领域,但还需要综合考虑其他因素来评估模型的优劣
  • 当R²为1时,表示该预测模型完全解释了响应变量的变异性,即模型能够完美拟合数据

这里解释一下为什么这次的R²只有0.16,远远低于0.5,更是低于医学可接受的值,我使用的数据是二分类数据,即只有0和1是离散型变量,不是连续型的数值。所以使用R²来评价是不合理的。所以这个偏差是合理的。

六、总结

6.1 适用于连续性因子变量

Lasso回归是一种用于特征选择和预测建模的线性回归方法,通常用于连续型的数值响应变量。对于因子类型的离散响应变量,Lasso回归通常不直接适用。

对于因子类型的响应变量,通常需要使用适合离散型数据的回归模型,例如逻辑回归(Logistic Regression)或多项式回归(Multinomial Regression)。这些模型可以应用于分类问题或多类别预测问题。

逻辑回归(Logistic Regression)用于二分类问题,将因子型的响应变量映射为概率值,表示某个类别的概率。多项式回归(Multinomial Regression)则用于多分类问题,将因子型的响应变量映射为多个类别的概率分布。

需要注意的是,无论是使用Lasso回归还是其他回归方法,对于因子类型的响应变量,都需要进行适当的编码和转换,将因子变量映射为数值型变量,以便模型的计算和分析。

6.2 如何使二分类0和1如何使用Lasso回归?

如果因子类型的响应变量只有两个取值(0和1),可以将问题看作是二分类问题。在这种情况下,Lasso回归可以被用于选择与响应变量相关性最强的特征,并建立一个预测模型。

在使用Lasso回归时,需要对因子型的响应变量进行适当的编码。一种常见的编码方法是使用虚拟变量(Dummy Variable)编码。将因子型的响应变量转化为两个虚拟变量,如0表示一个类别,1表示另一个类别,然后使用Lasso回归进行建模。

虽然Lasso回归原本是用于处理连续型的数值响应变量,但通过将因子型的响应变量进行适当的编码,我们可以将其扩展到处理二分类问题。这是因为Lasso回归对特征的选择性质仍然适用。

需要注意的是,在使用Lasso回归进行二分类建模时,我们通常使用的评估指标是准确率、精确率、召回率或F1分数等,而非均方误差(Mean Squared Error)等用于度量连续型响应变量的指标。

这里是不是解释了刚才我们计算出的R²的偏低情况。如果想了解如何使用Lasso回归如何对离散型的因子变量进行特征筛选,欢迎关注和私信我,我们一起讨论学习。原创不易,如果觉得写的还行的话,请留下您的赞和再看,谢谢!

*「未经许可,不得以任何方式复制或抄袭本篇文章之部分或全部内容。版权所有,侵权必究。」

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:/a/55487.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

windows基础命令

提示&#xff1a;文章写完后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 目录 前言 一.目录和文件的操作 1.cd 命令 切换到d盘 2.目录分为相对路径和绝对路径 3. dir命令 用于显示目录和文件列表 4. md 或 mkdir 创建目录 5. rd 用于删…

LeetCode·每日一题·822. 翻转卡片游戏·哈希

作者&#xff1a;小迅 链接&#xff1a;https://leetcode.cn/problems/card-flipping-game/solutions/2368969/ha-xi-zhu-shi-chao-ji-xiang-xi-by-xun-ge-7ivj/ 来源&#xff1a;力扣&#xff08;LeetCode&#xff09; 著作权归作者所有。商业转载请联系作者获得授权&#xff…

ChatGPT | 分割Word文字及表格,优化文本分析

知识库读取Word内容时&#xff0c;由于embedding切片操作&#xff0c;可能会出现表格被分割成多个切片的情况。这种切片方式可能导致“列名栏”和“内容栏”之间的Y轴关系链断裂&#xff0c;从而无法准确地确定每一列的数据对应关系&#xff0c;从而使得无法准确知道每一列的数…

RabbitMQ 教程 | 第2章 RabbitMQ 入门

&#x1f468;&#x1f3fb;‍&#x1f4bb; 热爱摄影的程序员 &#x1f468;&#x1f3fb;‍&#x1f3a8; 喜欢编码的设计师 &#x1f9d5;&#x1f3fb; 擅长设计的剪辑师 &#x1f9d1;&#x1f3fb;‍&#x1f3eb; 一位高冷无情的编码爱好者 大家好&#xff0c;我是 DevO…

02 笔记本电脑m.2硬盘更换

1 工具展示 SN570的2T硬盘。够用了。 对于这台华为&#xff0c;使用的螺丝刀批头是4或5毫米的六边形批头。如果出现打滑的情况&#xff0c;请不要用蛮力哦。 2 更换过程 使用螺丝刀拧走后盖的螺丝&#xff08;为了避免会出问题要再次打开&#xff0c;我到现在还没有把螺丝拧回…

每日一题8.2 2536

2536. 子矩阵元素加 1 给你一个正整数 n &#xff0c;表示最初有一个 n x n 、下标从 0 开始的整数矩阵 mat &#xff0c;矩阵中填满了 0 。 另给你一个二维整数数组 query 。针对每个查询 query[i] [row1i, col1i, row2i, col2i] &#xff0c;请你执行下述操作&#xff1a;…

minio-分布式文件存储系统

minio-分布式文件存储系统 minio的简介 MinIO基于Apache License v2.0开源协议的对象存储服务&#xff0c;可以做为云存储的解决方案用来保存海量的图片&#xff0c;视频&#xff0c;文档。由于采用Golang实现&#xff0c;服务端可以工作在Windows,Linux, OS X和FreeBSD上。配置…

Stable Diffusion 硬核生存指南:WebUI 中的 CodeFormer

本篇文章聊聊 Stable Diffusion WebUI 中的核心组件&#xff0c;强壮的人脸图像面部画面修复模型 CodeFormer 相关的事情。 写在前面 在 Stable Diffusion WebUI 项目中&#xff0c;源码 modules 目录中&#xff0c;有一个有趣的目录叫做 CodeFormer&#xff0c;它就是本文的…

P3855 [TJOI2008] Binary Land(BFS)(内附封面)

[TJOI2008] Binary Land 题目背景 Binary Land是一款任天堂红白机上的经典游戏&#xff0c;讲述的是两只相爱的企鹅Gurin和Malon的故事。两只企鹅在一个封闭的迷宫中&#xff0c;你可以控制他们向上下左右四个方向移动。但是他们的移动有一个奇怪的规则&#xff0c;即如果你按…

【点云处理教程】00计算机视觉的Open3D简介

一、说明 Open3D 是一个开源库&#xff0c;使开发人员能够处理 3D 数据。它提供了一组用于 3D 数据处理、可视化和机器学习任务的工具。该库支持各种数据格式&#xff0c;例如 .ply、.obj、.stl 和 .xyz&#xff0c;并允许用户创建自定义数据结构并在程序中访问它们。 Open3D 广…

Python——调用webdriver.Chrome() 报错

今天运行脚本&#xff0c;报错内容如下&#xff1a; collecting ... login_case.py:None (login_case.py) login_case.py:11: in <module> dr webdriver.Chrome() D:\Program Files (x86)\Python\Python39\Lib\site-packages\selenium\webdriver\chrome\webdriver.p…

uniapp使用视频地址获取视频封面

很多时候我们都需要使用视频的第一帧当作视频的封面&#xff0c;今天我们从uni-app的安卓app这个环境来实现下这个需求。 uniapp 安卓APP端&#xff08;ios未测试&#xff09; 方法&#xff1a;使用renderjs实现对DOM元素的操作&#xff0c;创建video元素获取视频转第一帧&am…

图论-简明导读

计算机图论是计算机科学中的一个重要分支&#xff0c;它主要研究图的性质和结构&#xff0c;以及如何在计算机上有效地存储、处理和操作这些图。本文将总结计算机图论的核心知识点。 一、基本概念 计算机图论中的基本概念包括图、节点、边等。图是由节点和边构成的数据结构&am…

APP外包开发的iOS开发框架

在开发APP时需要用到各种框架&#xff0c;这些框架提供了基础的软件功能&#xff0c;可以减轻开发工作量&#xff0c;因此在APP项目开发中熟练运用常见的框架是开发者需要掌握的技能。每个框架都有其特点和适用场景&#xff0c;开发者可以根据项目的需求选择合适的框架进行开发…

kv键值对快速转换为json串(字典类型) | 批量添加双引号

从浏览器中复制的以下数据, 并不能直接使用 refresh:0 start:0 count:20 selected_categories:%7B%7D uncollect:false playable:true tags:在python中需转为字典类型 {refresh: 0,start: 0,count: 20,selected_categories: %7B%7D,uncollect: false,playable: true,tags: , …

docker push 报错:unauthorized: unauthorized to access repository: library/xx处理方法

rootmaster:/home/data/harbor# sudo docker login 49.0.241.2 admin Harbor12345 1.报错原因分析 rootmaster:/home/data/harbor# docker push 49.0.241.2/library/nginx:latest #这种报错 The push refers to repository [49.0.241.2/library/nginx] Get "https://49.…

【网络】网络层(IP协议)

目录 一、基本概念 二、协议头格式 三、网段划分 四、特殊的IP地址 五、IP地址的数量限制 六、私有IP地址和公网IP地址 七、路由 一、基本概念 IP协议&#xff1a;提供一种能力&#xff0c; 将数据从A主机送到B主机&#xff0c;&#xff08;TCP协议&#xff1a;确保IP协议…

数据分析 VS 数据可视化:决战时刻

数据分析和数据可视化是数据科学领域中两个重要的组成部分&#xff0c;很多人不明白两者之间的关系&#xff0c;会误认为是一个东西&#xff0c;其实不然。本文就带大家简单了解一下它们的区别与联系吧&#xff01; 数据分析是指通过收集、处理和解释数据来获取有关特定问题或…

Jenkins 节点该如何管理?

Jenkins 拥有分布式构建(在 Jenkins 的配置中叫做节点)&#xff0c;分布式构建能够让同一套代码在不同的环境(如&#xff1a;Windows 和 Linux 系统)中编译、测试等 Jenkins 的任务可以分布在不同的节点上运行 节点上需要配置 Java 运行时环境&#xff0c;JDK 版本大于 1.5 节…

今年嵌入式行情怎么样?

我不了解其它行业可能描述有些片面&#xff0c;但总的来说&#xff0c;我对嵌入式是很看好的&#xff0c;因为你可以感受到你能实际的做出产品而不是类似前端和互联网只是数字数据。 并且嵌入式的学习过程充满乐趣&#xff0c;你可以接触到从沙子到开关管到逻辑门到芯片架构到…