数据分析方法(回归分析,决策树与神经网络,提升树,时间序列分析,假设检验,用户画像,竞品分析)等

1.回归分析

回归分析是一种统计方法,用于探索自变量(预测变量)和因变量(目标变量)之间的关系。它可以帮助预测变量的变化对目标变量的影响大小。例如,简单线性回归用于分析两个变量之间的线性关系,而多元回归分析可以处理多个自变量的情况。

例子:简单线性回归

假设我们有一组数据,表示某个城市的广告费用和销售额。我们希望通过回归分析了解广告费用对销售额的影响,并预测在不同广告投入下的销售额。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split #分训练集和测试集
from sklearn.metrics import mean_squared_error, r2_score

# 示例数据
data = {
    '广告费用': [5, 10, 15, 20, 25, 30, 35, 40],
    '销售额': [7, 12, 15, 20, 25, 28, 35, 40]
}
df = pd.DataFrame(data)

# 特征变量 X 和目标变量 y
X = df[['广告费用']]
y = df['销售额']

# 拆分数据集
# test_size=0.2:测试集所占比例。这里 test_size=0.2 表示数据的 20% 将分配给测试集,剩下的 80% 用作训练集。
# random_state=42:随机种子,设置为一个固定值(例如 42)。
#可以保证每次运行时数据划分的结果相同,这在调试和复现实验时非常有用。
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建回归模型并训练
model = LinearRegression() #线性回归模型
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 输出模型评估
print("回归系数:", model.coef_)
print("截距:", model.intercept_)
print("均方误差:", mean_squared_error(y_test, y_pred))
print("R²得分:", r2_score(y_test, y_pred))

# 可视化
plt.scatter(X, y, color='blue', label='实际数据')
plt.plot(X, model.predict(X), color='red', label='回归线')
plt.xlabel('广告费用')
plt.ylabel('销售额')
plt.legend()
plt.show()

均方误差(MSE)和决定系数(R²)是评估回归模型性能的两个常用指标。

均方误差(Mean Squared Error,MSE)

均方误差用来衡量预测值与实际值之间的平均平方差。具体来说,MSE是预测值与实际值之差的平方的平均值。公式为:

MSE 越小,说明模型预测的值与实际值越接近。因为误差是平方计算,MSE 对异常值(outliers)较为敏感。

决定系数(R² Score)

决定系数 R² 表示模型解释目标变量变异的程度。其值在0到1之间,越接近1表示模型对数据的解释能力越强。公式为:

R² 可以理解为模型对数据变化的解释能力。如果R² =1,说明模型能够完美预测目标变量;如果 R² =0,说明模型没有解释目标变量的能力,预测效果相当于使用平均值来预测。

其他一些常见模型

 1.岭回归

from sklearn.linear_model import Ridge

# 使用 Ridge 回归模型,并设置正则化强度参数 alpha
model = Ridge(alpha=1.0)
model.fit(X_train, y_train)

2.支持向量回归(SVR)

​
from sklearn.svm import SVR

# 使用支持向量回归模型
model = SVR(kernel='rbf', C=1.0, epsilon=0.1)
model.fit(X_train, y_train)

3.决策树回归(Decision Tree Regression)

from sklearn.tree import DecisionTreeRegressor

# 使用决策树回归模型
model = DecisionTreeRegressor(max_depth=5)
model.fit(X_train, y_train)

4.随机森林回归(Random Forest Regression)

from sklearn.ensemble import RandomForestRegressor

# 使用随机森林回归模型
model = RandomForestRegressor(n_estimators=100, random_state=42)
model.fit(X_train, y_train)

 2.决策树

决策树是一种基于树状结构的模型,常用于分类和回归任务。它通过对数据特征进行条件判断,将数据逐层划分成不同的分支和节点,直到满足设定的终止条件。

决策树的基本概念

  1. 根节点:决策树的顶点,包含所有数据。
  2. 内部节点:每个节点对某个特征进行划分,生成子节点。
  3. 叶节点:最终的分类或回归结果,不再继续分割。

决策树的构建过程

决策树通过选择最佳特征来对数据集进行划分,常用的特征选择指标包括:

  • 信息增益(信息熵的减少)适用于分类任务;
  • 基尼指数用于衡量分类不纯度;
  • 方差减少,常用于回归任务。

优缺点

  • 优点:直观易理解、对数据预处理要求低、可以处理非线性关系。
  • 缺点:容易过拟合(特别是深度较大时),对数据的小变化敏感。

举例-分类任务:鸢尾花数据集

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = load_iris()
X, y = iris.data, iris.target

# 数据划分
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建决策树分类模型并训练
clf = DecisionTreeClassifier(max_depth=3, random_state=42)
clf.fit(X_train, y_train)

# 预测并评估
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)

print("分类准确率:", accuracy)

3.神经网络

输出层组成,每个节点通过加权连接进行计算。工作流程包括前向传播生成输出、误差计算、以及反向传播调整权重。常用激活函数如ReLU、Sigmoid用于引入非线性。

应用领域包括图像识别(CNN)、自然语言处理(RNN、LSTM)和自动驾驶等。通过训练大量数据,神经网络能自动提取特征并解决复杂问题。

1. 卷积神经网络(CNN)

CNN是专门为处理图像数据设计的神经网络,常用于图像分类、目标检测等任务。它通过卷积层、池化层和全连接层来提取图像特征,减少参数量并保留空间信息。

卷积神经网络(CNN)通常用于处理正常的图片,如自然场景图片、手写数字、猫狗图片等。CNN特别擅长处理二维的图片数据,通过自动提取图片中的特征进行分类或识别。典型的应用场景包括图像分类、目标检测、图像分割等任务

CNN的主要组件

  • 卷积层:通过卷积核在图像上滑动,提取局部特征。
  • 池化层:通常是最大池化,用于降低数据维度,减小计算量。
  • 全连接层:最终将特征向量映射到输出类别。
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

model = Sequential()

# 卷积层,提取图像特征
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)))
model.add(MaxPooling2D(pool_size=(2, 2)))

# 增加第二层卷积
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))

# 展平层,将特征映射为一维向量
model.add(Flatten())

# 全连接层
model.add(Dense(128, activation='relu'))
model.add(Dense(10, activation='softmax'))  # 输出10个类别

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 打印模型结构
model.summary()

2. 循环神经网络(RNN)

RNN擅长处理序列数据,像时间序列或文本。与传统的前馈网络不同,RNN有循环结构,可以记住先前的输入。

RNN的核心

  • 循环层:通过隐藏状态的循环连接,保持记忆,捕捉序列中的时间依赖关系。
  • 缺点:RNN容易遇到梯度消失问题,难以处理长序列。
from keras.models import Sequential
from keras.layers import SimpleRNN, Dense

model = Sequential()

# RNN层,输入为序列数据
model.add(SimpleRNN(50, input_shape=(100, 1), activation='relu'))

# 全连接层
model.add(Dense(10, activation='softmax'))  # 输出10个类别

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 打印模型结构
model.summary()

3. 长短期记忆网络(LSTM)

LSTM是RNN的一种变体,解决了梯度消失问题,适用于处理长序列。LSTM通过引入遗忘门输入门输出门来选择性地记住或丢弃信息。

LSTM的核心组件

  • 遗忘门:控制是否忘记上一步的状态。
  • 输入门:控制是否更新当前状态。
  • 输出门:决定当前状态对下一步的影响。
from keras.models import Sequential
from keras.layers import LSTM, Dense

model = Sequential()

# LSTM层,适合长序列数据
model.add(LSTM(50, input_shape=(100, 1)))

# 全连接层
model.add(Dense(10, activation='softmax'))  # 输出10个类别

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 打印模型结构
model.summary()

keras包

Keras 是一个用于构建和训练神经网络的高级深度学习库,它封装了底层的深度学习框架(如 TensorFlow 和 Theano),提供简单易用的接口,允许用户快速搭建复杂的深度学习模型。Keras 尤其适合初学者和原型开发,因为它的 API 设计简洁明了,可以帮助开发者专注于构建模型,而无需深入处理底层框架的复杂性。

词源解释:

"Keras" 这个名字来源于希腊语中的单词 "κέρας",意思是 "角"(horn),在一些神话中代表力量和神圣感。开发者选择这个名字是因为 Keras 这个库被设计成高效且强大的工具,用于构建深度学习模型。

主要特点:

  1. 简单易用:Keras的API直观,能够快速上手,适合快速实验和原型开发。
  2. 支持多后端:Keras支持多个底层深度学习框架,比如TensorFlow、Theano、CNTK等。
  3. 模块化:Keras中的模型、层、损失函数、优化器等都可以灵活组合,方便实验不同的神经网络结构。
  4. 可扩展性:Keras允许用户自定义层、激活函数、损失函数等。

Keras在深度学习领域的普及,正是由于它的易用性和高层抽象,能加速原型开发过程并降低实现神经网络的难度。

对比一下RNN和LSTM

RNN(Recurrent Neural Network):
  • RNN是一种递归结构的网络,它的隐藏层不仅接收当前时刻的输入,还接收上一个时刻的隐藏层状态。因此,RNN能够记住之前的输入,从而捕捉序列中的时间依赖关系。
  • RNN的工作方式是“逐步”处理序列输入,通过循环结构维持记忆。

RNN的缺点

  • 短期记忆:RNN在处理较长序列时,容易出现“梯度消失”或“梯度爆炸”问题,导致模型无法有效记住远距离的依赖信息。
  • 梯度消失问题:随着序列长度的增加,梯度会逐渐消失,导致网络无法学习到较早的输入信息。
LSTM(Long Short-Term Memory):
  • LSTM是一种特殊的RNN,专门设计来解决RNN的长序列问题。LSTM通过引入记忆单元门控机制(遗忘门、输入门、输出门),能够长期保留关键信息,并选择性地丢弃无关信息。
  • LSTM的门控机制使得它能更好地捕捉长距离依赖,并在长序列任务中表现更好。

LSTM的优点

  • 长期记忆能力:通过门控机制,LSTM可以学习到更长时间的依赖关系。
  • 解决梯度消失问题:LSTM通过门控机制来保留或丢弃信息,从而有效地解决了RNN的梯度消失问题。

 以下是更口语化的介绍(理解):

若下图所示,LSTM比RNN多出一条粉色的链条Ct,这个就是长期记忆,相对应的st为长期记忆。RNN是根据输入Xt和之前的短期记忆St-1来计算得到yt,而LSTM引入长记忆链,把ct加入yt的计算,让得到的值更为精确。

st到ct的线条可以进一步拆分为:

先通过遗忘门和输入门对长期记忆进行修改,把更新后的ct加入yt的计算。

4.提升树

提升树是一种集成学习算法,通过将多个弱学习器(如浅层决策树)组合在一起,逐步减少误差以构建强大的预测模型。每一轮新加入的学习器专注于修正前一轮中表现不佳的部分,从而提升模型的整体精度。常见的提升树算法有梯度提升决策树(GBDT)、AdaBoost、XGBoost、LightGBM等,广泛用于分类、回归以及排序等任务。它具有很强的适应性和预测性能,但需要较高的计算资源,并对超参数设置较为敏感。

梯度提升树(GBDT)代码示例(使用Python的sklearn库):

from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.metrics import accuracy_score

# 生成分类数据集
X, y = make_classification(n_samples=1000, n_features=20, random_state=42)

# 数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建GBDT分类器
gbdt = GradientBoostingClassifier(n_estimators=100, learning_rate=0.1, max_depth=3, random_state=42)

# 训练模型
gbdt.fit(X_train, y_train)

# 预测
y_pred = gbdt.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy:.2f}")

5.时间序列分析

时间序列分析是一种用于分析和建模随时间变化的数据的方法,目标是通过研究数据的时间依赖性、趋势、周期性和季节性,预测未来的趋势或理解数据背后的模式。时间序列数据是一系列按时间顺序排列的观测值,例如股票价格、天气数据、经济指标等。

核心概念

  1. 趋势(Trend):数据在较长时间范围内表现出的整体上升或下降的方向。
  2. 季节性(Seasonality):数据中周期性重复的模式,通常是由于季节变化或特定时间周期的影响。
  3. 周期性(Cyclicality):比季节性周期更长的波动,通常是由经济或外部因素引起的。
  4. 随机波动(Noise):不规则的、不可预测的短期波动。

时间序列分析的常用方法

  1. 移动平均(Moving Average):平滑数据,消除短期波动,揭示长期趋势。
  2. 自回归模型(AR):根据过去的值预测当前的值,假设序列中的数据存在线性依赖关系。
  3. 差分整合移动平均模型(ARIMA):综合了自回归(AR)、差分(I)和移动平均(MA)三部分,广泛用于时间序列预测。
  4. 指数平滑法(Exponential Smoothing):通过给近期数据赋予更大权重来预测未来的值。
  5. 季节性ARIMA(SARIMA):在ARIMA模型的基础上加入季节性因素,处理具有季节性变化的时间序列数据。
  6. 长短期记忆网络(LSTM):一种适合处理长时间依赖的神经网络,特别用于序列预测。

时间序列分析的步骤

  1. 数据预处理:包括缺失值处理、去趋势、去季节性和数据平稳化等。
  2. 模型选择:根据数据的性质选择合适的模型,如ARIMA、SARIMA、LSTM等。
  3. 模型训练与验证:通过历史数据训练模型,并使用验证集评估其准确性。
  4. 预测与评估:利用训练好的模型预测未来的趋势,评估预测结果的精度。

时间序列分析示例代码

(ARIMA模型,使用Python的statsmodels库): 

import pandas as pd
from statsmodels.tsa.arima_model import ARIMA
import matplotlib.pyplot as plt

# 加载时间序列数据
data = pd.read_csv('time_series_data.csv')
time_series = data['value']

# 创建并拟合ARIMA模型
model = ARIMA(time_series, order=(5, 1, 0))  # (p, d, q)
model_fit = model.fit(disp=0)

# 预测
forecast = model_fit.forecast(steps=10)[0]

# 可视化预测结果
plt.plot(time_series, label='Observed')
plt.plot(range(len(time_series), len(time_series)+10), forecast, label='Forecast')
plt.legend()
plt.show()

 6.假设检验

假设检验是一种统计方法,用于根据样本数据判断一个假设是否成立。其流程包括:提出原假设(H₀)和备择假设(H₁)、设定显著性水平(α),然后通过样本数据计算统计量和p值。如果p值小于α,则拒绝原假设,认为存在显著差异;否则接受原假设。

常见的检验类型有Z检验、t检验、卡方检验等。假设检验广泛用于验证两组数据是否有显著差异,帮助做出基于数据的推断。

主要步骤

  1. 提出假设:确定原假设(H₀)和备择假设(H₁),如“没有差异”和“有差异”。
  2. 设定显著性水平(α):通常设定为0.05或0.01,表示可容忍的最大错误概率。
  3. 计算检验统计量:通过样本数据计算统计量(如t值、z值)并得到p值。
  4. 作出决策:若p值小于设定的α,拒绝原假设,认为数据有显著差异;否则,接受原假设。

7.用户画像

用户画像的构建通常通过数据收集、处理和分析来实现,常用的方法包括聚类分析(如K-Means聚类)来对用户进行分类,特征工程将用户行为数据转化为结构化标签,分类模型(如决策树、随机森林)用于预测用户行为。还可以使用推荐系统算法(如协同过滤、矩阵分解)为用户提供个性化推荐。对于复杂的数据或用户行为模式分析,深度学习模型(如LSTM、卷积神经网络)也常用于构建更精准的用户画像。 

8.竞品分析

竞品分析是一种通过研究竞争对手的产品、市场策略、用户反馈等来优化自身产品和策略的过程。它通常包括确定竞品、收集数据、对比产品功能、分析市场策略以及用户体验反馈等方法。通过竞品分析,可以发现自身产品的差异化优势,优化市场定位、产品功能和营销策略,从而提升市场竞争力并规避潜在风险。

竞品分析的实现主要依赖于数据收集、处理和分析工具,并结合一些机器学习或自然语言处理(NLP)模型来分析用户反馈和市场趋势。以下是一些常用的方法和工具:

1. 数据收集

  • 网络爬虫(Web Scraping):使用Python的BeautifulSoupScrapySelenium库自动抓取竞品网站、评论、社交媒体数据等。
  • API:利用API接口获取产品数据,如应用商店的API、社交媒体API(如Twitter、Facebook)等。

2. 文本分析与自然语言处理(NLP)

自然语言处理(NLP,Natural Language Processing)是人工智能和计算机科学的一个分支,旨在让计算机理解、生成和处理人类语言。NLP的核心目标是实现人与计算机之间自然语言的交互,帮助机器从文本、语音等语言形式中提取信息并做出相应处理。NLP结合了语言学、统计学和机器学习的技术,用于处理非结构化的文本数据。 

分析用户评论、社交媒体反馈时,使用NLP技术提取情感信息、主题分析等。常用的模型有:

  • 情感分析:使用TextBlobVADER进行情感分类,判断用户对产品的正面或负面评价。
  • 主题建模:通过Latent Dirichlet Allocation (LDA)模型提取竞品评论中的主要讨论话题。

3. 数据分析与可视化

  • 数据处理:用pandas处理竞品数据,进行产品功能、价格、用户评分等维度的对比分析。
  • 可视化:使用matplotlibseaborn等库生成图表,展示竞品分析结果,如市场份额、用户满意度等。

4. 市场趋势预测

  • 时间序列分析:使用ARIMA、Prophet等模型预测竞品在市场中的发展趋势。

5. 聚类和分类模型

  • K-Means聚类:用于竞品用户群体的细分,根据行为数据将用户分类为不同群体。
  • 随机森林、SVM等分类模型:可用于竞品分类,分析不同特征对市场表现的影响。

通过这些工具和方法,竞品分析不仅能定量研究竞争对手的市场表现,还能通过用户反馈挖掘潜在的改进方向和策略优化。

9.主成分分析法

主成分分析法(PCA,Principal Component Analysis)是一种降维技术,主要用于减少高维数据集的维度,同时尽可能保留数据的主要信息。它通过将原始变量转化为一组新的、不相关的变量(即主成分),这些主成分是按照方差大小排序的,前几个主成分保留了数据中最多的信息。

PCA的主要作用

  1. 降维:将高维数据转换为低维数据,减少特征数量,从而降低计算复杂度和存储需求,适用于大规模数据集。
  2. 去噪:通过保留主成分,PCA可以过滤掉数据中的噪声或不重要的信息,使得分析结果更加清晰。
  3. 可视化:PCA常用于将高维数据(如100维数据)压缩到2维或3维,以便进行可视化展示,帮助理解数据的结构和模式。
  4. 特征提取:通过分析数据的主成分,识别出最重要的特征,增强模型的性能。

工作原理

  • PCA通过计算数据的协方差矩阵,找到数据的主轴方向。
  • 这些主轴方向(主成分)代表了数据中方差最大方向。
  • 按照方差大小排列,选择前几个主成分来表示数据,最大化数据的解释性,同时降低数据维度。

示例应用

  • 图像压缩:PCA可以将高清图像数据压缩成较少的主成分,减少存储空间,但保留视觉上主要的图像信息。
  • 特征选择:在机器学习中,PCA用于减少冗余特征,提高模型训练效率,同时降低过拟合风险。

总结

PCA是一种强大的工具,主要用于降维和数据简化,帮助去除冗余信息,保留数据的关键特征,从而提升分析和建模的效率。

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/894320.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

能源领域下暖通行业现状-研究

基于AI大语言模型的暖通行业能源管理系统构建研究 一、能源管理中的突出问题 1. **能源消耗监测不准确** 现有的监测系统在获取设备实时能耗数据方面存在精度不足的问题,难以准确反映能源的实际使用情况。这使得节能决策缺乏可靠的数据支持,无法精准定位…

react18中的计算属性及useMemo的性能优化技巧

react18里面的计算属性和使用useMemo来提升组件性能的方法 计算属性 实现效果 代码实现 函数式组件极简洁的实现,就这样 import { useState } from "react"; function FullName() {const [firstName, setFirstName] useState("");const [la…

『 Linux 』HTTP(三)

文章目录 HTTP的请求方法HTTP的状态码模拟404状态重定向状态码状态码与浏览器的联系 TCP的短连接与长连接Connection 头部Content-Type 头部Set-Cookie 头部Session ID 本文代码参照前一篇博客 HTTP的请求方法 HTTP协议存在多种请求方法,但是较为常用的请求方法基本为GET方法与…

开源 AI 智能名片 2+1 链动模式 S2B2C 商城小程序:企业产供销全流程的创新驱动

摘要:本文探讨了开源 AI 智能名片、链动 21 模式以及 S2B2C 商城小程序源码在企业产供销过程中的作用。通过分析社交电商与企业产供销的关联、数据运营体系的支撑作用以及小程序功能在企业产供销中的应用等方面,阐述了其在产品研发、传播、营销和公关方面…

2013 lost connection to MySQL server during query

1.问题 使用navicat连接doris,会有这个错误。 2.解决 换低版本的navicat比如navicat11。

Leetcode—192. 统计词频【中等】(Shell)

2024每日刷题(188) Leetcode—192. 统计词频 实现代码 # Read from the file words.txt and output the word frequency list to stdout. cat words.txt | tr -s \n | sort | uniq -c | sort -nr | awk {print $2, $1}运行结果 之后我会持续更新&…

spring 启动失败 active: @env@

参考:SpringBoot启动失败报错,spring.profiles.active:env中环境变量无法识别报错_active: env_profileactive启动报错 ine 3, column 13:-CSDN博客

开源vGPU方案 HAMi实现细粒度GPU切分——筑梦之路

前言 为什么需要 GPU 共享、切分等方案? 在使用GPU的过程中我们会发现,直接在裸机环境使用,都可以多个进程共享 GPU,怎么到 k8s 环境就不行了? 1. 资源感知 在 k8s 中资源是和节点绑定的,对于 GPU 资源…

【MySQL】 表的增删操作

目录 1.Create(增) 1.1.单行数据 全列插入 1.2.多行数据 指定列插入 1.3.插入否则更新 1.4.替换数据(REPLACE) 2.Delete(删) 2.1.删除表中的某个条目 2.2.删除整张表数据 2.3.截断表 1.Create…

智汇云舟亮相WAFI世界农业科技创新大会,并参编数字农业产业图谱

10月10日,2024WAFI世界农业科技创新大会农食行业创新与投资峰会在北京金海湖国际会展中心举行。中国农业大学MBA教育中心主任、教授付文阁、平谷区委常委、统战部部长刘堃、华为公共事业军团数字政府首席专家刘丹、荷兰瓦赫宁根大学前校长Aalt Dijkhuizen、牧原食品…

【论文阅读】Bi-Mamba+: Bidirectional Mamba for Time Series Forecasting

文章目录 概要阅读背景知识引言创新之处 研究方法概述方法部分的核心模块多尺度打补丁(Multi-Scale Patching)Mamba:全局模式专家Local Window Transformer(LWT):局部变化专家长短期路由器(Long…

pikachu靶场SQL-Inject中的“delete“注入、“http header“注入、盲注、宽字节注入

"delete"注入 抓包发现在留言时有messagehhhh&submitsubmit两个参数,但并未涉及到数据库操作。除此之外,在删除留言时URL中拼接了?id的参数 构造?id59有报错回显 利用报错注入函数来查询数据,有空格编译不通过&#xff0c…

Agent智能体?我们要的到底是什么

What is an agent? ❝ 近年来,大型语言模型(LLM)的能力越来越强,应用范围也越来越广泛,其中一个热门方向就是智能体(Agent)。但在这一切的背后,我们真正追求的是什么?是…

SSM框架学习(七、MyBatis-Plus高级用法:最优化持久层开发)

目录 一、MyBatis-Plus快速入门 1.简介 2.快速入门 二、MyBatis-Plus核心功能 1.基于Mapper接口CRUD (1)Insert 方法 (2)Delete方法 (3)Update 方法 (4)Select方法 2.基于Serv…

解决在Windows中安装tensorflow2.10无法检测到GPU的问题

解决在Windows中安装tensorflow2.10无法检测到GPU的问题 官方给出的Windows本地安装方式 更新显卡驱动到最新。安装anaconda或miniconda作为python环境的管理工具。创建新的环境tf:conda create --name tf python3.9,然后进入改环境:conda …

【学习笔记】理解 C++ 中 reinterpret_cast 和 C 风格类型转换的区别

【学习笔记】理解 C 中 reinterpret_cast 和 C 风格类型转换的区别 在 C 中,类型转换是一个常见的操作,特别是当我们需要在不同类型之间进行数据操作时。本篇笔记将通过两个具体的例子来讨论 reinterpret_cast 和 C 风格的类型转换的区别。 示例 1&…

【uniapp】设置公共样式,实现公共背景等

目录 1、 全局渐变背景色 2.1 创建common目录 2.2 在common下新建style和images等目录 2.3 在style下新建common-style.scss 2.4 common-style输入全局渐变颜色 2.5 引入样式 2.6 业务页面引入 2.7 展示 2、全局字体颜色 2.1 新建base-style.scss文件 2.2 设置base-…

【动手学深度学习】7.6. 残差网络(ResNet)(个人向笔记)

1. ResNet精读论文视频的Introduction部分 深度卷积神经网络好,好在可以叠加很多层,每一层都可以提取不一样的特征但是网络特别深的时候,梯度要么爆炸要么消失,我们能做的就是将参数随机初始化做好,或者是在中间加一些…

ai聊天对话页面-uniapp

流式传输打字机效果,只支持uniapp内使用 ,下载地址 https://download.csdn.net/download/qq_54123885/89899859

Java基于SpringBoot微信小程序的跳蚤市场系统设计与实现(lw+数据库+讲解等)

项目运行截图 技术框架 后端采用SpringBoot框架 Spring Boot 是一个用于快速开发基于 Spring 框架的应用程序的开源框架。它采用约定大于配置的理念,提供了一套默认的配置,让开发者可以更专注于业务逻辑而不是配置文件。Spring Boot 通过自动化配置和约…