基于决策树的分类预测 (机器学习)

最新推荐文章于 2024-04-29 23:17:41 发布
最新推荐文章于 2024-04-29 23:17:41 发布
阅读量1.3k 收藏 13
点赞数 1
文章标签： 决策树 分类
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2201_75853290/article/details/128624943
版权

文章目录

🚩0 简介

今天学长向大家介绍 如何使用机器学习算法做分类和预测

基于决策树的分类预测 (机器学习)

1 决策树的介绍

决策树是一种常见的分类模型，在金融分控、医疗辅助诊断等诸多行业具有较为广泛的应用。决策树的核心思想是基于树结构对数据进行划分，这种思想是人类处理问题时的本能方法。例如在婚恋市场中，女方通常会先看男方是否有房产，如果有房产再看是否有车产，如果有车产再看是否有稳定工作……最后得出是否要深入了解的判断。

决策树的主要优点：

  • 具有很好的解释性，模型可以生成可以理解的规则。
  • 可以发现特征的重要程度。
  • 模型的计算复杂度较低。

决策树的主要缺点：

  • 模型容易过拟合，需要采用减枝技术处理。
  • 不能很好利用连续型特征。
  • 预测能力有限，无法达到其他强监督模型效果。
  • 方差较高，数据分布的轻微改变很容易造成树结构完全不同。

2 代码流程

学长选用两个实际的工程demo来给大家讲解如何使用决策树进行分类预测

Part1 Demo实践

  • Step1:库函数导入
  • Step2:模型训练
  • Step3:数据和模型可视化
  • Step4:模型预测

Part2 基于企鹅（penguins）数据集的决策树分类实践

  • Step1:库函数导入
  • Step2:数据读取/载入
  • Step3:数据信息简单查看
  • Step4:可视化描述
  • Step5:利用 决策树模型 在二分类上 进行训练和预测
  • Step6:利用 决策树模型 在三分类(多分类)上 进行训练和预测

3 代码实现

3.1 库函数导入

##  基础函数库
import numpy as np 

## 导入画图库
import matplotlib.pyplot as plt
import seaborn as sns

## 导入决策树模型函数
from sklearn.tree import DecisionTreeClassifier
from sklearn import tree

3.2 训练模型

##Demo演示LogisticRegression分类

## 构造数据集
x_fearures = np.array([[-1, -2], [-2, -1], [-3, -2], [1, 3], [2, 1], [3, 2]])
y_label = np.array([0, 1, 0, 1, 0, 1])

## 调用决策树模型
tree_clf = DecisionTreeClassifier()

## 用决策树模型拟合构造的数据集
tree_clf = tree_clf.fit(x_fearures, y_label)

3.3 数据和模型可视化（需要用到graphviz可视化库）

## 可视化构造的数据样本点
plt.figure()
plt.scatter(x_fearures[:,0],x_fearures[:,1], c=y_label, s=50, cmap='viridis')
plt.title('Dataset')
plt.show()

在这里插入图片描述

## 本段代码实际效果为本地生成PDF可视化文档，在体验过程中可以不运行，可能无法正常展示结果；
## 代码生成的可视化结果会截图展示实际效果
!pip install graphviz 
import graphviz
dot_data = tree.export_graphviz(tree_clf, out_file=None)
graph = graphviz.Source(dot_data)
graph.render("pengunis")
## 'pengunis.pdf'  目前环境问题，还不能展示

在这里插入图片描述

3.4 模型预测

## 创建新样本
x_fearures_new1 = np.array([[0, -1]])
x_fearures_new2 = np.array([[2, 1]])
## 在训练集和测试集上分布利用训练好的模型进行预测
y_label_new1_predict = tree_clf.predict(x_fearures_new1)
y_label_new2_predict = tree_clf.predict(x_fearures_new2)
print('The New point 1 predict class:\n',y_label_new1_predict)
print('The New point 2 predict class:\n',y_label_new2_predict)
# The New point 1 predict class:
 # [1]
# The New point 2 predict class:
 # [0]

在这里插入图片描述

4 基于企鹅（penguins）数据集的决策树分类实践

在实践的最开始，我们首先需要导入一些基础的函数库包括：numpy （Python进行科学计算的基础软件包），pandas（pandas是一种快速，强大，灵活且易于使用的开源数据分析和处理工具），matplotlib和seaborn绘图。

4.1 函数库导入

##  基础函数库
import numpy as np 
import pandas as pd

## 绘图函数库
import matplotlib.pyplot as plt
import seaborn as sns

本次邪学长选择企鹅数据（palmerpenguins）进行方法的尝试训练，该数据集一共包含8个变量，其中7个特征变量，1个目标分类变量。共有150个样本，目标变量为 企鹅的类别 其都属于企鹅类的三个亚属，分别是(Adélie, Chinstrap and Gentoo)。包含的三种种企鹅的七个特征，分别是所在岛屿，嘴巴长度，嘴巴深度，脚蹼长度，身体体积，性别以及年龄。

在这里插入图片描述

4.2 数据读取/载入

## 我们利用Pandas自带的read_csv函数读取并转化为DataFrame格式

data = pd.read_csv('datalab/531811/Datawhale/penguins_raw.csv')
## 为了方便我们仅选取四个简单的特征，有兴趣的同学可以研究下其他特征的含义以及使用方法
data = data[['Species','Culmen Length (mm)','Culmen Depth (mm)',
            'Flipper Length (mm)','Body Mass (g)']]

4.3 数据信息简单查看

## 利用.info()查看数据的整体信息
data.info()
## <class 'pandas.core.frame.DataFrame'>
## RangeIndex: 344 entries, 0 to 343
## Data columns (total 5 columns):
## Species                344 non-null object
## Culmen Length (mm)     342 non-null float64
## Culmen Depth (mm)      342 non-null float64
## Flipper Length (mm)    342 non-null float64
## Body Mass (g)          342 non-null float64
## dtypes: float64(4), object(1)
## memory usage: 13.6+ KB
## 进行简单的数据查看，我们可以利用 .head() 头部.tail()尾部
data.head()

在这里插入图片描述

这里我们发现数据集中存在NaN，一般的我们认为NaN在数据集中代表了缺失值，可能是数据采集或处理时产生的一种错误。这里我们采用-1将缺失值进行填补，还有其他例如“中位数填补、平均数填补”的缺失值处理方法有兴趣的同学也可以尝试。

data = data.fillna(-1)
data.tail()

在这里插入图片描述

4.4 可视化描述

## 特征与标签组合的散点可视化
sns.pairplot(data=data, diag_kind='hist', hue= 'Species')
plt.show()

在这里插入图片描述

从上图可以发现，在2D情况下不同的特征组合对于不同类别的企鹅的散点分布，以及大概的区分能力。

'''为了方便我们将标签转化为数字
       'Adelie Penguin (Pygoscelis adeliae)'        ------0
       'Gentoo penguin (Pygoscelis papua)'          ------1
       'Chinstrap penguin (Pygoscelis antarctica)   ------2 '''

def trans(x):
    if x == data['Species'].unique()[0]:
        return 0
    if x == data['Species'].unique()[1]:
        return 1
    if x == data['Species'].unique()[2]:
        return 2

data['Species'] = data['Species'].apply(trans)
for col in data.columns:
    if col != 'Species':
        sns.boxplot(x='Species', y=col, saturation=0.5, palette='pastel', data=data)
        plt.title(col)
        plt.show()

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

利用箱型图我们也可以得到不同类别在不同特征上的分布差异情况。

# 选取其前三个特征绘制三维散点图
from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure(figsize=(10,8))
ax = fig.add_subplot(111, projection='3d')

data_class0 = data[data['Species']==0].values
data_class1 = data[data['Species']==1].values
data_class2 = data[data['Species']==2].values
# 'setosa'(0), 'versicolor'(1), 'virginica'(2)
ax.scatter(data_class0[:,0], data_class0[:,1], data_class0[:,2],label=data['Species'].unique()[0])
ax.scatter(data_class1[:,0], data_class1[:,1], data_class1[:,2],label=data['Species'].unique()[1])
ax.scatter(data_class2[:,0], data_class2[:,1], data_class2[:,2],label=data['Species'].unique()[2])
plt.legend()

plt.show()

在这里插入图片描述

4.5 利用 决策树模型 在二分类上 进行训练和预测

## 为了正确评估模型性能，将数据划分为训练集和测试集，并在训练集上训练模型，在测试集上验证模型性能。
from sklearn.model_selection import train_test_split

## 选择其类别为0和1的样本 （不包括类别为2的样本）
data_target_part = data[data['Species'].isin([0,1])][['Species']]
data_features_part = data[data['Species'].isin([0,1])][['Culmen Length (mm)','Culmen Depth (mm)',
            'Flipper Length (mm)','Body Mass (g)']]

## 测试集大小为20%， 80%/20%分
x_train, x_test, y_train, y_test = train_test_split(data_features_part, data_target_part, test_size = 0.2, random_state = 2020)

## 从sklearn中导入决策树模型
from sklearn.tree import DecisionTreeClassifier
from sklearn import tree
## 定义 决策树模型 
clf = DecisionTreeClassifier(criterion='entropy')
## 在训练集上训练决策树模型
clf.fit(x_train, y_train)
## DecisionTreeClassifier(class_weight=None, criterion='entropy', max_depth=None,
##            max_features=None, max_leaf_nodes=None,
##            min_impurity_decrease=0.0, min_impurity_split=None,
##            min_samples_leaf=1, min_samples_split=2,
##            min_weight_fraction_leaf=0.0, presort=False, random_state=None,
##            splitter='best')

## 可视化
## 本段代码实际效果为本地生成PDF可视化文档，在体验过程中可以不运行，可能无法正常展示结果；
## 代码生成的可视化结果会截图展示实际效果
import graphviz
dot_data = tree.export_graphviz(clf, out_file=None)
graph = graphviz.Source(dot_data)
graph.render("penguins")
## 'penguins.pdf'

在这里插入图片描述

## 在训练集和测试集上分布利用训练好的模型进行预测
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)
from sklearn import metrics
## 利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_train,train_predict))
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_test,test_predict))
## 查看混淆矩阵 (预测值和真实值的各类情况统计矩阵)
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)
# 利用热力图对于结果进行可视化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()
## The accuracy of the Logistic Regression is: 0.9954545454545455
## The accuracy of the Logistic Regression is: 1.0
## The confusion matrix result:
## [[31  0]
## [ 0 25]]

在这里插入图片描述

我们可以发现其准确度为1，代表所有的样本都预测正确了

4.6 利用 决策树模型 在三分类(多分类)上 进行训练和预测

## 测试集大小为20%， 80%/20%分
x_train, x_test, y_train, y_test = train_test_split(data[['Culmen Length (mm)','Culmen Depth (mm)',
            'Flipper Length (mm)','Body Mass (g)']], data[['Species']], test_size = 0.2, random_state = 2020)
## 定义 决策树模型 
clf = DecisionTreeClassifier()
# 在训练集上训练决策树模型
clf.fit(x_train, y_train)
## DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=None,
##            max_features=None, max_leaf_nodes=None,
##            min_impurity_decrease=0.0, min_impurity_split=None,
##            min_samples_leaf=1, min_samples_split=2,
##            min_weight_fraction_leaf=0.0, presort=False, random_state=None,
##            splitter='best')

## 在训练集和测试集上分布利用训练好的模型进行预测
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)
## 由于逻辑回归模型是概率预测模型（前文介绍的 p = p(y=1|x,\theta)）,所有我们可以利用 predict_proba 函数预测其概率
train_predict_proba = clf.predict_proba(x_train)
test_predict_proba = clf.predict_proba(x_test)
print('The test predict Probability of each class:\n',test_predict_proba)
## 其中第一列代表预测为0类的概率，第二列代表预测为1类的概率，第三列代表预测为2类的概率。
## 利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_train,train_predict))
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_test,test_predict))
#  The test predict Probability of each class:
#    [[0. 0. 1.]
#    [0. 1. 0.]
#    [0. 1. 0.]
#    [1. 0. 0.]
#    …………
#    [0. 1. 0.]
#    [0. 0. 1.]
#    [1. 0. 0.]
#    [1. 0. 0.]]
#  The accuracy of the Logistic Regression is: 0.996363636364

#  The accuracy of the Logistic Regression is: 0.971014492754

## 查看混淆矩阵
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)

# 利用热力图对于结果进行可视化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()

#    The confusion matrix result:
#    [[30  1  0]
#    [ 0 23  0]
#    [ 2  0 13]]

在这里插入图片描述

m0_75853290
关注
  • 1
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
【Sklearn】基于决策树算法的数据分类预测（Excel可直接替换数据）
敲代码两年半的练习生博客
08-14 1706
决策树的基本思想是从根节点开始，通过一系列的节点和分支，根据不同特征的取值将数据集划分成不同的子集，直到达到叶节点，然后将每个叶节点分配到一个类别或预测值。在数学上，决策树可以表示为一个树状结构，其中每个节点表示一个特征的划分，每个分支代表一个特征取值的分支。在决策树的训练过程中，我们寻找最优的划分特征和划分阈值，以最大程度地减少不纯度（或最大程度地增加信息增益、降低基尼指数等）。总之，决策树通过递归地选择最佳特征和阈值，将数据集划分为多个子集，最终形成一个树状结构的模型，用于分类或回归预测。
基于决策树的分类预测
fei1304030078的博客
08-22 1974
数据及背景 link 基于决策树的分类预测 学习目标 了解 决策树 的理论 掌握 决策树 的 sklearn 函数调用使用并将其运用到企鹅分类 理论知识 1、决策树的伪代码 决策树的构建过程是一个递归过程。函数存在三种返回状态： （1）当前节点包含的样本全部属于同一类别，无需继续划分； （2）当前属性集为空或者所有样本在某个属性上的取值相同，无法继续划分； （3）当前节点包含的样本集合为空，无法划分。 2、划分选择 从上述伪代码中我们发现，决策树的关键在于line6.从A中选择最优划分属性a∗​，一般我们
毕设分享 基于决策树的分类预测 (机器学习)
jdkfsh的博客
03-29 627
今天学长向大家介绍 如何使用机器学习算法做分类和预测基于决策树的分类预测 (机器学习)🧿选题指导, 项目分享：见文末决策树是一种常见的分类模型，在金融分控、医疗辅助诊断等诸多行业具有较为广泛的应用。决策树的核心思想是基于树结构对数据进行划分，这种思想是人类处理问题时的本能方法。例如在婚恋市场中，女方通常会先看男方是否有房产，如果有房产再看是否有车产，如果有车产再看是否有稳定工作……最后得出是否要深入了解的判断。具有很好的解释性，模型可以生成可以理解的规则。可以发现特征的重要程度。
机器学习实战教程（二）：决策树基础篇
weixin_64338372的博客
12-12 1143
决策树是什么？决策树(decision tree)是一种基本的分类与回归方法。举个通俗易懂的例子，如下图所示的流程图就是一个决策树，长方形代表判断模块(decision block)，椭圆形成代表终止模块(terminating block)，表示已经得出结论，可以终止运行。从判断模块引出的左右箭头称作为分支(branch)，它可以达到另一个判断模块或者终止模块。我们还可以这样理解，分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点(node)和有向边(directed edge)组成。
机器学习-决策树预测
最新发布
m0_74216325的博客
04-29 568
决策树是一种常用的机器学习算法，它模拟人类在面对决策时的思维过程，通过一系列的分支条件来进行决策。它可以用于分类和回归任务。在决策树中，每个节点代表一个属性/特征，每个分支代表一个属性值的选择，而每个叶子节点代表一个类别标签（用于分类问题）或一个数值（用于回归问题）。决策树的构建过程包括特征选择、决策树的生成和剪枝。特征选择是指从所有特征中选择一个最优的特征作为当前节点的划分属性，常用的特征选择方法有信息增益、信息增益比、基尼系数等。
决策树分类和预测算法的原理及实现
m0_57656758的博客
11-06 3188
在一元模型中，仅通过历史数据的概率来预测Play Golf是一件非常不确定的事情，在14条历史数据中，打球的概率为64%，不打球的概率为36%。在前面的例子中用户购买与促销活动这两个信息间的相关性究竟有多高，我们可以通过互信息这个指标来度量，具体的计算方法就熵与条件熵之间的差。中出现的概率来判断明天的天气，因为天气的种类很多，并且影响天气的因素也有很多。高的属性是好属性，通过计算历史数据中每个类别或属性的“信息熵”获得“互信息”，并选择“互信息”最高的类别或属性作为决策树中的。信息的不确定性越大，熵越大。
机器学习2—分类算法之决策树（Decision Tree）
ex_6450的博客
07-31 3136
训练。给定一个数据集，每个样本包含一组特征和一个类别信息，然后调用分类算法训练分类模型。预测。利用生成的模型或函数对新的数据集（测试集）进行分类预测，并判断其分类后的结果，并进行可视化绘图显示。分类实例进行讲解。假设存在一个垃圾分类系统，将邮件划分为“垃圾邮件”和“非垃圾邮件”，现在有一个带有是否是垃圾邮件类标的训练集，然后训练一个分类模型，对测试集进行预测，步骤如下随机森林为了更好地解决泛化及树结构变动~等~问题，从决策树演进出来随机森林算法。httpshttpshttps。...
《机器学习》算法实例-决策树算法-预测鱼类和非鱼类实例
12-13
《机器学习》算法实例-决策树算法-预测鱼类和非鱼类实例 根据不浮出水面是否可以生存、是否有脚蹼2 个特征，将动物分成两类: 鱼类和非鱼类。 收集数据: 可以使用任何方法 准备数据: 树构造算法（这里使用的是ID3算法...
基于多种机器学习算法的分类预测研究
11-16
随后本文针对“多源数据集”，采用神经网络、贝叶斯分类器和决策树三种算法对数据进行分类预测，最终综合三种算法的模型结果参数，确定决策树为三者最优。最后，本文仍选取Lending Club数据集作为研究对象，经预处理...
基于决策树机器学习对P2P网贷信用风险分类.ipynb
09-23
用jupyter notebook编写，文档类型是ipynb，只能用jupyter note 打开，主要内容是机器学习算法中的决策树算法，数据来源于p2p网贷数据，通过此模型算法可以很好的对客户的是否会违约进行预测分类。
基于决策树的蘑菇分类.zip
04-25
在机器学习中，决策树是一个预测模型，代表的是对象属性与对象值之间的一种映射关系。 决策树的应用场景非常广泛，包括但不限于以下几个方面： 金融风险评估：决策树可以用于预测客户借款违约概率，帮助银行更好地...
机器学习实战 - 决策树PDF知识点总结 + 代码实现
04-27
在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统的凌乱程度，使用算法ID3, C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念。 决策树是一种树...
如何利用决策树进行分类和回归预测
Chenshuo_Xu的博客
02-13 3716
本文将基于葡萄酒质量数据集，建立决策树分类和回归预测模型
【特征工程】决策树怎么处理缺失值
weixin_34381687的博客
03-31 696
知乎这篇文章有蛮好的参考意义： https://www.zhihu.com/question/34867991?sort=created   TomHall 请填写个人介绍 83 人赞同了该回答 在xgboost里，在每个结点上都会将对应变量是缺失值的数据往左右分支各导流一次，然后计算两种导流方案对Objective的影响，最后认为对Objective降低更明...
Task02 基于决策树的分类预测
qq_33253721的博客
08-21 1107
1决策树的介绍和应用 决策树的核心思想是基于树结构对数据进行划分： 1.1 决策树的主要优点： （1） 具有很好的解释性，模型可以生成可以理解的规则。 何为可解释性？即模型逻辑/预测结果多大程度上是人类可以理解的，也就是说我们能够理解一个模型的整个逻辑，并遵循整个推理导致所有不同的可能结果。 （2）可以发现特征的重要程度。 特征的重要程度，比如我们如何知道根节点需要选择“有房”这个属性，而不是其他的“有车”“有存款”等等？数学上有一种方法就是信息熵。整个过程的描述有点复杂，可以查看链接: link.除了信
机器学习算法之决策树原理与实现
weixin_44458771的博客
09-23 1979
(Decision Tree）是一种常见的机器学习算法，它是在已知各种情况发生概率的基础上求取净现值的期望值大于等于零的概率，以进行决策分析的方法。决策树由一个根节点，以及若干个内部节点和叶结点组成，内部节点就是通过条件判断而进行分支选择的节点，而叶节点没有子节点，表示最终的决策结果。例如，给你一个西瓜样本，首先来看看它的色泽，如果是青绿色，再看看其根蒂形态，如果是蜷缩的，那么再来听听它敲起来的声音，如果是浊响的，那么我们可以得到结论：这是个好瓜。算法（即利用标记好的样本来训练，可以预测新的样本）。
机器学习笔记15——决策树(DT)、ID3算法、C4.5算法原理以及python实现案例
weixin_45666566的博客
07-19 8444
决策树1、概述2、决策树模型3、决策树学习4、决策树构建-三步骤4.1 特征选择4.1.1 熵(entropy)4.1.2 条件熵(entropy)4.1.3 信息增益总结 1、概述 决策树（decision tree）： 是一种基本的分类与回归方法，此处主要讨论分类的决策树。 在分类问题中，表示基于特征对实例进行分类的过程，可以认为是if-then的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。 2、决策树模型 定义： 分类决策树模型是一种描述对实例进行分类的树形结构。 决策树由结点和有向边组
22 决策树
纸境止境的博客
02-12 1098
## 1.使用决策树的场景 在应用决策树算法之前，必须满足以下要求： （1）决策树算法是典型的有监督学习，因此需要预分类目标变量。必须提供一个训练数据集，该数据集为算法提供目标变量的值。 （2）训练数据集应当是丰富多样的，为算法提供涉及不同方面的记录类型，以适应未来的分类需求。以决策树学习为例，如果示例记录缺乏系统定义的子集，那么对这个子集进行分类和预测将会存在问题。 （3）目标属性类必须是离散的。也就是说，决策树分析不适用于目标变量为连续型值的情况。当然，目标变量的值必须能明确界定属于或不属于某个特定的类
基于决策树分类的员工离职预测
05-29
好的，您的问题是关于基于决策树分类的员工离职预测。这是一个常见的机器学习问题，可以用来预测员工是否会在未来离开公司，以便雇主可以采取适当的措施来留住这些员工。决策树是一种常用的分类算法，它可以根据数据...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值