<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Doris525763324的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/Doris525763324</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; Doris525763324]]></copyright><item><title><![CDATA[【mecab 环境报错】【JVM 环境报错】]]></title><link>https://blog.csdn.net/Doris525763324/article/details/149265983</link><guid>https://blog.csdn.net/Doris525763324/article/details/149265983</guid><author>Doris525763324</author><pubDate>Fri, 11 Jul 2025 08:44:31 +0800</pubDate><description><![CDATA[摘要：本文记录了在PyCharm中解决mecab和JVM环境报错的方法。针对mecab报错，安装mecab-python库即可解决初始化问题；对于JVM报错，需下载并配置Java环境变量（JAVA_HOME和Path），或在代码中直接指定JAVA_HOME路径。通过终端命令验证安装成功，最终解决两类环境配置问题。]]></description><category></category></item><item><title><![CDATA[K-Means聚类、轮廓系数、TF-IDF 特征提取]]></title><link>https://blog.csdn.net/Doris525763324/article/details/149254144</link><guid>https://blog.csdn.net/Doris525763324/article/details/149254144</guid><author>Doris525763324</author><pubDate>Thu, 10 Jul 2025 17:00:20 +0800</pubDate><description><![CDATA[本文介绍了三种机器学习中的重要方法：轮廓系数用于评估聚类质量，通过计算个体样本的簇内紧密度与簇间分离度来衡量；K-Means聚类算法采用质心划分，通过迭代分配和更新步骤实现数据分组；TF-IDF特征提取结合词频和逆文档频率识别文本关键词。文章还简要说明了中文分词工具jieba的使用。这些方法在数据分析和文本处理中具有广泛应用，为理解聚类算法和文本特征提取提供了基础概念框架。]]></description><category></category></item><item><title><![CDATA[准确率、精确率、召回率、F1-score]]></title><link>https://blog.csdn.net/Doris525763324/article/details/149234143</link><guid>https://blog.csdn.net/Doris525763324/article/details/149234143</guid><author>Doris525763324</author><pubDate>Wed, 09 Jul 2025 21:37:50 +0800</pubDate><description><![CDATA[本文介绍了分类模型评估中的重要指标——F1-score，它综合了精确率和召回率，适用于样本不均衡的场景。首先解释了TP、FP、FN、TN等基本概念，然后详细区分了准确率、精确率和召回率的计算方法和含义。通过红球分类和情感分析两个具体示例，展示了如何计算各类指标。在情感分析案例中，分别计算了正面、负面和中立三类别的F1-score，并最终得出0.63的综合评分。文章指出F1-score能平衡精确率和召回率，但在不同业务场景下可能需要侧重不同指标，如误报成本高时关注精确率，漏报成本高时关注召回率。]]></description><category></category></item><item><title><![CDATA[Zotero+LLM+obsidian 联动]]></title><link>https://blog.csdn.net/Doris525763324/article/details/148708431</link><guid>https://blog.csdn.net/Doris525763324/article/details/148708431</guid><author>Doris525763324</author><pubDate>Tue, 17 Jun 2025 09:37:38 +0800</pubDate><description><![CDATA[首先安装Better BibTeX插件并配置导出格式，确保从Zotero中获得高质量的.bib文件；接着说明了如何将文献文件上传至ChatGPT进行智能分析和处理；最后详细介绍了在Obsidian中安装Citations插件并配置文献引用功能的方法。这个工作流程有效整合了三个强大的学术工具，为研究人员提供了从文献收集、智能分析到笔记写作的一站式解决方案，大大提高了学术研究的效率和质量。]]></description><category></category></item><item><title><![CDATA[管理 Prompt 的 MCP]]></title><link>https://blog.csdn.net/Doris525763324/article/details/148149464</link><guid>https://blog.csdn.net/Doris525763324/article/details/148149464</guid><author>Doris525763324</author><pubDate>Thu, 22 May 2025 21:25:08 +0800</pubDate><description><![CDATA[本文介绍了一种通过MCP（机器学习Prompt管理器）自动化管理Prompt的方法，允许用户在AI交互中快速调用预存的Prompt模板或自定义提示词，提升AI工具使用效率。]]></description><category></category></item><item><title><![CDATA[Gemini + 高德 MCP 实现旅行路线可视化]]></title><link>https://blog.csdn.net/Doris525763324/article/details/148141070</link><guid>https://blog.csdn.net/Doris525763324/article/details/148141070</guid><author>Doris525763324</author><pubDate>Thu, 22 May 2025 14:41:14 +0800</pubDate><description><![CDATA[本文介绍了如何通过MCP插件实现Gemini与高德地图API的集成，利用其获取景点坐标并生成可视化旅行路线，同时展示了在景点间寻找合适饭店等实际应用场景。]]></description><category></category></item><item><title><![CDATA[在 ChatGPT中 使用 MCP【chrome浏览器中】]]></title><link>https://blog.csdn.net/Doris525763324/article/details/148075563</link><guid>https://blog.csdn.net/Doris525763324/article/details/148075563</guid><author>Doris525763324</author><pubDate>Mon, 19 May 2025 22:02:14 +0800</pubDate><description><![CDATA[本文介绍了如何在Chrome浏览器中通过安装MCP SuperAssistant插件、配置本地代理服务器及设置JSON参数文件，实现ChatGPT与Notion、Gmail等外部服务的集成调用功能。]]></description><category></category></item><item><title><![CDATA[【文献阅读】基于联邦学习以及移动边缘计算支持的智能连接车辆的边缘缓存方法]]></title><link>https://blog.csdn.net/Doris525763324/article/details/148018111</link><guid>https://blog.csdn.net/Doris525763324/article/details/148018111</guid><author>Doris525763324</author><pubDate>Fri, 16 May 2025 21:57:13 +0800</pubDate><description><![CDATA[本文提出了一种基于联邦学习与移动边缘计算的智能连接车辆边缘缓存方法，通过联合优化参与者选择、资源分配与协作缓存策略，结合深度Q网络（DQN）和Dueling-DQN算法，在保障隐私的前提下有效降低通信延迟与能耗，提升高精度地图缓存效率。]]></description><category></category></item><item><title><![CDATA[Obsidian 配置本地 Qwen3 模型]]></title><link>https://blog.csdn.net/Doris525763324/article/details/148007947</link><guid>https://blog.csdn.net/Doris525763324/article/details/148007947</guid><author>Doris525763324</author><pubDate>Fri, 16 May 2025 15:39:34 +0800</pubDate><description><![CDATA[在Obsidian中配置本地Qwen3模型需安装Ollama、下载模型并设置环境变量，通过Copilot插件实现隐私保护的本地AI交互。]]></description><category></category></item><item><title><![CDATA[【文献阅读】在车辆边缘计算中的基于异步联邦学习和深度强化学习移动感知的协同缓存]]></title><link>https://blog.csdn.net/Doris525763324/article/details/147640523</link><guid>https://blog.csdn.net/Doris525763324/article/details/147640523</guid><author>Doris525763324</author><pubDate>Wed, 30 Apr 2025 21:57:08 +0800</pubDate><description><![CDATA[详细阐述了VEC场景、缓存策略及性能优化研究。研究聚焦于通过深度强化学习（DRL）和联邦学习（FL）优化内容分发，提出内容感知联邦强化（CAFR）策略，显著提升缓存命中率并降低传输延迟。]]></description><category></category></item><item><title><![CDATA[Trae手动配置MCP详细流程（以即梦AI为例）]]></title><link>https://blog.csdn.net/Doris525763324/article/details/147636220</link><guid>https://blog.csdn.net/Doris525763324/article/details/147636220</guid><author>Doris525763324</author><pubDate>Wed, 30 Apr 2025 17:29:48 +0800</pubDate><description><![CDATA[本文介绍了如何在Trae中手动配置MCP，以实现自动激活环境并运行图像生成服务。首先，确保安装必要的软件和依赖项，包括Python、npm、nodejs和uv等工具。。]]></description><category></category></item><item><title><![CDATA[fluxgym安装教程（2025.4.26 亲测可用）]]></title><link>https://blog.csdn.net/Doris525763324/article/details/147551139</link><guid>https://blog.csdn.net/Doris525763324/article/details/147551139</guid><author>Doris525763324</author><pubDate>Sun, 27 Apr 2025 14:17:13 +0800</pubDate><description><![CDATA[本文从环境准备、仓库克隆、依赖安装、模型下载到运行测试，逐步详述了 fluxgym 的部署流程。]]></description><category></category></item><item><title><![CDATA[【文献阅读】缓存支持的多无人机网络中以用户为中心的无人机部署和内容放置]]></title><link>https://blog.csdn.net/Doris525763324/article/details/134428080</link><guid>https://blog.csdn.net/Doris525763324/article/details/134428080</guid><author>Doris525763324</author><pubDate>Wed, 15 Nov 2023 21:32:26 +0800</pubDate><description><![CDATA[对“User-Centric UAV Deployment and Content Placement in Cache-Enabled Multi-UAV Networks”这篇文献的阅读加上自己的一些理解。]]></description><category></category></item></channel></rss>