盒模型、标签分类及转换(2)

二、margin值出现的问题

问题一:margin塌陷

出现场景:当盒子是嵌套关系时,并且父元素身上没有padding,没有border、没有overflow属性时

就会出现塌陷问题 (只有上方会有塌陷)

解决方案:

1、给父元素加 padding-top:0.5px;
2、给父元素加 border-top: .5px solid transparent;
3、给父元素加  overflow:hidden; (溢出隐藏)

问题二:margin重叠

出现场景:

当盒子是兄弟关系,两个盒子的margin-bottom和margin-top碰到一起的时候出现 (谁的间距大就用谁的)

解决方案:

   只给其中一个盒子设置即可。

三、overflow属性

            overflow:hidden; 溢出隐藏
            overflow: scroll; 溢出出现滚动条(不管溢出不溢出都有滚动条)
            overflow: auto; 根据内容决定显示不显示滚动条
            overflow: visible; 默认值 

四、标签的分类

4.1 块级标签

div、p、h1-h6、ul、li、ol、dl、dt、dd、table、

特点:
1、宽度默认占父级的100%。可以设置宽高。
2、自己独占一行
3、可以设置四周的内外边距

4.2 行级标签(内联标签)

span、strong、b、em、i、sub、sup、a、del

特点:
1、内容多宽就占多宽,不能设置宽高
2、可以和其他的行级标签一行排列
3、不能设置垂直方向的内外边距

4.3 行内块标签(内联块标签)

img、input、select、textarea

特点:
1、内容多宽就占多宽,可以设置宽高
2、可以和其他的行级/行内块标签一排排列
3、可以设置四周内外间距

4.4 标签之间显示模式可以相互转换

display: block;  转换成块标签
display:inline; 转换成行级标签
display:inline-block; 转换成行内块标签

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
当然可以!以下是一个使用LightGBM库构建多标签分类模型的示例代码: ```python import lightgbm as lgb import numpy as np from sklearn.datasets import make_multilabel_classification from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score, f1_score # 生成随机的多标签分类数据集 X, y = make_multilabel_classification(n_samples=1000, n_features=20, n_classes=5) # 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(X, y, test_size=0.2) # 将标签转换为LightGBM所需的格式 lgb_train = lgb.Dataset(X_train, y_train) lgb_test = lgb.Dataset(X_test, y_test) # 设置模型参数 params = { 'task': 'train', 'boosting_type': 'gbdt', 'objective': 'multilabel', 'metric': 'binary_logloss', 'num_leaves': 31, 'learning_rate': 0.05, 'feature_fraction': 0.9, } # 训练模型 model = lgb.train(params, lgb_train, num_boost_round=100) # 预测测试集 y_pred_prob = model.predict(X_test) y_pred = np.round(y_pred_prob) # 计算模型评估指标 accuracy = accuracy_score(y_test, y_pred) f1 = f1_score(y_test, y_pred, average='micro') print("Accuracy:", accuracy) print("F1-score:", f1) ``` 在这个示例中,我们使用`make_multilabel_classification`函数生成了一个随机的多标签分类数据集。然后,我们将数据集划分为训练集和测试集,并使用LightGBM的`lgb.Dataset`函数将数据集转换为LightGBM所需的格式。接下来,我们设置模型参数,并使用`lgb.train`函数训练模型。最后,我们使用训练好的模型对测试集进行预测,并计算模型的准确率和F1得分作为评估指标。 请注意,这只是一个示例,你可以根据自己的数据和需求修改模型参数和评估指标。希望对你有帮助!如果有任何问题,请随时提问。

“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
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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