AI | 第2章 机器学习算法 - sklearn 分类算法

最新推荐文章于 2022-10-30 14:51:27 发布
最新推荐文章于 2022-10-30 14:51:27 发布
阅读量1.4k 收藏 9
点赞数 3
分类专栏： 学习笔记 # 云计算、AI 与大数据 文章标签： 机器学习 sklearn 人工智能
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/dlhjw1412/article/details/125796281
版权

AI | 第2章 机器学习算法 - sklearn 分类算法

前言

仅供参考

1. sklearn 的转换器和估计器

1.1 转换器

  • 特征工程的步骤：实例化一个转换器类(Transformer）、调用 fit_transform() 方法；
  • 把特征工程的接口称之为转换器，其中转换器调用有这么几种形式：
    • fit_transform：fit 与 transform 的合成；
    • fit：进行列计算（例如标准化：求 mean）；
    • transform：最终转换（例如标准化：求 (x-mean)/std）；

1.2 估计器

  • 作用：sklearn 机器学习算法的实现；
  • sklearn 拥有的估计器：
    • 用于分类的估计器：
      • sklearn.neighbors k-近邻算法；
      • sklearn.naive_bayes 贝叶斯；
      • sklearn.linear_model.LogisticRegression 逻辑回归；
      • sklearn.tree 决策树与随机森林；
    • 用于回归的估计器：
      • sklearn.linear_model.LinearRegression 线性回归；
      • sklearn.linear_model.Ridge 岭回归；
    • 用于无监督学习的估计器：
      • sklearn.cluster.KMeans 聚类；
  • 步骤：
    • 实例化一个 estimator；
    • 调用 estimator.fit(x_train, y_train) 方法计算，调用完毕模型生成；
    • 模型评估：直接比对预测值与真实值、计算准确率 estimator.score(x_test, y_test)；
  • 工作流程：
    估计器工作流程

2. K-近邻算法（KNN 算法）

2.1 概述

  • 定义：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别；
  • 距离公式：欧式距离 r = ( a 1 − b 1 ) 2 + ( a 2 − b 2 ) 2 + ( a 3 − b 3 ) 2 r=\sqrt{(a_1-b_1)^2 + (a_2-b_2)^2 + (a_3-b_3)^2} r=(a1​−b1​)2+(a2​−b2​)2+(a3​−b3​)2 ​
    • 其他：曼哈顿距离（绝对值距离）、明科夫斯基距离 minkowski；
  • 问题：
    • K 值取得过小，容易受到异常点影响；
    • K 值取得过大，会有样本不均匀的影响；
    • 需要先进行无量钢化处理-标准化；
  • 优点：
    • 简单，易于理解，易于实现，无需训练；
  • 缺点：
    • 懒惰算法，对测试样本分类时的计算量大，内存开销大；
    • 必须指定 K 值，K 值选择不当则分类精度不能保证；
  • 应用场景：小数据场景，几千～几万样本，具体场景具体业务去测试；

2.2 应用

  • API：sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto')；
    • n_neighbors：int,可选（默认= 5），k_neighbors 查询默认使用的邻居数；
    • algorithm：{‘auto’，‘ball_tree’，‘kd_tree’，‘brute’}，可选用于计算最近邻居的算法：‘ball_tree’将会使用 BallTree，‘kd_tree’将使用 KDTree。‘auto’ 将尝试根据传递给 fit 方法的值来决定最合适的算法。 (不同实现方式影响效率）
*Code1 KNN 算法代码示例
def knn_iris():
    # 1.获取数据
    iris = load_iris()
    print(iris)
    # 2.划分数据集
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=6)
    print(x_train)
    print(x_test)
    print(y_train)
    print(y_test)
    # 3.特征工程：标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test) #测试集使用训练集的数据（平均值）等进行标准化
    # 4.KNN 算法预估器
    estimator = KNeighborsClassifier(n_neighbors=3)
    estimator.fit(x_train, y_train)
    # 5.模型评估
    # 方法一：直接比对预测值与真实值
    y_predict = estimator.predict(x_test)
    print("y_predict:\n", y_predict)
    print("y_test:\n", y_test)
    print("预测值与真实值比对：\n",  y_predict == y_test)
    # 方法二：计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为：\n", score)

    return None

3. 模型选择与调优

3.1 交叉验证 cross validation

  • 目的：为了让被评估的模型更加准确可信；
  • 定义：将拿到的训练数据，分为训练和验证集。以下图为例：将数据分成 4 份，其中一份作为验证集。然后经过 4 次(组)的测试，每次都更换不同的验证集。即得到 4 组模型的结果，取平均值作为最终结果。又称 4 折交叉验证。

4 折交叉验证

3.2 超参数搜索-网格搜索 Grid Search

  • 超参数：有很多参数是需要手动指定的（如k-近邻算法中的K值），这种叫超参数；
  • 网格搜索：但是手动过程繁杂，所以需要对模型预设几种超参数组合。每组超参数都采用交叉验证来进行评估。最后选出最优参数组合建立模型；
  • 模型选择与调优：
    • API：sklearn.model_selection.GridSearchCV(estimator, param_grid=None,cv=None)；
      • 对估计器的指定参数值进行详尽搜索；
      • estimator：估计器对象；
      • param_grid：估计器参数(dict){“n_neighbors”:[1,3,5]}；
      • cv：指定几折交叉验证；
      • fit：输入训练数据；
      • score：准确率；
      • 结果分析：
        • bestscore：在交叉验证中验证的最好结果；
        • bestestimator：最好的参数模型；
        • cvresults：每次交叉验证后的验证集准确率结果和训练集准确率结果；

超参数搜索-网格搜索

*Code2 网格搜索代码示例
def knncls():
    # 一、处理数据以及特征工程
    # 1、读取收
    data = pd.read_csv("../resources/p01_machine_learning_sklearn/FBlocation/train.csv")

    # 2、数据处理
    # 1）数据逻辑筛选操作，缩小数据的范围 df.query()
    data = data.query("x > 1.0 & x < 1.25 & y > 2.5 & y < 2.75")
    # 2）处理时间特征
    time_value = pd.to_datetime(data["time"], unit="s")
    date = pd.DatetimeIndex(time_value)
    data["day"] = date.day
    data["weekday"] = date.weekday
    data["hour"] = date.hour
    # 3）删除入住次数少于三次位置
    place_count = data.groupby('place_id').count()["row_id"]
    tf = place_count[place_count > 3].index.values
    data_final = data[data['place_id'].isin(tf)]

    # 3、取出特征值和目标值
    y = data_final['place_id']
    # y = data[['place_id']]
    x = data_final[["x","y","accuracy","day","weekday","hour"]]

    # 4、数据分割与特征工程
    # （1）、数据分割
    x_train, x_test, y_train, y_test = train_test_split(x, y)
    # (2)、标准化
    transfer = StandardScaler()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)  # 测试集使用训练集的数据（平均值）等进行标准化
    # (3).KNN 算法预估器
    estimator = KNeighborsClassifier()
    # 4.1 加入网格搜索与交叉验证
    param_dict = {"n_neighbors": [3, 5, 7, 9]}
    estimator = GridSearchCV(estimator, param_grid=param_dict, cv=3)
    estimator.fit(x_train, y_train)
    # (4).模型评估
    # 方法一：直接比对预测值与真实值
    y_predict = estimator.predict(x_test)
    print("y_predict:\n", y_predict)
    print("y_test:\n", y_test)
    print("预测值与真实值比对：\n", y_predict == y_test)
    # 方法二：计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为：\n", score)

    # 最佳参数 best_params_
    print("最佳参数：\n", estimator.best_params_)
    # 最佳结果 best_score_
    print("最佳结果：\n", estimator.best_score_)
    # 最佳估计器 best_estimator_
    print("最佳估计器：\n", estimator.best_estimator_)
    # 交叉验证结果 cv_results_
    print("交叉验证结果：\n", estimator.cv_results_)

    return None

4. 朴素贝叶斯算法

4.1 联合概率、条件概率与相互独立

  • 联合概率：包含多个条件，且所有条件同时成立的概率；
    • 记作：P(A,B)
    • 特性：P(A, B) = P(A)P(B)
  • 条件概率：就是事件A在另外一个事件B已经发生条件下的发生概率；
    • 记作：P(A|B)
    • 特性：P(A1,A2|B) = P(A1|B)P(A2|B)
  • 相互独立：如果 P(A,B) = P(A)P(B)，则称事件 A 与事件 B 相互独立；

4.2 朴素 + 贝叶斯公式

  • 朴素：假设特征与特征之间是相互独立的；
  • 公式：

P ( C ∣ W ) = P ( W ∣ C ) P ( C ) P ( W ) P(C|W)=\frac{P(W|C)P(C)}{P(W)} P(C∣W)=P(W)P(W∣C)P(C)​

P ( C ∣ F 1 , F 2 , . . . ) = P ( F 1 , F 2 , . . . ∣ C ) P ( C ) P ( F 1 , F 2 , . . . ) P(C|F1, F2,...)=\frac{P(F1, F2,...|C)P(C)}{P(F1, F2,...)} P(C∣F1,F2,...)=P(F1,F2,...)P(F1,F2,...∣C)P(C)​

  • 应用场景：文本分类；
  • 优点：
    • 朴素贝叶斯模型发源于古典数学理论，有稳定的分类效率；
    • 对缺失数据不太敏感，算法也比较简单，常用于文本分类；
    • 分类准确度高，速度快；
  • 缺点：
    • 由于使用了样本属性独立性的假设，所以如果特征属性有关联时其效果不好；

4.3 朴素贝叶斯算法在文本分类中的应用

  • 公式分为三个部分：
    • P(C )：每个文档类别的概率(某文档类别数／总文档数量)；
    • P(W│C)：给定类别下特征（被预测文档中出现的词）的概率；
      • 计算方法：P(F1│C)=Ni/N （训练文档中去计算）；
        • Ni为该F1词在C类别所有文档中出现的次数；
        • N为所属类别C下的文档所有词出现的次数和；
    • P(F1,F2,…) 预测文档中每个词的概率；
  • 问题：样本数量少时可能会出现概率为 0 的情况。解决：引入拉普拉斯平滑系数；

朴素贝叶斯算法的问题

4.3.1 拉普拉斯平滑系数

  • 目的：防止计算出的分类概率为 0；
  • 公式：α 为指定的系数，一般为 1。m 为训练文档中统计出的特征词个数；

P ( F 1 ∣ C ) = N i + α N + α m P(F_1|C)=\frac{N_i+\alpha}{N+\alpha m} P(F1​∣C)=N+αmNi​+α​

引入拉普拉斯平滑系数

  • API：sklearn.naive_bayes.MultinomialNB(alpha = 1.0)；
    • 朴素贝叶斯分类；
    • alpha：拉普拉斯平滑系数；
*Code3 朴素贝叶斯算法代码示例
def nb_cls():
    # 1.获取新闻的数据
    news = fetch_20newsgroups(subset='all')
    # 2.进行数据集分割
    x_train, x_test, y_train, y_test = train_test_split(news.data, news.target,test_size=0.3)
    # 3.对于文本数据，进行特征抽取
    transfer = TfidfVectorizer()
    x_train = transfer.fit_transform(x_train)
    x_test = transfer.transform(x_test)

    # 4.estimator估计器流程，朴素贝叶斯算法
    mlb = MultinomialNB(alpha=1.0)
    mlb.fit(x_train, y_train)
    # 5.进行预测
    y_predict = mlb.predict(x_test)
    print("预测每篇文章的类别：", y_predict[:100])
    print("真实类别为：", y_test[:100])
    print("预测准确率为：", mlb.score(x_test, y_test))
    return None

5. 决策树

5.1 概述

  • 信息是为了消除不确定性；
  • 信息的衡量用信息熵；
  • 信息和消除不确定性是相联系的；
  • 信息熵单位为比特；
  • 信息增益表示得知特征 X 的信息而息的不确定性减少的程度使得类 Y 的信息熵减少的程度；
  • 决策树划分的依据是信息增益；

5.2 信息熵、信息增益与条件熵

  • 信息熵公式：Ck 表示属于某个类别的样本数；

H ( X ) = − ∑ r i = 1 n ( P ( x i ) ∗ l o g b P ( x i ) ) H(X)=-\sum_{ri=1}^n(P(x_i)*log_bP(x_i)) H(X)=−ri=1∑n​(P(xi​)∗logb​P(xi​))

H ( D ) = − ∑ k = 1 K ∣ C k ∣ ∣ D ∣ l o g ∣ C k ∣ ∣ D ∣ H(D)=-\sum_{k=1}^K\frac{|C_k|}{|D|}log\frac{|C_k|}{|D|} H(D)=−k=1∑K​∣D∣∣Ck​∣​log∣D∣∣Ck​∣​

  • 信息增益公式：

g ( D , A ) = H ( D ) − H ( D ∣ A ) g(D,A)=H(D)-H(D|A) g(D,A)=H(D)−H(D∣A)

  • 条件熵公式：（信息熵 - 条件熵）

H ( D ∣ A ) = ∑ i = 1 n ∣ D i ∣ D H ( D i ) = − ∑ i = 1 n ∣ D i ∣ ∣ D ∣ ∑ k = 1 K ∣ D i k ∣ ∣ D i ∣ l o g ∣ D i k ∣ ∣ D i ∣ H(D|A)=\sum_{i=1}^n\frac{|D_i|}{D}H(D_i)=-\sum_{i=1}^n\frac{|D_i|}{|D|}\sum_{k=1}^K\frac{|D_{ik}|}{|D_i|}log\frac{|D_{ik}|}{|D_i|} H(D∣A)=i=1∑n​D∣Di​∣​H(Di​)=−i=1∑n​∣D∣∣Di​∣​k=1∑K​∣Di​∣∣Dik​∣​log∣Di​∣∣Dik​∣​

  • 示例：

信息熵、信息增益与条件熵

5.3 决策树概述

  • 优点：
    • 简单的理解和解释，树木可视化；
  • 缺点：
    • 决策树学习者可以创建不能很好地推广数据的过于复杂的树，这被称为过拟合；
  • 改进：
    • 减枝 cart 算法（决策树 API 当中已经实现，随机森林参数调优有相关介绍）；
    • 随机森林；
  • 注：企业重要决策，由于决策树很好的分析能力，在决策过程应用较多， 可以选择特征；

5.4 决策树的三种算法实现

  • 三种算法：

    • ID3：
      • 信息增益，最大的准则；
    • C4.5：
    • 信息增益比，最大的准则；

  • CART：

    • 分类树：基尼系数 最小的准则，在 sklearn 中可以选择划分的默认原则；
    • 优势：划分更加细致；

  • API：class sklearn.tree.DecisionTreeClassifier(criterion=’gini’,max_depth=None,random_state=None)

    • 决策树分类器；
    • criterion：默认是’gini’系数，也可以选择信息增益的熵’entropy’；
    • max_depth：树的深度大小；
    • random_state：随机数种子；

  • 其中会有些超参数：max_depth：树的深度大小；

    • 其它超参数会结合随机森林；
*Code4 决策树代码示例
def decision_iris():
    # 1.获取数据集
    iris = load_iris()
    # 2.划分数据集
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=6)
    # 3.决策树预估器
    estimator = DecisionTreeClassifier(criterion="entropy")
    estimator.fit(x_train, y_train)
    # 4.模型评估
    # 方法一：直接比对预测值与真实值
    y_predict = estimator.predict(x_test)
    print("y_predict:\n", y_predict)
    print("y_test:\n", y_test)
    print("预测值与真实值比对：\n",  y_predict == y_test)
    # 方法二：计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为：\n", score)
    return None

5.5 决策树的可视化

  • API：sklearn.tree.export_graphviz() 该函数能够导出 DOT 格式；
    • tree.export_graphviz(estimator,out_file='tree.dot’,feature_names=[‘’,’’])
  • 工具：(能够将dot文件转换为pdf、png)
  • 运行命令：
    • 然后运行命令:dot -Tpng tree.dot -o tree.png
*Code5 可视化决策树代码示例
export_graphviz(estimator, out_file="iris_tree.dot", feature_names=iris.feature_names)

6. 集成学习方法 - 随机森林

6.1 概述

  • 集成学习方法：通过建立几个模型组合的来解决单一预测问题。它的工作原理是生成多个分类器/模型，各自独立地学习和作出预测。这些预测最后结合成组合预测，因此优于任何一个单分类的做出预测；
  • 随机森林：在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定；
  • 特点：
    • 在当前所有算法中，具有极好的准确率；
    • 能够有效地运行在大数据集上，处理具有高维特征的输入样本，而且不需要降维；
    • 能够评估各个特征在分类问题上的重要性；

6.2 随机森林原理过程

  • 两个随机：
    • 训练集随机：BootStrap 随机有放回抽样；
      • N 个样本中随机有放回的抽样 N 个；
    • 特征随机：
      • 从 M 个特征中随机抽取 m 个特征，M >> m；（降维效果）
  • 为什么采用 BootStrap 抽样：
    • 为什么要随机抽样训练集：
      • 如果不进行随机抽样，每棵树的训练集都一样，那么最终训练出的树分类结果也是完全一样的；
    • 为什么要有放回地抽样：
      • 如果不是有放回的抽样，那么每棵树的训练样本都是不同的，都是没有交集的，这样每棵树都是“有偏的”，都是绝对“片面的”（当然这样说可能不对），也就是说每棵树训练出来都是有很大的差异的；而随机森林最后分类取决于多棵树（弱分类器）的投票表决；
  • API：class sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’, max_depth=None, bootstrap=True, random_state=None, min_samples_split=2)
    • 随机森林分类器；
    • n_estimators：integer，optional（default = 10）森林里的树木数量 120,200,300,500,800,1200；
    • criteria：string，可选（default =“gini”）分割特征的测量方法；
    • max_depth：integer或None，可选（默认=无）树的最大深度 5,8,15,25,30；
    • max_features="auto”,每个决策树的最大特征数量；
      • If “auto”, then max_features=sqrt(n_features) ；
      • If “sqrt”, then max_features=sqrt(n_features) (same as “auto”)；
      • If “log2”, then max_features=log2(n_features) ；
      • If None, then max_features=n_features .
    • bootstrap：boolean，optional（default = True）是否在构建树时使用放回抽样；
    • min_samples_split：节点划分最少样本数；
    • min_samples_leaf：叶子节点的最小样本数；
  • 超参数：n_estimator, max_depth, min_samples_split,min_samples_lea
*Code6 随机森林代码示例
def random_iris():
    # 1.获取数据集
    iris = load_iris()
    # 2.划分数据集
    x_train, x_test, y_train, y_test = train_test_split(iris.data, iris.target, random_state=6)
    # 3.随机森林预估器
    estimator = RandomForestClassifier(criterion="entropy", max_depth=8)
    estimator.fit(x_train, y_train)
    # 4.模型评估
    # 方法一：直接比对预测值与真实值
    y_predict = estimator.predict(x_test)
    print("y_predict:\n", y_predict)
    print("y_test:\n", y_test)
    print("预测值与真实值比对：\n",  y_predict == y_test)
    # 方法二：计算准确率
    score = estimator.score(x_test, y_test)
    print("准确率为：\n", score)
    return None

最后

新人制作，如有错误，欢迎指出，感激不尽！
如需转载，请标注出处！
多氯环己烷
关注
  • 3
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 6
    评论
专栏目录
sklearn学习总结（超全面）
fuqiuai的博客
03-09 4万+
sklearn的官网链接http://scikit-learn.org/stable/index.html# 目录 1. 分类、回归 2. 降维 3. 模型评估与选择 4. 数据预处理 大类 小类 适用问题 实现 说明 分类、回归 1.1 广义线性模型 1.1.1 普通最小二乘法 回归 sk...
AI（002） - 笔记 - 第二周 - sklearn中SVM实现
DarkRabbit的专栏
05-09 275
笔记：Scikit Learn中SVM实现 笔记：Scikit Learn中SVM实现 1、sklearn.svm模块 2、sklearn.svm提供的SVC 1、sklearn.svm模块 LinearSVC：基于liblinear的SVM SVC：基于libsvm的C-SVM NuSVC：基于libsvm的C-SVM OneClassSVM：非监督的异常值检测 ...
AI-sklearn 学习笔记（一）sklearn 一般概念
weixin_30765475的博客
08-29 83
scikit-learn Machine Learning in Python Simple and efficient tools for data mining and data analysis Accessible to everybody, and reusable in various contexts Built on NumPy, SciPy, an...
AI | 第3章 机器学习算法 - sklearn 回归、聚类算法
多氯环己烷的博客
10-30 300
机器学习算法 - sklearn 回归、聚类算法
【机器学习】分类算法sklearn-朴素贝叶斯算法
weixin_45334823的博客
07-08 529
分类算法-朴素贝叶斯算法1. 概率基础2. 朴素贝叶斯介绍3. sklearn朴素贝叶斯实现API4. 朴素贝叶斯算法案例 1. 概率基础 概率定义为一件事情发生的可能性：扔出一个硬币，结果头像朝上；某天是晴天 联合概率和条件概率“”： 联合概率：包含多个条件，且所有条件同时成立的概率 记作：????(????,????) 条件概率：就是事件A在另外一个事件B已经发生条件下的发生概率 记作：????(????|????) 特性：P(A1,A2|B) = P(A1|B)P(A2|B) 注意：此条件概率的成立，
机器学习中的算法-贝叶斯算法
qq_14815661的博客
07-12 358
原创文章,如需转载请保留出处 本博客为唐宇迪老师python数据分析与机器学习实战课程学习笔记 一.贝叶斯算法概述 1.1贝叶斯简介： 贝叶斯（约1701-1761）Thomas Bayes，英国数学家 贝叶斯方法源于他生前为了解决一个“逆概”问题写的一篇文章 1.2贝叶斯要解决的问题 正向概率：假设袋子里面有N个白球，M个黑球，你伸手进去摸一把，摸出黑球的概率是多大 逆向概率：如果我们事...
PyPI 官网下载 | mlserver-sklearn-0.5.0.tar.gz
01-28
《PyPI官网与mlserver-sklearn：机器学习的强力结合》 PyPI（Python Package Index）是Python开发者的重要资源库，它提供了大量的第三方Python库，方便用户下载和安装。在这个资源包“mlserver-sklearn-0.5.0.tar....
机器学习疯狂入门(2):朴素贝叶斯文本分类
06-09
2、本课程从属于正在录制的《机器学习入门系列》，本篇是第2篇：朴素贝叶斯文本分类。本课程中会涉及到一些数学算法和使用工具。先教大家怎么使用和简单触碰原理。很快后续会有针对这些特定数学基础和工具的精讲课程...
机器学习实战 - 决策树PDF知识点总结 + 代码实现
04-27
【决策树】是一种监督学习算法，常用于分类和回归任务。在分类问题中，决策树构建一个树形结构，通过一系列特征测试来做出预测。每个内部节点代表一个特征，每个分支代表特征的一个可能值，而叶节点则表示一个类别。...
PyPI 官网下载 | easy_sklearn-0.1.2.tar.gz
01-27
标签中提到了"sklearn"、"人工智能"、"python"和"机器学习"，这暗示`easy_sklearn`库与Scikit-Learn（通常简写为sklearn）有关，Scikit-learn是Python中最流行且广泛使用的机器学习库。它提供了各种监督和无监督的...
华中科技大学，机器学习课程设计大作业，KNN实现红酒分类、感知机癌细胞识别、朴素贝叶斯进行新闻主题分类、支持向量机SVM分类实践
最新发布
06-21
华中科技大学，机器学习课程设计大作业，KNN实现红酒分类、感知机癌细胞识别、朴素贝叶斯进行新闻主题分类、支持向量机SVM分类实践 目录结构 | +--+ educoder-tasks # educoder 平台上的作业 | +--+ 1-机器学习 -...
面试 | Java 算法的 ACM 模式
热门推荐
多氯环己烷的博客
04-07 1万+
经常在 LeetCode 上用核心代码模式刷题的小伙伴突然用 ACM 模式可能会适应不过来，把时间花在输入输出上很浪费时间，因此本篇笔记对 Java 算法的 ACM 模式做了个小总结；
Java | Java常用API方法总结
多氯环己烷的博客
08-29 1万+
个人总结的Java常用API手册汇总常用APIJavaAPI1 java.langStringStringBuilderIntegerparseXxxMathObjectSystemThrowableThreadRunnable/接口Class\*reflect反射相关FieldConstructor\MethodClassLoader2 java.utilScannerObectsDate(瞬时)Calendar(日历)Random*数据结构相关Collection/接口Iterator/接口List/接
电科 | 传感器及其应用技术
多氯环己烷的博客
05-10 3520
传感器及其应用技术
微服务架构 | 7.1 基于 OAuth2 的安全认证
多氯环己烷的博客
02-02 3224
OAuth2 是一个基于令牌的安全验证和授权框架。他允许用户使用第三方验证服务进行验证。 如果用户成功进行了验证， 则会出示一个令牌，该令牌必须与每个请求一起发送。然后，验证服务可以对令牌进行确认；
微服务架构 | 3.4 HashiCorp Consul 注册中心
多氯环己烷的博客
01-18 2897
Consul 是一套开源的分布式服务发现和配置管理系统，由 HashiCorp 公司用 Go 语言开发。它提供了微服务系统中的服务治理、配置中心、控制总线等功能。这些功能中的每一个都可以根据需要单独使用，也可以一起使用以构建全方位的服务网格，总之 Consul 提供了一种完整的服务网格解决方案；
电科 | 电子器件微纳米加工技术
多氯环己烷的博客
05-10 2748
电子器件微纳米加工技术
微服务架构 | 7. 安全保护
多氯环己烷的博客
02-01 2739
安全性是暴露由许多微服务组成的公共访问API时要考虑的最重要的一个方面。Spring有一些有趣的功能和框架，使我们的微服务安全配置更容易；
云计算 | 中国信通院《2022 云计算白皮书》阅读、理解与总结
多氯环己烷的博客
10-22 2475
来源：中国信息通信研究院 仅供参考

“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 6
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

打赏作者

多氯环己烷

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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