le源码更新

le最新的源码更新了,可到我的主页下载
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
l_e多页面浏览器(0.6)源码 2010-9-18 在09年2月份的时候版本就变成0.6了,那时候就想着要把源码公布出来. 至于为何拖到现在才发布?一直没想到应该用怎样的版权声明. 到了现今,貌似也没必要想这个事情了,各位喜欢怎样用这份源码都行,如果可以的话,最好能提一下我,^0^ 另,库找不到的问题,可以先把所有的引用去掉,然后再依次添加. l_e多页面浏览器(1.4.136)源码 2007-2-12 其实此为0.5preview的版本,但有还没做到预期希望完成的功能,还差些吧,于是还叫1.4, 本来是暂时不想放出来的,想把未完成的都完成了再放出来,但最近也懒了,还是先把这个放出来吧, 修改的东西比较多,特别是插件部分的代码,详细还是看devlog.txt吧 l_e多页面浏览器(1.4.56)源码 2006-1-11 源码所作的更新可以在devlog.txt中看到 myacc是实现"监视所有下载项"的主要代码,用vc写 l_e多页面浏览器(1.4.0)源码 2005-8-30 =========== 目录 ============ 浏览器特点 使用到的技巧 各文件夹作用 其他 ==============浏览器特点============== 1.多页面浏览(呵呵,此为废话) 2.支持鼠标手势,并且可以自定义 3.支持页面拖拽,并且可以定义拖拽各方向的功能(类似GreenBrowser).拖拽开启时,页面中原本拖拽所实现的部分功能能正常使用,如将一段文字拖拽进一个textarea,input等,好像现在网上流行的多页面浏览器并不具备这个功能哦. 4.支持插件 5.广告过滤(效果大概没有现在那些热门多页面浏览器好,如maxthon) 6.页面规则,对地址满足一定条件的页面执行相应操作 7.自定义搜索引擎,可使用多引擎搜索 8.方便代理服务器切换 9.捕获下载地址,并使用指定的下载工具下载 10.rss阅读(利用插件) 11.绿色 12...... ==============使用到的技巧============== 1.鼠标手势的实现 2.动态生成菜单并相应其点击事件,响应右键,可弹出菜单 3.自画菜单 4.利用资源文件生成菜单,并将其嵌入toolbar中 5.能够对单独网页设定是否显示图片,ActiveX,动画,音乐...等东西 6.实现了前进后退历史记录的显示 7.如何使用代理 8.使用ini文件 9.托盘图标 10.用api生成Toolbar,ListView,TreeView,TabStrip,StatusBar(代码另附) 11.无需注册就可以使用com组件(如vb生成的ActiveX Dll) 12.插件系统,这个系统完全是我自己想出来的,可能未必完善 13.关于webbrowser的东西 14..... ==============各文件夹作用===================== \MDI 主程序源码 \TLBz 主程序缺什么库(如tlb),到这里来找就有了 \ClearCache 一个清除缓存等的工具(源码) \Plugin_LIB 制作插件相关的tlb源码 \Plugins 以写成的插件源码 \Plugins\RssRead rss阅读插件 \release exe \rundllvb 用来调用dll(用于dll型插件)源码(vc6) \IEMouseHand 是一个BHO(browser help object),用于对付那些对话框式弹出页面 ==============其他============== 1.关于库"jccatch.dll#jccatch 1.0 Type Library", 这个是flashget的东西,可以不要,并将frmFlashgetDownload中的Sub AddUrl()中的内容注释掉就行了 2.需要设置一下vb才能在ide中正常运行 tools->options->general, error trapping那里选上 break on unhandled errors 3.这个程序是从2001年开始写的,那时候写的代码在各方面都不成熟,注释就不用说了,也就最近新写或改写的代码才有部分注释,各位大虾就有怪莫怪了. 详细文档,呵呵,懒人啊,以后再慢慢补上吧,现在先把代码发布了再说. 4.部分问题(如鼠标手势)可以到我的blog看看. 5.这个东西我自己一直都在用的,所以不断会有更新,也会上传到我的主页. 6.请不要用作商业用途(估计也没人用吧,^_^) ===================================== by lingll 2005-8-30 blog: http://blog.csdn.net/li
115le网址导航,版面清晰简洁,并可实现版面自由换色。 演示地址http://www.115le.com/indexcw.html 安装方法 1.上传网站安装程序到空间,空间需支持PHP,MYSQL数据库20M 即可。 2.访问网网址执行安装,按照提示填入mysql数据库信息。 3.安装时默认设置后台管理 用户:admin 密码:123456 (以防安装出错建议默认安装,然后登陆后台修 改密码) 4.网站页面全后台操控,方便简单。安装后即可生成静态页面。 5.由于个别板块显示设置,请进入后台数据管理,导入数据备份文件即可,安装全部结束。 6.重装时请复制install文件夹和index.html文件至根目录执行重装。此版本改动较大不可以用114la的install文件夹进行重装会造成不可预料结果 7.请手动去掉 首页底部模板中的 淘宝客和站长统计代码 8 .其他需要修改的信息都在后台模板中,或在\static\js文件中请自行修改 2010.07.14更新说明。。。 1.更新163.126邮箱不能登录的问题。 2.增加手写功能,方便不会打字的人 3.对网页进行了优化,打开速度明显快了,演示 http://www.115le.com/indexcw.html 4.增加一个娱乐的宠物,闲着没事了还可以给它喂食!嘿嘿 5.增加了飞机,酒店搜索功能,方便旅游出行! 6.底部搜索框改为谷歌搜索。。。。。。。。 115导航网QQ交流群:57830239 下载地址在www.115le.com点网站底部的下载本系统(不断更新
adult数据集是一个二分类问题,目标是预测一个人的年收入是否超过50K美元。该数据集包含14个属性,其中包括年龄、工作类别、受教育程度、婚姻状况、人种、性别、每周工作小时数等等。以下是数据挖掘adult数据集的源码示例。 首先,我们需要导入必要的库和数据集: ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt %matplotlib inline # 导入数据集 url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/adult/adult.data' adult_data = pd.read_csv(url, header = None, sep=',\s', engine='python') adult_data.columns = ['age', 'workclass', 'fnlwgt', 'education', 'education-num', 'marital-status', 'occupation', 'relationship', 'race', 'sex', 'capital-gain', 'capital-loss', 'hours-per-week', 'native-country', 'income'] ``` 接下来,我们需要对数据进行预处理。我们需要将分类属性进行编码,并且将缺失值进行处理。 ```python # 将分类属性进行编码 from sklearn.preprocessing import LabelEncoder le = LabelEncoder() adult_data['workclass'] = le.fit_transform(adult_data['workclass']) adult_data['education'] = le.fit_transform(adult_data['education']) adult_data['marital-status'] = le.fit_transform(adult_data['marital-status']) adult_data['occupation'] = le.fit_transform(adult_data['occupation']) adult_data['relationship'] = le.fit_transform(adult_data['relationship']) adult_data['race'] = le.fit_transform(adult_data['race']) adult_data['sex'] = le.fit_transform(adult_data['sex']) adult_data['native-country'] = le.fit_transform(adult_data['native-country']) adult_data['income'] = le.fit_transform(adult_data['income']) # 处理缺失值 adult_data = adult_data.replace('?', np.nan) adult_data = adult_data.dropna() ``` 接下来,我们需要将数据集分为训练集和测试集,并进行特征选择。 ```python # 将数据集分为训练集和测试集 from sklearn.model_selection import train_test_split x = adult_data.drop('income', axis=1) y = adult_data['income'] x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=0) # 特征选择 from sklearn.feature_selection import SelectKBest from sklearn.feature_selection import chi2 selector = SelectKBest(chi2, k=10) selector.fit(x_train, y_train) x_train = selector.transform(x_train) x_test = selector.transform(x_test) ``` 接下来,我们使用逻辑回归模型进行训练和预测。 ```python # 训练和预测 from sklearn.linear_model import LogisticRegression classifier = LogisticRegression() classifier.fit(x_train, y_train) y_pred = classifier.predict(x_test) # 计算准确率和混淆矩阵 from sklearn.metrics import accuracy_score, confusion_matrix accuracy = accuracy_score(y_test, y_pred) cm = confusion_matrix(y_test, y_pred) print('Accuracy:', accuracy) print('Confusion Matrix:\n', cm) ``` 最后,我们可以进行模型的优化和性能评估。 ```python # 模型优化 from sklearn.model_selection import GridSearchCV parameters = [{'C': [0.1, 1, 10, 100], 'penalty': ['l1', 'l2']}] grid_search = GridSearchCV(estimator = classifier, param_grid = parameters, scoring = 'accuracy', cv = 10, n_jobs = -1) grid_search = grid_search.fit(x_train, y_train) best_accuracy = grid_search.best_score_ best_parameters = grid_search.best_params_ print('Best Accuracy:', best_accuracy) print('Best Parameters:', best_parameters) # 性能评估 from sklearn.metrics import classification_report print(classification_report(y_test, y_pred)) ``` 以上就是数据挖掘adult数据集的源码示例。

“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