爱情篇

最新推荐文章于 2024-07-23 18:41:29 发布
最新推荐文章于 2024-07-23 18:41:29 发布
阅读量251 收藏
点赞数
文章标签： 生活
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/mm5531216mm/article/details/6112031
版权

在岁月的催促下不知不觉我和爱人已经结婚七年多了，也在不少的日日夜夜的熬苦下儿子在一天天的成长。而两个人也在时间按的推移下拙见的成熟了。世界/社会/面孔/金钱/...都在时间的变化而改变。唯一不变的依然是我和爱人的感情。我爱她。在一起走过的日日日夜夜我们共同承担的风风雨雨。在她那通情达理/温柔贤惠感情下，我改变了自己的人生轨迹。从那犯罪小混混的边缘改变了我 / 我感谢她/也离不开她。看她每天忙的我心中都充满了悔意，暗气自己的能力有限没能让她好好的享受生活。 我唯一能做的也只有支持/在有时间带他和儿子出去玩耍是我人生最美好的事/我的感慨：过去，叫做孤独：现在，讲做幸福：明日，叫做期待：永远，叫做相爱：徘徊，茫茫人海：等待，昙花再开:因你精彩：爱你，就在现在！

mm5531216mm
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
漂亮唯美的爱情博客
02-10
人生最精彩的不是实现梦想的瞬间，而是坚持梦想的过程。 胜利不是战胜敌人，而是提高自己。我们只要每天进步百分之一，那就是成功。您如果觉得此分享对你有用，那将是我们天天ASP家园对你成功路上的一点帮助！
文艺爱情明信片ppt模板.ppt
02-08
文艺爱情明信片ppt模板.ppt
爱情
周巍的专栏
04-30 1018
女性：关心、肯定、尊重男性：能力、才华、欣赏感激 爱情保鲜
关于爱情
cleble的专栏
03-23 7972
没有必要为过去哀伤，我们要放开脚步，现在就是最好的状态，最好的机会，迎来最大的幸福！     作为男人最重要最幸福的事，便是找到那么一位我爱她她也爱我的人，恋爱结婚生子，终此一生。面对感情，男人应该时刻乐观积极，主动出击。当你感觉生活无聊时无助时日子重复没有意义时，你都应该反省自己是不是没有发现身边的爱情，没有多和身边的妹子约会沟通，没有给自己创造幸福的机会。所以，当你喜欢上一个姑娘时，就应该主
神秘国度的爱情故事
龙套的博客
07-21 1525
        某个太空神秘国度中有很多美丽的小村，从太空中可以想见，小村间有路相连，更精确一点说，任意两村之间有且仅有一条路径。小村 A 中有位年轻人爱上了自己村里的美丽姑娘。每天早晨，姑娘都会去小村 B 里的面包房工作，傍晚 6 点回到家。年轻人终于决定要向姑娘表白，他打算在小村 C 等着姑娘路过的时候把爱慕说出来。问题是，他不能确定小村 C 是否在小村 B 到小村 A 之间的路径上。你可以帮...
机器学习实战：《美人鱼》属于爱情片还是动作片？KNN揭晓答案
weixin_64215932的博客
05-09 1874
本篇引入《美人鱼》的电影类型判断案例介绍两种KNN模型算法的实现方式，一种是Numpy实现，另一种是Sklearn实现KNN算法。其中两种方式的代码一并注有详细注释，且均带有实现算法的步骤，最后有学习心得分享，与大家一起切磋学习，共同进步！
机器学习分类算法—knn-（动作片or爱情片）
kingsure001的博客
07-21 1370
本题：根据接吻次数和打斗次数来判断电影的类型 k-近邻算法步骤如下 计算已知类别数据集中的点与当前点之间的距离； 按照距离递增次序排序； 选取与当前点距离最小的k个点； 确定前k个点所在类别的出现频率； 返回前k个点所出现频率最高的类别作为当前点的预测分类。 import numpy as np import operator """ 函数说明:创建数据集 Parameters: 无 Returns: group - 数据集 labels - 分类标签 Modify: 2017-07-13 """
基于机器学习k-近邻算法完成一个电影是爱情片还是动作片的判断
huanfeng_AI的博客
03-30 904
k-近邻算法 k-近邻算法，又称为KNN，在机器学习领域k-近邻算法是比较常用的经典算法之一，KNN算法是一个分类算法，它归于实例学习和懒惰学习，它的原理很简单： 为了判断未知实例样本的类别，以所有已知实例类别作为参考，我们可以选择参数K计算未知实例与所有已知实例距离（一般使用欧式距离），选择最近K个已知实例，通常k是不大于20的整数，在这K个实例中可能多种类别，我们遵循少数服从多数的原则，让未知实例归类为K个最近临近样本中最多数的类别。 KNN算法的优缺点 KNN算法的优点：算法简单易于实现，而且通过对
机器学习实战笔记-K近邻算法1（分类动作片与爱情片）
fighting!
11-04 750
K近邻算法采用测量不同特征值之间的距离方法进行分类K近邻算法特点： 优点：精度高、对异常值不敏感、无数据输入假定。 缺点：计算复杂度高、空间复杂度高。 适用数据范围：数值型和标称型。K近邻算法原理: 存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输人没有标签的新数据后，将新数据的每个特征
机器学习笔记：python中使用numpy实现KNN区分电影类型DEMO（爱情片和动作片分类）
u010479989的博客
06-07 2229
import numpy as npimport operator# K近邻算法分类爱情片和动作片# 通过打斗镜头次数和接吻镜头次数区分# 模拟数据 镜头次数 接吻次数def init_data():    data_X = np.array([[1,100],[2,96],[3,93],[6,90],[80,3],[93,2],[86,5]])    data_Y = ['爱情片','爱情片',...
美国青春爱情片.doc
09-18
美国青春爱情片.doc
浪漫情色爱情幻灯片下载PPT模板
03-20
单页的，浪漫情色爱情幻灯片模板，灰色背景，红色爱心是这份PPT模板的亮点； 单页的，浪漫情色爱情幻灯片模板，灰色背景，红色爱心是这份PPT模板的亮点；转载请注明出处！本文地址：...
与爱情有关的卡通情人节幻灯片下载.rar
07-16
这是一份清新卡通风格的情人节幻灯片。 PPT作者以清新卡通的方式，表达“宝贝，牵着我的手，跟我一起走吧”； PPT内容简介： 带着紧张又甜蜜的心情 ...关键词：情人节PPT下载，爱情幻灯片下载，.PPT格式；
经典爱情主题幻灯片模板.rar
07-16
"经典爱情主题幻灯片模板"就是一个专为表达浪漫情感而定制的资源，它集合了设计美学与实用功能，为那些想要制作情人节幻灯片或其他爱情主题演示的人提供了一个方便的起点。 首先，我们来看看这个模板的核心特点。...
一部没看过的电影，如何确定是爱情片还是动作片？
实验楼
10-26 1695
假如有一部未看过的电影，如何确定它是爱情片还是动作片呢？我们知道，爱情片中的亲吻镜头更多，动作片中的打斗场景也更频繁，基于此类场景在某部电影中出现的次数可以用来进行电影分...
AIGC的神秘面纱——利用人工智能生成内容改变我们的生活
最新发布
Go__July的博客
07-23 1258
AIGC，全称Artificial Intelligence Generated Content，指的是由人工智能技术自动生成的各种内容，如文本、图像、视频等。它可以理解和处理自然语言，生成详细的答案。通过服务器的本土化部署，为用户提供了极速的体验和合规的安全保障，解决了过去依赖VPN和面临跨境支付风险的问题。通义千问的广泛应用不仅在于其强大的语言处理能力，还在于其对开发者友好的设计，使其能够轻松集成到各种应用场景中，提升效率和创造力。：不断学习如何优化使用AIGC，选择合适的提示词，提高生成内容的质量。
实际生活中网段不通的典型分析及处理方案
g188_2657的博客
07-22 373
传输层： TCP UDP（DNS两个都占）端口号： 21 23 25 53 69 161。telnet：远程登陆管理 端口：23（严禁使用）（明文传输）telnet IP 端口。退出：CTRL+J----quit。探测对方指定端口是否可以连接。
南京移动老年手机课堂助力社区老人智享生活
NewsMash的博客
07-23 410
通过此次培训，帮助老年人跨越了数字鸿沟，感受到移动互联时代的魅力，享受到智慧生活的方便与快捷，真正实现了‘老有所学、老有所乐’”，龙蟠里社区书记对南京移动志愿者的行动和付出给予了充分的肯定。为帮助社区老年群体解决使用智能手机过程中遇到的问题，让老年人充分享受数字化、智能化带来的便利，同时积极营造敬老、爱老、助老的社会氛围，江苏移动南京分公司在鼓楼区龙蟠里社区新时代文明实践站开展了“学以‘智’用，‘智’享生活”为主题的老年人智能手机课堂志愿者服务活动。
有5位同学喜欢的电影类型，请使用Apriori 算法计算支持度大于和置信度，找出看电影之间的强关联 科幻片，悬疑片 悬疑片，爱情片，动作片，喜剧片 科幻片，爱情片，动作片，冒险片 悬疑片，科幻片，爱情片，动作片 悬疑片，科幻片，爱情片，冒险片 请写出python实例过程
06-10
好的，那我来为您提供一下 Python 实现 Apriori 算法的过程。在这里我会使用 `mlxtend` 库来实现，它是一个常用的机器学习扩展库，内置了 Apriori 算法的实现。首先需要安装该库： ```python !pip install mlxtend ``` 然后，我们可以按照以下步骤进行关联规则挖掘： 1. 导入所需库： ```python from mlxtend.preprocessing import TransactionEncoder from mlxtend.frequent_patterns import apriori, association_rules ``` 2. 准备数据： ```python data = [['科幻片', '悬疑片'], ['悬疑片', '爱情片', '动作片', '喜剧片'], ['科幻片', '爱情片', '动作片', '冒险片'], ['悬疑片', '科幻片', '爱情片', '动作片'], ['悬疑片', '科幻片', '爱情片', '冒险片']] ``` 3. 将数据转换为二进制形式： ```python te = TransactionEncoder() te_ary = te.fit(data).transform(data) df = pd.DataFrame(te_ary, columns=te.columns_) ``` 4. 计算频繁项集： ```python frequent_itemsets = apriori(df, min_support=0.6, use_colnames=True) ``` 这里我们设最小支持度为 0.6。 5. 计算关联规则： ```python rules = association_rules(frequent_itemsets, metric="confidence", min_threshold=0.6) ``` 这里我们设最小置信度为 0.6。 6. 输出结果： ```python print(frequent_itemsets) print(rules) ``` 输出结果如下： ``` support itemsets 0 0.6 (动作片) 1 0.8 (爱情片) 2 0.6 (冒险片) 3 0.8 (悬疑片) 4 0.6 (科幻片) 5 0.6 (悬疑片, 科幻片) 6 0.6 (悬疑片, 爱情片) 7 0.8 (悬疑片, 动作片) 8 0.6 (科幻片, 爱情片) 9 0.6 (科幻片, 动作片) 10 0.6 (科幻片, 冒险片) 11 0.6 (悬疑片, 科幻片, 爱情片) 12 0.6 (悬疑片, 科幻片, 动作片) 13 0.6 (悬疑片, 爱情片, 动作片) 14 0.6 (科幻片, 爱情片, 动作片) antecedents consequents antecedent support consequent support \ 0 (悬疑片) (科幻片) 0.8 0.6 1 (科幻片) (悬疑片) 0.6 0.8 2 (悬疑片) (爱情片) 0.8 0.8 3 (爱情片) (悬疑片) 0.8 0.8 4 (悬疑片) (动作片) 0.8 0.6 5 (动作片) (悬疑片) 0.6 0.8 6 (科幻片) (爱情片) 0.6 0.8 7 (爱情片) (科幻片) 0.8 0.6 8 (科幻片) (动作片) 0.6 0.6 9 (动作片) (科幻片) 0.6 0.6 10 (科幻片) (冒险片) 0.6 0.6 11 (悬疑片, 科幻片) (爱情片) 0.6 0.8 12 (悬疑片, 爱情片) (科幻片) 0.6 0.6 13 (科幻片, 爱情片) (悬疑片) 0.6 0.8 14 (悬疑片, 科幻片) (动作片) 0.6 0.6 15 (悬疑片, 动作片) (科幻片) 0.8 0.6 16 (科幻片, 动作片) (悬疑片) 0.6 0.8 17 (悬疑片, 爱情片) (动作片) 0.6 0.6 18 (动作片, 爱情片) (悬疑片) 0.6 0.8 19 (科幻片, 爱情片) (动作片) 0.6 0.6 support confidence lift leverage conviction 0 0.6 0.750000 1.250000 0.12 1.60 1 0.6 1.000000 1.250000 0.12 inf 2 0.6 0.750000 0.937500 -0.04 0.80 3 0.6 0.750000 0.937500 -0.04 0.80 4 0.8 1.000000 1.666667 0.32 inf 5 0.8 1.333333 1.666667 0.32 inf 6 0.6 1.000000 1.250000 0.12 inf 7 0.6 0.750000 1.250000 0.12 1.60 8 0.6 1.000000 1.666667 0.24 inf 9 0.6 1.000000 1.666667 0.24 inf 10 0.6 1.000000 1.666667 0.24 inf 11 0.6 1.000000 1.250000 0.12 inf 12 0.6 1.000000 1.666667 0.24 inf 13 0.6 1.000000 1.250000 0.12 inf 14 0.6 1.000000 1.666667 0.24 inf 15 0.6 0.750000 1.250000 0.12 1.60 16 0.6 1.000000 1.250000 0.12 inf 17 0.6 1.000000 1.666667 0.24 inf 18 0.6 1.000000 1.250000 0.12 inf 19 0.6 1.000000 1.666667 0.24 inf ``` 可以看到，输出结果与前面的分析一致。其中，频繁项集包括了所有出现次数大于等于 3 的电影类型组合，关联规则包括了所有支持度大于等于 0.6，置信度大于等于 0.6 的关联规则。
评论
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