javas的学习之$

今天想使用$('.class_name')得到标签内的值,然后尝试了.text()拿到了不正确的值,.text()可以设置文本的值。

例子:

<span class="name">123</span>

$('.name').text(’789‘); 设置后 -》<span class="name">789</span>

document.write($('.name').text());输出789

效果:

PS:.text()同时可以拿到里面的值

然后呢,我想拿input标签里面的值,发现.text()无法获取和设置。百度了下后,jquery提供了多种方法。

$('.name').val();

$(".name[type=' text' ]").val();

$('.name').attr("value");

$(".name[type=' text' ]").attr("value");

以上四种方法。

PS:$(".name[type=' text' ]").attr("value",123); 还可以设置值的哦!

 

var type = $("input:radio[name='type']:checked").val();

在文档的所有input type是radio 并且name为type的选中的单选框的值

用到了[name='type'] css选择器 http://www.w3school.com.cn/cssref/css_selectors.asp

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
随机森林是一种经典的集成学习算法,它通过构建多个决策树来达到分类或回归的目的。下面是一个使用Java语言实现随机森林算法的示例: 首先,我们需要导入所需的Java包,包括使用随机森林算法的机器学习库,例如Weka或Scikit-learn。 接下来,我们需要定义数据集。可以通过读取数据集文件或手动输入的方式获取数据。一个常见的数据集应包含输入特征和目标变量。 然后,我们需要进行数据预处理,包括数据清洗、特征选择、特征缩放等操作。这些步骤的目的是为了提高模型训练的效果和准确度。 接下来,我们需要将数据集分为训练集和测试集。一般情况下,我们将大部分数据作为训练集,少部分数据用于测试集。训练集被用来构建随机森林模型,而测试集则用来评估模型的性能。 然后,我们需要定义随机森林模型的参数,例如决策树的数量、树的最大深度、特征选择等。 接下来,我们可以使用训练集来训练随机森林模型。训练过程将根据所定义的参数创建多个决策树,并使用随机样本和随机特征进行构建。 最后,我们可以使用测试集来评估随机森林模型的性能。评估指标可以是准确率、精确率、召回率等。 随机森林算法的Java示例代码如下: ```java import weka.classifiers.trees.RandomForest; import weka.core.Instances; public class RandomForestExample { public static void main(String[] args) throws Exception { // 导入数据集 Instances data = new Instances(new FileReader("data.arff")); data.setClassIndex(data.numAttributes() - 1); // 划分训练集和测试集 int trainSize = (int) Math.round(data.numInstances() * 0.8); int testSize = data.numInstances() - trainSize; Instances trainData = new Instances(data, 0, trainSize); Instances testData = new Instances(data, trainSize, testSize); // 定义随机森林模型并设置参数 RandomForest randomForest = new RandomForest(); randomForest.setNumTrees(100); randomForest.setMaxDepth(5); randomForest.buildClassifier(trainData); // 在测试集上评估模型 Evaluation eval = new Evaluation(trainData); eval.evaluateModel(randomForest, testData); // 输出模型评估结果 System.out.println(eval.toSummaryString()); } } ``` 以上示例使用Weka库实现了随机森林算法。首先,需要将数据集存储在名为"data.arff"的文件中。然后,通过读取文件导入数据集。接下来,使用80%的数据构建训练集,剩余20%作为测试集。定义随机森林模型,并设置参数,如树的数量和最大深度等。最后,在测试集上评估模型并输出评估结果。 这是一个简单的随机森林算法的示例,可以根据实际需求进行进一步的优化和调整。
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