【CSDN首发】ImGui框架自实现文本在绘制矩形中居中对齐算法


前言

提示:本算法只适用于ImGui框架,其他框架也可以参考一下。具体imgui框架用法请百度


提示:以下是本篇文章正文内容,下面案例可供参考

一、效果图片

示例:
在这里插入图片描述

二、下面进入正题

1.引入库

代码如下.cpp(示例):

#define FLOOR(_VAL)((float)(int)(_VAL))
//寻找文本结束符
const char* FindTextEnd(const char* text, const char* text_end)
{
   
    const char* text_display_end = text;
    if (!text_end)
        text_end = (
  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
首先,朴素贝叶斯算法是一种基于贝叶斯定理的机器学习算法,常用于文本分类任务。其核心思想是,给定一个文本,通过计算该文本属于各个类别的概率来确定该文本的类别。 文分词是将一段文本按照一定的规则进行切分,将其划分为一个个独立的词语。文分词可以大大提升文本分类的效果。 评价指标可以用来衡量文本分类模型的性能。常见的评价指标有准确率、精确率、召回率和 F1 值等。 下面我们来介绍如何使用朴素贝叶斯算法实现文本分类并添加文分词与评价指标。 1. 数据预处理 我们需要将文本转化为向量,这里使用词袋模型。首先需要进行文分词,将文本划分为一个个单独的词语。可以使用 jieba 库来进行文分词。 2. 特征提取 对于每个文本,我们需要提取出其对应的词袋向量。可以将每个文本的每个词语看作一个特征,然后统计每个词语在该文本出现的次数,得到一个向量表示该文本的词袋。 3. 建立模型 使用 sklearn 的 MultinomialNB 类来建立朴素贝叶斯分类器模型。 4. 模型评价 使用训练集进行训练后,我们需要使用测试集进行模型评价。常见的评价指标有准确率、精确率、召回率和 F1 值等。可以使用 sklearn 的 classification_report 函数来计算这些指标。 代码示例: ``` python import jieba from sklearn.feature_extraction.text import CountVectorizer from sklearn.naive_bayes import MultinomialNB from sklearn.metrics import classification_report # 读取文本数据 with open('data.txt', 'r', encoding='utf-8') as f: data = f.readlines() # 文分词 data_words = [] for line in data: words = jieba.lcut(line.strip()) data_words.append(' '.join(words)) # 特征提取 vectorizer = CountVectorizer() X = vectorizer.fit_transform(data_words) # 标签 y = [0, 1, 2, ... , n] # 分割数据集 from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 建立朴素贝叶斯模型 clf = MultinomialNB() clf.fit(X_train, y_train) # 模型评价 y_pred = clf.predict(X_test) print(classification_report(y_test, y_pred)) ``` 参考文献: 1. https://blog.csdn.net/u014595019/article/details/70228754 2. https://blog.csdn.net/weixin_43901767/article/details/102857380

“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