关于模型的评估指标（超详细）

最新推荐文章于 2024-06-05 17:35:25 发布
最新推荐文章于 2024-06-05 17:35:25 发布
阅读量3.3w 收藏 406
点赞数 59
分类专栏： # 机器学习 # 金融风控 # 数据挖掘
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/qq_42363032/article/details/110449592
版权

文章目录


模型的开发基于历史数据，而模型的使用则针对未来的数据。为了模拟这种建模方式，将数据集分为三部分： 训练集、验证集和测试集

  • 训练集：

用来训练模型，确定模型的权值、偏置等

  • 验证集：

验证集用于模型的选择，验证集只是为了选择超参数，比如网络层数、网络节点数、迭代次数、学习率这些都叫超参数

  • 测试集：

仅仅使用于模型的评价

  • 训练误差、经验误差：

模型在训练集上的误差（即真实结果与预测结果间的差异）称为训练误差或经验误差

  • 泛化误差：

模型在验证集与测试集上的误差称为泛化误差

而单个模型在训练集上训练希望训练误差最小，并在验证集上测试模型表现以确定单个模型的最优参数；当有多个候选模型时，需要在测试集上对比不同模型的测试表现，以选出最优的模型，一般将这个过程称为嵌套交叉验证

内层交叉验证用于模型参数优化；外层交叉验证用于模型选择即寻找最优模型

正负样本的选择

正负样本选择，没有明确规定，根据业务进行选择。

在机器学习中，往往将少数样本定义为正样本，表示希望模型在训练时更加关注少数样本。

在评分卡中以少数样本为正样本，即以坏样本（违约样本）为正样本

结合评分卡说说以少数、多数样本为正阳本的优点

  • 以少数样本为正样本
即以违约样本为正样本，控制模型更加关注对坏样本的预测能力更符合业务场景，也便于应对样本不平衡的问题

业务关注对坏样本的预测能力
  • 以多数样本为正样本
即以没有违约的为正样本，直观上好理解
评分卡的业务场景更关注坏账率和通过率

通过率：模型判断为好样本的数量占总样本数的比例

在这里插入图片描述

坏账率：模型判断为好样本中真正的坏样本所占的比例，即模型给予申请通过后实际发生逾期与整个通过样本的比例

在这里插入图片描述

只要看到模型的评估指标，首先要确定正负样本的定义是什么

标准评估指标

回归问题的评估指标

SSE 和方差

在这里插入图片描述

均方误差（MSE）

该统计参数是预测数据和原始数据对应点误差的平方和的均值（线性回归的损失函数）

越小越好

真实值与预测值偏差平方和的平均数

在这里插入图片描述

均方根误差（RMSE）

RMSE虽然广为使用，但是其存在一些缺点，因为它是使用平均误差，而平均值对异常点（outliers）较敏感，如果回归器对某个点的回归值很不理性，那么它的误差则较大，从而会对RMSE的值有较大影响，即平均值是非鲁棒的。

R Squared

R2越大，模型的拟合效果越好

在这里插入图片描述

分类问题的评估指标

错误率

在这里插入图片描述

其中，I(f(x)≠y)为指示函数，如条件成立时，输出为 1，条件不成立时，结果为 0。因此，错误率就是被错分的样本数占总体样本数的比例

召回率(查全率)

召回率衡量了在所有正例中模型正确预测的概率，召回率与漏报率相对，即召回率越高，漏报率越小.(预测为正 / 真实正例)

在这里插入图片描述

召回率：一共50条鱼，30草鱼，20鲤鱼，关注的是草鱼，一网打了30个，20草鱼10个鲤鱼，那么召回率就是2/5

> 宁可错杀不错过一个

漏报就是3/5，召回率越高漏报率越小

误报：预测为正例了，但其实不是，预测错了，
医疗场景诊断

精确率(查准率)

精度也称为正确率，1-错误率即为精度

在申请评分中更关心模型对坏样本的准确预测能力，坏样本对业务影响比较重要

在反欺诈应用中，更关心模型预测的欺诈用户中有多少是真实欺诈的用户

精准率衡量了所有模型预测为正例的样本中真实为正例的概率，精准率与误报率相对，即精准率越高，误报率越少 (真实正例 / 预测为正)

在这里插入图片描述

混淆矩阵和分类报告

在这里插入图片描述

坏样本为正样本

  • TP：表示正确拒绝的样本数（坏样本要拒绝）
  • FP：表示误报的样本数，即被错误拒绝的样本数（错的记成正的）
  • FN：表示漏报的样本数，即被错误准入(错误的拒绝了)的样本数（正例预测成负例，好样本没有准入，正例的少了，召回的少了）（好的少了，好的记成错的）
  • TN：正确准入的样本数

在这里插入图片描述
在这里插入图片描述

from sklearn.neural_network import MLPClassifier
from sklearn.metrics import confusion_matrix, classification_report

print(confusion_matrix(test_Y, clf.predict(test_X)))  # 混淆矩阵
print(classification_report(test_Y, clf.predict(test_X)))  # 分类报告

P-R曲线

召回率和精确率是相互制约、此消彼长的

为了综合考虑召回率与精准率(P-R曲线和f1指标)

P-R:以召回率为横坐标、精准率为纵坐标，绘制 P-R 曲线来比较模型的优劣

同时也可以采用平衡点来衡量，令每个分类模型的召回率与精准率相等即为该模型的 BEP，BEP 越大，则模型的性能越好

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5xjNJlWZ-1606823509192)(5E2872C37C0B450990130095E21029FE)]

绘制PR曲线

# P-R
# plt.subplot(122)
train_precision, train_recall, _ = metrics.precision_recall_curve(y_train,
                                                                  model.predict_proba(x_train)[:, 1])  # 预测为1的概率
test_precision, test_recall, _ = metrics.precision_recall_curve(y_test, ypreba1)
plt.plot(train_recall, train_precision, color='r', linestyle='-', label='训练集P-R曲线')
plt.plot(test_recall, test_precision, color='b', linestyle=':', label='测试集P-R曲线')
plt.xlabel('Recall')
plt.ylabel('Precision')
plt.legend()
plt.ylim([0.0, 1.05])
plt.xlim([0.0, 1.0])
plt.show()

准确率

在这里插入图片描述

f1分值

BEP方法是P-R曲线的一种量化方法，更好的量化方法是F1指标

在这里插入图片描述

F1 指标综合考虑了召回率与精准率两种情况，如果希望考虑更多的召回率或精准率，则有如下的变异形式

在这里插入图片描述

当β=1 时，Fβ 指标蜕化为 F1 指标，此时召回率与精准率的重要程度相同；

当 β＞1 时召回率的影响大于精准率；

相反，当β＜1 时，精准率的影响大于召回率

标准评估指标的本质是从模型预测结果出发来度量模型性能优劣的，如分类模型从混淆矩阵中得到各种不同的性能指标，回归模型直接从预测结果与真实结果的偏差角度进行分析

什么时候关注召回率，什么时候关注精确率

  • 当衡量所有正例中预测正确的概率，用召回率（所有正例预测为正）
    • 召回率越高，漏报率越小
  • 当衡量预测为正例中，真实为正例的概率，用精确率（预测为正实际为正）
    • 精确率越高，误报率越小
推荐系统更看重 精准率，宁可少推也不推错
抓捕犯罪更看重 召回率

概率密度评估指标

概率密度曲线图

基于概率密度的评估指标其本质就是度量两个概率密度函数相互独立的可能性有多大

如图第一个分类器的性能优于第二个分类器的性能

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FwzhznLK-1606823509198)(0133CE04DE71408FA6CF20EF9222661B)]
在这里插入图片描述

相对熵（K-L散度）

概率、信息量

  • 概率是表征随机变量确定性的度量
  • 信息是随机变量不确定性的度量
  • 信息量是信息多少的度量

在这里插入图片描述

  • 熵是不确定性度量的平均值，即为信息的平均值

信息熵

熵表示随机变量不确定的度量，是对所有可能发生的事件产生的信息量的期望

代表着不纯度，越小事情越确定

信息量的一个加权平均

在这里插入图片描述

相对熵（K-L散度）

K-L 散度是两个随机分布之间距离的度量，就是似然比的对数期望，这正是要找的衡量两个概率密度函数独立性的指标

用于衡量对于同一个随机变量x的两个分布 真实 和 预测 之间的差异

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-fx3JS82T-1606823509204)(D285E73395AB4C27A548641C5C93DD8E)]

p(x)常用于描述样本的真实分布，而q(x)则常常用于表示预测的分布

KL散度的值越小表示两个分布越接近（越小越好）。

然而，K-L 散度没有对称性，即 D(p||q)≠D(q||p)。

既然 K- L 散度没有对称性，两个随机分布之间的 K-L 散度求和，这个求和后的距离越大，证明两个随机分布的距离越大，即独立性越好，模型的预测效果越好

在这里插入图片描述

因此，得到了一个具有对称性的距离，即为 K-L 距离

对称化后的 K-L 散度即 K-L 距离就是 IV 值

对于 IV 值越大，表示该变量对目标变量的预测能力就越好

因为 IV 值其本质就是 K-L 距离，在每个区间的 IV 值越大，表示在这个区间内正负
样本的概率密度函数 f(p|B)与 f(p|G)的距离就越大，在该区间内变量对好坏样本的区分度就越高，而整个变量的 IV 值就是每个区间的 IV 值加和。因此，IV 值越大，该变量对好坏样本的区分度就
越强，也就是变量对目标变量的预测能力越好

因此，在变量选择阶段，IV 值可以用来选择预测能力强的变量，在模型评估中可以用来衡量不同模型的预测性能

交叉熵

在这里插入图片描述

交叉熵是kl散度的一个变形
前面真实的分布是固定的，所以只看后半部行了

概率分布评估指标

ROC曲线

纵坐标为真正率(TPR)，横坐标为假正率(FPR)

在这里插入图片描述
在这里插入图片描述

绘制方法

  • 1.对输出概率进行降序排序
  • 2.确定阈值
  • 3.根据阈值点计算TPR和FPR
  • 4.苗点连线

ROC曲线反映了排序质量的好坏，也就是预测结果的好坏(正例在前，反例在后)

ROC曲线的量化指标：AUC，就是曲线下面积，AUC值越大越好，即面积曲线下面积越大越好

AUC的取值在0.5-1之间，我们更习惯于一个取值在0-1之间的指标，这时候就有了归一化后的AUC，就是基尼系数或基尼统计量（这里的基尼系数和决策树的不同）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qCm0KeE4-1606823509213)(8428D077000443519A9DDC2D1BB1ED30)]

基尼系数（基尼统计量）是AUC的一种归一化形式

ROC反映的是整体的性能

绘制ROC曲线

# ROC
# plt.subplot(121)
fpr, tpr, threshold = metrics.roc_curve(y_test, ypreba1)  # 预测为1的概率
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('FPR')
plt.ylabel('TPR')
plt.title('ROC')
plt.plot(fpr, tpr, color='darkorange', label='AUC: %0.2f' % roc_auc_score(y_test, ypreba1))
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')    # x1 x2 [0, 1]  y1 y2 [0, 1]
plt.legend(loc="lower right")
plt.show()

KS曲线

提升图

提升图比较的是采用模型与不采用模型带来的改善，即采用模型后对坏样本识别能力的提升程度

大体计算过程
概率降序排序，将概率等分为10组，分别计算每组的实际违约数，占总违约数的占比和累计占比

直方图如下

在这里插入图片描述

为什么呈单调递减？

根据概率降序排序了，坏样本占比随着概率的降低而减少（概率越高占比越大）

即模型的预测结果与真实结果的违约情况有很好的单调关系

提升图的另一种形式

为了直观地比较有模型判断与随机判断在识别坏样本的提升程度上的差别，可以将采用模型判断得到的每组坏样本占比与随机判断每组的坏样本占比做比值，如图

在这里插入图片描述

洛伦兹图（累计提升图）

将采用模型判断得到的每组累计坏样本占比与随机判断每组的累计坏样本占比进行绘图

在这里插入图片描述

用洛伦兹比较两个模型的性能时，也是偏左上角好（和ROC相同）

ROC的纵坐标是TPR，横坐标是FPR

这里的TPR和洛伦兹基本一致，每个组别（概率区间）的实际违约占比就是该组内的TPR

ROC的横坐标是FPR，表示对不逾期样本的误判率，洛伦兹的横坐标是分组数

所以洛伦兹曲线和ROC本质是相同的，只是横坐标表示的信息有所不同

洛伦兹的横坐标还可以表示通过率

在这里插入图片描述

可以用洛伦兹曲线与随机判断对角线围城的面积A来量化模型的性能

在这里插入图片描述

将可提升的面积与提升的极限做比值定义为基尼系数

这里的基尼系数和AR是等价的，也是2*AUC-1

洛伦兹曲线在给定通过率后，只能得到对坏样本的识别能力

在洛伦兹的基础上再加一条识别好样本的曲线就是KS曲线

KS曲线

K-S曲线本质就是坏样本的洛伦兹曲线和好样本的洛伦兹曲线构成的

在这里插入图片描述

KS值反映了模型对好坏样本的区分能力，KS值越大表示对好坏样本的区分能力越强，最大的KS值对应的概率就是预测模型的最优阈值点

KS值越大说明模型对好坏样本的区分能力越好，模型的性能越优

在这里插入图片描述

WGS.
关注
  • 59
    点赞
  • 踩
  • 406
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
专栏目录
大模型及传统模型评估指标
Ashinhuang的博客
07-21 3195
3、Huber Loss结合了MSE和MAE的特点，在误差接近0时使用MSE，在误差较大时使用MAE，但是需要额外设置一个delta超参数。2、如果阈值较高，那么精准率Precision会高，但是会漏掉很多数据；4、如果存在不同样本的真实值有量级差或者更加关注预测和真实值的百分比差异的情况,最好选用MAPE。1、准确率Accuracy有一个缺点，就是数据的样本不均衡，这个指标是不能评价模型的性能优劣的。1、RMSE 的最优化是试图找到平均值，而 MAE 的最优化是让预测偏高的次数与偏低的次数相等。
模型评估指标总结（预测指标、分类指标、回归指标）
m0_49866160的博客
03-18 1万+
关于模型指标评估总结，涉及预测指标（MAE/MSE/RMSE/等）、分类指标（PR曲线、ROC曲线和AUC曲线）和回归指标（MAE、MSE），还有深度学习中的一些概念如：KL散度、JS散度、常用损失函数，鲁棒性与泛化性
小白也能看懂 | 大模型的6个评估指标
zhishi0000的博客
05-04 2731
近年来，随着深度学习技术的飞速发展，大型神经网络模型如BERT、GPT-3等已经成为自然语言处理、计算机视觉、语音识别等领域的重要工具。这些模型之所以称为"大型"，是因为它们通常包含数十亿甚至数千亿的参数，比以往的模型要庞大得多。然而，模型的规模庞大并不总是意味着性能更好，因此我们需要一套有效的方法来评估这些大型神经网络的性能。本文将探讨为什么要评估大型神经网络模型，以及如何使用一系列关键指标来评估它们。在深度学习领域，大型神经网络模型已经成为各种应用的核心。
模型评价指标
最新发布
SQL__Learning的博客
06-05 654
ROC曲线: 与前面的P-R曲线相似，根据分类器的预测结果从大到小对样例进行排序，逐个把样例加入正例进行预测，每次计算出TPR和FPR，分别以它们为横、纵坐标作图，就得到了 “ROC曲线”，ROC曲线的纵轴是“真正例率” (True Positive Rate,简称 TPR),横轴是“假正例率”一(False PositiveRate,简称FPR)如：一个总样本中，正样本占90%，负样本占10%，样本是严重不平衡的，此时我们只需要将全部样本预测为正样本就可得到90%的高准确率。
模型评估指标
qq_44303306的博客
09-15 638
模型评价指标，召回率、精确率等理解
SVC模型评估指标与ROC曲线
weixin_60200880的博客
10-29 3900
样本不均衡是只在一组数据集中，标签的其中一类占有很大的比例，但我们有着捕捉特定的分类需求的状况。比如，我们现在要对潜在犯罪者和普通人分类，潜在犯罪者占总人口的比例是相当低的，也许只有2%左右，98%的人都是普通人，而我们的目标是找出潜在犯罪者。这样的标签分布会带来许多问题：因为对于模型而言，样本量越大的标签可以学习的信息越多，算法就会更加依赖于从多数类中学到的信息来判断。如果我们希望捕获少数类，模型就会失败，
大数据机器学习：常见模型评估指标
未来社会二十年发展的核心技术趋势由ABCD四个字母组成，分别是AI（人工智能）、BlockChain（区块链）、Cloud（云）、和Data（大数据）每一次进步都有新的认知和感触
04-29 1649
模型评估是指在机器学习中，对于一个具体方法输出的最终模型，使用一些指标和方法来评估它的泛化能力。这一步通常在模型训练和模型选择之后，正式部署模型之前进行。模型评估不针对模型本身，而是针对问题和数据，因此可以用来评价不同方法的模型的泛化能力，以此决定最终模型的选择。
机器学习模型评估指标
xty5057212的博客
12-04 5960
本文主要解释一些关于机器学习模型评价的主要概念，与评价中可能会遇到的一些陷阱。如训练集-验证集二划分校验（Hold-out validation）、交叉校验（Cross-validation）、超参数调优(hyperparameter tuning)等。这三个术语都是从不同的层次对机器学习模型进行校验。Hold-out validation与Cross-validation是将模型能够更好得对将来的数据（unseen data）进行拟合而采用的方法。Hyperparameter tuning是一种模型选择方
【大模型系列】大模型评价指标总结
kabuto_hui的博客
04-20 4555
参考资料：BLEU (BiLingual Evaluation Understudy) 是一种评估机器翻译文本的指标，但也可用于评估生成文本的质量，通过比较机器生成的文本和人类生成的参考文本的重叠程度。BLEU 得分是一个 0 到 1 之间的数字，用于衡量机器翻译文本与一组高质量参考翻译的相似度。0 表示机器翻译的输出与参考翻译没有重叠（低质量），而 1 表示其与参考翻译完全重叠（高质量）。定义如下：BLEU=∏i4min⁡(1,exp⁡(1−reference-lengthoutput-length))⏟
SVM通俗详解
热门推荐
WGS.
07-08 8万+
SVM，英文全称为 Support Vector Machine，中文名为支持向量机，由数学家Vapnik等人早在1963年提出。在深度学习兴起之前，SVM一度风光无限，是机器学习近几十年来最为经典的，也是最受欢迎的分类方法之一。 1 SVM与“三八线” 不少人在初识SVM时会感觉到高深难懂。现在，就从你我熟知的“三八线”来走进SVM的思想内涵。 回忆下小时候，同桌同学经常会用粉笔或是小刀在课桌中间划一条“三八线”将课桌一分为二。大家约定好每个人只能在自己的那半课桌领域活动，谁也不能越界，越界是小猪、小狗。
三次样条插值详解(附代码实现)
WGS.
06-18 3万+
文章目录前言引入二次样条的原理二次样条代码实现三次样条的原理三次样条代码实现 前言 当已知某些点而不知道具体方程时候，最经常遇到的场景就是做实验，采集到数据的时候，我们通常有两种做法：拟合或者插值。拟合不要求方程通过所有的已知点，讲究神似，就是整体趋势一致。插值则是形似，每个已知点都必会穿过，但是高阶会出现龙格库塔现象，所以一般采用分段插值。今天我们就来说说这个分段三次样条插值。 引入 首先我们先抛开众多的回归算法不谈， 我们对于给出如下的离散的数据点，现在想根据如下的数据点来推测 x=6 时的值，我们应该
K-Means算法的十大应用场景
WGS.
06-02 2万+
K-means算法通常可以应用于维数、数值都很小且连续的数据集，比如：从随机分布的事物集合中将相同事物进行分组。 1.文档分类器 根据标签、主题和文档内容将文档分为多个不同的类别。这是一个非常标准且经典的K-means算法分类问题。首先，需要对文档进行初始化处理，将每个文档都用矢量来表示，并使用术语频率来识别常用术语进行文档分类，这一步很有必要。然后对文档向量进行聚类，识别文档组中的相似性。 这里是用于文档分类的K-means算法实现案例。 2.物品传输优化 使用K-means算法的组合找到无人机最佳发射位
机器学习-常用回归算法归纳(全网之最)
WGS.
10-28 2万+
文章目录前言一元线性回归多元线性回归局部加权线性回归多项式回归Lasso回归 & Ridge回归Lasso回归Ridge回归岭回归和lasso回归的区别L1正则 & L2正则弹性网络回归贝叶斯岭回归Huber回归KNNSVMSVM最大间隔支持向量 & 支持向量平面寻找最大间隔SVRCART树随机森林GBDTboosting思想AdaBoost思想提升树 & 梯度提升GBDT面试题整理XGBOOST面试题整理LightGBMXGBoost的缺点LightGBM的优化基于Hist
K-means聚类详解
WGS.
06-02 1万+
聚类的思想 所谓聚类算法是指将一堆没有标签的数据自动划分成几类的方法，属于无监督学习方法，这个方法要保证同一类的数据有相似的特征，如下图所示： 根据样本之间的距离或者说是相似性（亲疏性），把越相似、差异越小的样本聚成一类（簇），最后形成多个簇，使同一个簇内部的样本相似度高，不同簇之间差异性高。 K-means方法是一种非监督学习的算法，它解决的是聚类问题 算法简介 K-means方法是聚类中的经典算法，数据挖掘十大经典算法之一；算法接受参数k,然后将事先输入的n个数据对象划分为k个聚类以便使得所获得的聚类
kstest 检验数据是否符合正态分布
WGS.
11-08 1万+
文章目录KS检验kstest方法直接用 KS检验 使用K-S检验一个数列是否服从正态分布、两个数列是否服从相同的分布 https://www.cnblogs.com/chaosimple/p/4090456.html kstest方法直接用 from scipy import stats # scipy包是一个高级的科学计算库，它和Numpy联系很密切，Scipy一般都是操控Numpy数组来进行科学计算 data = [87,77,92,68,80,78,84,77,81,80,80,77,92,86,
Starting in XGBoost 1.3.0, the default evaluation metric used with the objective ‘binary:logistic’
WGS.
05-17 1万+
警告如下： Starting in XGBoost 1.3.0, the default evaluation metric used with the objective ‘binary:logistic’ was changed from ‘error’ to ‘logloss’. Explicitly set eval_metric if you’d like to restore the old behavior. 方法一： # 指定eval_metric xgb = xgboost.XGBCla
python进行数据清洗
WGS.
09-27 9821
文章目录数据表中的重复值数据表中的空值数据间的空格大小写转换数据中的异常和极端值更改数据格式更改和规范数据格式数据分组数据分列 数据清洗是一项复杂且繁琐(kubi)的工作，同时也是整个数据分析过程中最为重要的环节。实际的工作中确实如此，数据清洗的目的有两个，第一是通过清洗让数据可用。第二是让数据变的更适合进行后续的分析工作。 通常来说，你所获取到的原始数据不能直接用来分析，因为它们会有各种各样的问题，如包含无效信息，列名不规范、格式不一致，存在重复值，缺失值，异常值等… 本篇文章将介绍几种简单的使用pyth
yolov7模型评估
09-13
你好！关于YOLOv7模型评估，你可以按照以下步骤进行操作： 1. 准备测试数据集：首先，需要准备一个包含标注信息（bounding boxes和类别标签）的测试数据集。 2. 下载YOLOv7模型权重文件：从官方的YOLOv7仓库或其他可靠来源下载预训练的YOLOv7模型权重文件。 3. 配置评估参数：在评估之前，需要进行一些配置。你可以调整阈值（例如置信度阈值和NMS阈值）来控制检测结果的准确性和召回率。还可以根据需要设置是否进行多尺度测试和数据增强。 4. 执行评估过程：使用下载的YOLOv7权重文件加载模型，并将测试数据集输入到模型中进行预测。将模型的输出与标注信息进行比较，计算评估指标，如精度、召回率、平均准确度均值（mAP）等。 5. 分析评估结果：根据评估指标和需求，分析模型的性能表现。如果结果不理想，可以考虑调整模型结构、超参数或训练数据集来改进模型。 这些是基本的步骤，具体实现方式可能因不同的工具、库和框架而有所不同。希望能对你有所帮助！如果还有其他问题，请随时提问。
评论 3
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

WGS.

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