- 博客(11)
- 收藏
- 关注
RSS订阅原创 Tomcat使用问题解决记录
第三步：在安装路径打开cmd，输入startup，唤醒Tomcat（在其他目录下，“'startup' 不是内部或外部命令，也不是可运行的程序或批处理文件。第一步：在官网下载Tomcat10，该版本免安装，将压缩包解压到安装目录。第二步：配置环境变量，在系统变量中配置CATALINA。2.在startup末尾添加pause，无报错。然后这玩意不配也行，可以使用默认的，也不是问题。问题：弹窗一闪而过，无其他事情发生。
2024-05-18 11:15:19
183
1
转载 【Bootstrap 5.13 - Uncaught TypeError: Popper__namespace.createPopper is not a function】的解决方法
解决openlayer增加popup的‘show’报错问题
2023-10-25 17:30:55
240
1
原创 webpack学习笔记（1）
在某平台学的webpack课，给我绕的不行，草草了事开个新的视频课看着，并且划拉着中文文档和相关书籍复习一遍~或者更简单的，直接搭建环境（一键完成安装webpack和依赖等）
2023-10-19 16:42:38
60
原创 QGIS学习-属性表-字段计算器-函数表达式的使用
还有就是要理解qgis的处理对象，因为我要按照字段处理每个单元格的值，我处理的是单元格值对象，他是该字段定义的数据类型如STR，而不是列表或者array等其他数据类型。因为在使用的时候没找到可参考资料，在师傅指导下才完成的数据筛选，记录一下过程。三、在vscode调试时，需要输入单个数据进行调试，在vscode中添加这样一段进行调试使用。二、qgis他给出的默认代码，保留import部分，去掉函数的部分自己写，比如我的是这样。在写的过程中最难的是调试这些数据类型处理过程中的报错。
2023-10-19 12:05:19
935
原创 今天学requests遇到的bug和解决~10.14
接着尝试爬取，报错bs4.FeatureNotFound: Couldn't find a tree builder with the features you requested: lxml. Do you need to install a parser library?所以就python -m pip install -U pip了一下，再安装bs4时就成功了，想爬点知乎图片结果抱一堆错。
2023-10-14 15:44:24
86
原创 4.3.3范数规范化
范数基本概念这里不予赘述，L0，L1，L2和无穷范数范数规范化代码如下from sklearn import preprocessingimport numpy as np# 原始数据XX = np.array([[3, -2., 2.], [2., 0., 0.], [-1, 1., 3.]]) # 按行表示，按列计算# 范数规范化的函数化实现，其中规范化系数norm为L2,还有其他形式，诸如L1,maxX_norm=preprocessing.normalize(X,norm='
2021-09-16 17:50:02
303
原创 笔记4.3.2标准化
标准化又称标准差规范化或Z标准化（Z_Score Normalization），对样本每个特征分别进行计算使其满足正态分布--均值0、标准差1，# 引用相应的库，numpy用于生成缺失值，引用sklearn.processing库，其中包含绝大部分的数据与处理方法from sklearn import preprocessingimport numpy as np# 原始数据XX=np.array([[3,-2.,2.],[2.,0.,0.],[1,2.,3.]])# 初始化数据预处理器，用
2021-09-15 17:06:07
260
原创 笔记4.3.1缩放规范化--最小值最大值缩放和最大绝对值缩放
Min-Max scaling将该样本每个特征下的最大值与最小值之差作为缩放倍数，每个特征下没有任何一个数会超过其最值之差，所以作为分母；分子是每个特征下的值与最小值之差。全为0的特征，缩放后值为0.代码表现如下：# 引用相应的库，numpy用于生成缺失值，引用sklearn.processing库，其中包含绝大部分数据与处理方法from sklearn import preprocessingimport numpy as np# 原始数据XX = np.array([[3, -2., 2
2021-09-15 10:57:16
2151
原创 笔记4.2SimpleImputer缺失值处理
机器学习从入门到入职--用sklearn与Keras搭建人工智能模型第四章4.1根据样本之间关联关系，及数据的行和列，用SimpleImputer方法进行缺失值处理，策略有均值插补、中位数插补和高频数插补。例子如下：#引用相应的库，numpy用于生成缺失值，sklearn.impute库中的simpleimputer方法用预处理缺失值import Numpy as npfrom sklearn.impute import SimpleImputer#初始化缺失值处理器，指定缺失值参数miss
2021-09-14 16:00:19
1368
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人