- 博客(11)
- 收藏
- 关注
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 11:15:19 215 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 17:30:55 392 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 77
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 1247
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 15:44:24 124
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 17:50:02 319
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 17:06:07 299
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 2266
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 1413
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