如何为页面增加保护,不可Copy,看源代码等

   <script>
     //加入页面保护
     function rf()
     {return false; }
     document.oncontextmenu = rf
     function keydown()
     {if(event.ctrlkey ==true || event.keycode ==93 || event.shiftkey ==true){return false;} }
     document.onkeydown =keydown
     function drag()
     {return false;}
     document.οndragstart=drag
     function stopmouse(e) {
     if (navigator.appname == 'netscape' && (e.which == 3 || e.which == 2))
     return false;
     else if
     (navigator.appname == 'microsoft internet explorer' && (event.button == 2 || event.button == 3)) {
     //alert("");
     return false;
     }
     return true;
     }
     document.οnmοusedοwn=stopmouse;
     if (document.layers)
     window.captureevents(event.mousedown);
     window.οnmοusedοwn=stopmouse;
     </script>
     <script language="网页特效">
     function jm_cc(ob){
     var obj=mm_findobj(ob); if (obj) {
     obj.select();js=obj.createtextrange();js.execcommand("copy");}
     }
 
    function mm_findobj(n, d) { //v4.0
     var p,i,x; if(!d) d=document; if((p=n.indexof("?"))>0&&parent.frames.length) {
     d=parent.frames[n.substring(p+1)].document; n=n.substring(0,p);}
     if(!(x=d[n])&&d.all) x=d.all[n]; for (i=0;!x&&i<d.forms.length;i++) x=d.forms[n];
     for(i=0;!x&&d.layers&&i<d.layers.length;i++) x=mm_findobj(n,d.layers.document);
     if(!x && document.getelementbyid) x=document.getelementbyid(n); return x;
     }
 </script>
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
好的,以下是一个Python的偏最小二乘回归的源代码示例: ```python import numpy as np class PLSRegression: def __init__(self, n_components): self.n_components = n_components self.W = None self.P = None self.Q = None self.beta = None def fit(self, X, Y): # 中心化X和Y self.x_mean = np.mean(X, axis=0) self.y_mean = np.mean(Y) X = X - self.x_mean Y = Y - self.y_mean # 初始化矩阵 n, p = X.shape _, q = Y.shape W = np.zeros((p, self.n_components)) P = np.zeros((p, self.n_components)) Q = np.zeros((q, self.n_components)) T = X.copy() U = Y.copy() # 迭代计算 for i in range(self.n_components): w = np.dot(T.T, U) / np.dot(T.T, T) w = w / np.linalg.norm(w) t = np.dot(T, w) q = np.dot(U.T, t) / np.dot(t.T, t) p = np.dot(T.T, t) / np.dot(t.T, t) T = T - np.dot(t, p.T) U = U - q * np.dot(t, np.ones((1, q))) W[:, i] = w P[:, i] = p Q[:, i] = q # 计算beta系数 self.beta = np.dot(np.dot(np.linalg.inv(np.dot(P.T, P)), P.T), Y) self.W = W self.P = P self.Q = Q def predict(self, X): X = X - self.x_mean Y_pred = np.dot(X, self.beta) + self.y_mean return Y_pred ``` 以上代码实现了一个简单的偏最小二乘回归模型。我们首先定义了一个PLSRegression类,其中n_components表示保留的主成分个数。在fit函数中,我们首先对X和Y进行中心化处理,然后根据迭代公式计算出W、P、Q等矩阵,并最终计算出beta系数。在predict函数中,我们对测试数据进行中心化处理,并使用计算出的beta系数预测结果。 需要注意的是,以上代码仅为示例代码,并不代表偏最小二乘回归的全部实现。在实际使用中,可能需要进行更多的数据预处理、参数调整等操作,以得到更准确的结果。
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