2.1 监督学习经典模型

2.1.1 分类学习

2.1.1.1 线性分类器

#!usr/bin/python
# -*- coding: utf-8 -*-
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.linear_model import SGDClassifier
from sklearn.metrics import classification_report'''
原始数据共有699条样本，共11列，
第一列用于检索的id，9列与肿瘤有关的医学特征（1~10），
最后1列表征肿瘤类型的数值（2表示良性，4表示恶性）
''''''良/恶性乳腺癌肿瘤数据预处理'''
# 创建特征列表：
column_names=['sample code number','1','2','3','4','5','6','7','8','9','class']
# 利用pandas从网上下载数据
data=pd.read_csv('http://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/breast-cancer-wisconsin.data',names=column_names)
# 将？替换为标准缺失值表示
data=data.replace(to_replace='?',value=np.nan)
# 丢弃带有缺失值的数据（只要有一个维度缺失）
data=data.dropna(how='any')
print data.shape  #(683, 11)'''准备良/恶性乳腺癌肿瘤训练、测试数据'''
# 随机采样25%的数据用于测试，剩下的75%用于构建训练集合
x_train,x_test,y_train,y_test=train_test_split(data[column_names[1:10]],data[column_names[10]],test_size=0.25,random_state=33)
# 查验训练样本的数量和类别分布
print y_train.value_counts() # 训练样本共有512条（344条良性，168条恶性）
# print x_train.value_counts() # 测试样本共有171条（100条良性，71条恶性）'''使用线性分类模型（Logistic回归与随机梯度参数估计）从事良性/恶性肿瘤预测任务'''# 标准化数据：
# 保证每个维度的特征数据方差为1，均值为0，使得预测结果不会被某些维度过大的特征值主导
ss=StandardScaler()
x_train=ss.fit_transform(x_train)
x_test=ss.fit_transform(x_test)# 初始化LogisticRegression、SGDClassifier
lr=LogisticRegression()
sgdc=SGDClassifier()
# 调用LogisticRegression中的fit函数来训练模型参数
lr.fit(x_train,y_train)
# 使用训练好的模型lr对X_test进行预测，结果存储在变量lr_y_predict中
lr_y_predict=lr.predict(x_test)
# 调用SGDClassifier中的fit函数来训练模型参数
sgdc.fit(x_train,y_train)
# 使用训练好的模型sgdc对X_test进行预测，结果存储在变量sgdc_y_predict中
sgdc_y_predict=sgdc.predict(x_test)
#预测结果称为准确性（Accuracy），作为评估分类器模型的一个重要性能指标'''使用线性分类器模型从事良/恶性肿瘤预测任务的性能分析'''
# 使用logistic回归模型自带的评分函数score获得模型在测试集上的准确性结果
print "Accuracy of LR Classifier:",lr.score(x_test,y_test)
# 使用classification_report模块获得LogisticRegression其他三个指标结果
print classification_report(y_test,lr_y_predict,target_names=['Benign','Malignant'])
print "finish"# 使用随机梯度下降模型自带的评分函数score获得模型在测试集上的准确性结果
print "Accuracy of LR Classifier:",sgdc.score(x_test,y_test)
# 使用classification_report模块获得LogisticRegression其他三个指标结果
print classification_report(y_test,sgdc_y_predict,target_names=['Benign','Malignant'])
print "finish"

D:/CH2.py
(683, 11)
2    344
4    168
Name: class, dtype: int64Accuracy of LR Classifier: 0.9707602339181286precision    recall  f1-score   supportBenign       0.96      0.99      0.98       100Malignant       0.99      0.94      0.96        71micro avg       0.97      0.97      0.97       171macro avg       0.97      0.97      0.97       171
weighted avg       0.97      0.97      0.97       171finish
Accuracy of LR Classifier: 0.9883040935672515precision    recall  f1-score   supportBenign       1.00      0.98      0.99       100Malignant       0.97      1.00      0.99        71micro avg       0.99      0.99      0.99       171macro avg       0.99      0.99      0.99       171
weighted avg       0.99      0.99      0.99       171finishProcess finished with exit code 0

代码中涉及的一些相关函数和知识点归纳拓展：
sklearn的train_test_split()各函数参数含义解释（非常全）
fit_transform,fit,transform区别和作用详解
机器学习中如何处理缺失数据？

2.1.1.2 支持向量机

#!usr/bin/python
# -*- coding: utf-8 -*-
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import LinearSVC
from sklearn.metrics import classification_report'''示例：手写数字识别分类'''# 加载手写体数据集
digits=load_digits()
# 输出数据规模及维度
print digits.data.shape# 数据分割
x_train,x_test,y_train,y_test=train_test_split(digits.data,digits.target,test_size=0.25,random_state=33)
print y_train.shape# 标准化
ss=StandardScaler()
x_train=ss.fit_transform(x_train)
x_test=ss.fit_transform(x_test)# 初始化线性假设的支持向量机分类器LinearSVC
lsvc=LinearSVC()
# 进行模型训练
lsvc.fit(x_train,y_train)
# 利用训练好的模型对样本进行预测
y_predict=lsvc.predict(x_test)
# 性能测评
print 'The Accuracy of Linear SVC is',lsvc.score(x_test,y_test)
print classification_report(y_test,y_predict,target_names=digits.target_names.astype(str))

(1797L, 64L)
(1347L,)The Accuracy of Linear SVC is 0.9488888888888889precision    recall  f1-score   support0       0.92      0.97      0.94        351       0.95      0.98      0.96        542       0.98      1.00      0.99        443       0.93      0.93      0.93        464       0.97      1.00      0.99        355       0.94      0.94      0.94        486       0.96      0.98      0.97        517       0.90      1.00      0.95        358       0.98      0.83      0.90        589       0.95      0.91      0.93        44micro avg       0.95      0.95      0.95       450macro avg       0.95      0.95      0.95       450
weighted avg       0.95      0.95      0.95       450

2.1.1.3 朴素贝叶斯

D:\My_Program_List(zs)\Python_ML_Kagggle\venv\Scripts\python.exe
Downloading 20news dataset. This may take a few minutes.
Downloading dataset from https://ndownloader.figshare.com/files/5975967 (14 MB)
18846
From: Mamatha Devineni Ratnam <mr47+@andrew.cmu.edu>
Subject: Pens fans reactions
Organization: Post Office, Carnegie Mellon, Pittsburgh, PA
Lines: 12
NNTP-Posting-Host: po4.andrew.cmu.eduI am sure some bashers of Pens fans are pretty confused about the lack
of any kind of posts about the recent Pens massacre of the Devils. Actually,
I am  bit puzzled too and a bit relieved. However, I am going to put an end
to non-PIttsburghers' relief with a bit of praise for the Pens. Man, they
are killing those Devils worse than I thought. Jagr just showed you why
he is much better than his regular season stats. He is also a lot
fo fun to watch in the playoffs. Bowman should let JAgr have a lot of
fun in the next couple of games since the Pens are going to beat the pulp out of Jersey anyway. I was very disappointed not to see the Islanders lose the final
regular season game.          PENS RULE!!!(4712, 150725)
(14134, 150725)
The Accuracy of Naive Bayes Classifier is 0.8397707979626485precision    recall  f1-score   supportalt.atheism       0.86      0.86      0.86       201comp.graphics       0.59      0.86      0.70       250comp.os.ms-windows.misc       0.89      0.10      0.17       248
comp.sys.ibm.pc.hardware       0.60      0.88      0.72       240comp.sys.mac.hardware       0.93      0.78      0.85       242comp.windows.x       0.82      0.84      0.83       263misc.forsale       0.91      0.70      0.79       257rec.autos       0.89      0.89      0.89       238rec.motorcycles       0.98      0.92      0.95       276rec.sport.baseball       0.98      0.91      0.95       251rec.sport.hockey       0.93      0.99      0.96       233sci.crypt       0.86      0.98      0.91       238sci.electronics       0.85      0.88      0.86       249sci.med       0.92      0.94      0.93       245sci.space       0.89      0.96      0.92       221soc.religion.christian       0.78      0.96      0.86       232talk.politics.guns       0.88      0.96      0.92       251talk.politics.mideast       0.90      0.98      0.94       231talk.politics.misc       0.79      0.89      0.84       188talk.religion.misc       0.93      0.44      0.60       158micro avg       0.84      0.84      0.84      4712macro avg       0.86      0.84      0.82      4712weighted avg       0.86      0.84      0.82      4712doneProcess finished with exit code 0

2.1.1.4 K近邻

#!usr/bin/python
# -*- coding: utf-8 -*-
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier  # K节临近法
from sklearn.metrics import classification_report'''K近邻算法对生物物种进行分类'''
# 导入数据集
iris = load_iris()
print(iris.data.shape)# 分割数据集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.25, random_state=33)# 标准化。
ss = StandardScaler()
X_train = ss.fit_transform(X_train)
X_test = ss.transform(X_test)# 类别预测
knc = KNeighborsClassifier()
knc.fit(X_train, y_train)
y_predict = knc.predict(X_test)# 准确性测评
print('The accuracy of K-Nearest Neighbor Classifier is', knc.score(X_test, y_test))
print(classification_report(y_test, y_predict, target_names=iris.target_names))

D:/My_Program_List(zs)/Python_ML_Kagggle/CH2_4_KNN.py
(150L, 4L)
('The accuracy of K-Nearest Neighbor Classifier is', 0.8947368421052632)precision    recall  f1-score   supportsetosa       1.00      1.00      1.00         8versicolor       0.73      1.00      0.85        11virginica       1.00      0.79      0.88        19micro avg       0.89      0.89      0.89        38macro avg       0.91      0.93      0.91        38
weighted avg       0.92      0.89      0.90        38Process finished with exit code 0

2.1.1.5&2.1.1.6 决策树&集成模型

#!usr/bin/python
# -*- coding: utf-8 -*-
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction import DictVectorizer
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.metrics import classification_report# 下载数据集
titanic = pd.read_csv('../Dataset/Tencent-Datasets/Titanic/train.csv')
print titanic.head() # 观察前几行数据
print titanic.info() # 查看数据的统计特性# 特征选择，很可能决定分类的关键特征因素
X = titanic[['Pclass', 'Age', 'Sex']]
y = titanic['Survived']# 数据处理任务：1.填补缺失数据；2.转化数据特征
X['Age'].fillna(X['Age'].mean(), inplace=True)
# 查看补充完的数据
print X.info()X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=33)
vec = DictVectorizer(sparse=False)
X_train = vec.fit_transform(X_train.to_dict(orient='record'))
X_test = vec.transform(X_test.to_dict(orient='record'))# 使用单一决策树训练数据集
dtc = DecisionTreeClassifier()
dtc.fit(X_train, y_train)
dtc_y_pred = dtc.predict(X_test)# 使用随机森林训练数据集
rfc = RandomForestClassifier()
rfc.fit(X_train, y_train)
rfc_y_pred = rfc.predict(X_test)# 使用梯度提升决策树训练数据集
gbc = GradientBoostingClassifier()
gbc.fit(X_train, y_train)
gbc_y_pred = gbc.predict(X_test)# 性能评估
print('-------显示使用决策树预测的结果------------')
print('The accuracy of decision tree is', dtc.score(X_test, y_test))
print(classification_report(dtc_y_pred, y_test))print('-------显示使用随机树预测的结果------------')
print('The accuracy of random forest classifier is', rfc.score(X_test, y_test))
print(classification_report(rfc_y_pred, y_test))print('-------显示使用梯度提升决策树预测的结果------------')
print ('The accuracy of gradient tree boosting is', gbc.score(X_test, y_test))
print (classification_report(gbc_y_pred, y_test))

3.1 模型实用技巧

3.1.1 特征提升

3.1.1.1 特征抽取

# -*- coding: utf-8 -*-
from sklearn.feature_extraction import DictVectorizer'''
对特征进行抽取和向量化
'''# 定义一组字典列表，用来表示多个数据样本（每个字典代表一个数据样本）
measurements = [{'city': 'Dubai', 'temperature': 33.}, \{'city': 'London', 'temperature': 12.}, \{'city': 'ZhengZhou', 'temperature': 26.}]# 初始化特征抽取器
vec = DictVectorizer()
# 输出转化之后的特征矩阵
print(vec.fit_transform(measurements).toarray())
# 输出各个维度的特征含义
print(vec.get_feature_names())输出结果：
[[ 1.  0.  0. 33.][ 0.  1.  0. 12.][ 0.  0.  1. 26.]]
['city=Dubai', 'city=London', 'city=ZhengZhou', 'temperature']

# -*- coding: utf-8 -*-
from sklearn.datasets import fetch_20newsgroups
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import classification_report# 特征抽取之后使用朴素贝叶斯Navie Bayes分类器进行分类
# 导入20类新闻文本数据抓取器# 从网上及时下载新闻样本，subset='all'参数代表下载全部近2万条文本存储在变量news中
news = fetch_20newsgroups(subset='all')
X_train,  X_test, y_train, y_test = train_test_split(news.data, news.target,\test_size = 0.25, random_state = 33)
# 默认配置不去出英文停用词
count_vec = CountVectorizer()"""
如果这里要使用停用词
count_vec = CountVectorizer(analyzer='word', stop_words='english')
"""# 只使用词频统计的方式将原始训练和测试文本转化为特征向量
X_count_train = count_vec.fit_transform(X_train)
X_count_test = count_vec.transform(X_test)# 导入朴素贝叶斯分类器
mnb_count = MultinomialNB()
# NB进行训练
mnb_count.fit(X_count_train, y_train)#输出模型的准确性
print('The accuracy of the NB with CountVecorizer:', \mnb_count.score(X_count_test, y_test))# 性能评估
y_predict = mnb_count.predict(X_count_test)
print(classification_report(y_test, y_predict, target_names=news.target_names))输出结果：
('The accuracy of the NB with CountVecorizer:', 0.8397707979626485)precision    recall  f1-score   supportalt.atheism       0.86      0.86      0.86       201comp.graphics       0.59      0.86      0.70       250comp.os.ms-windows.misc       0.89      0.10      0.17       248
comp.sys.ibm.pc.hardware       0.60      0.88      0.72       240comp.sys.mac.hardware       0.93      0.78      0.85       242comp.windows.x       0.82      0.84      0.83       263misc.forsale       0.91      0.70      0.79       257rec.autos       0.89      0.89      0.89       238rec.motorcycles       0.98      0.92      0.95       276rec.sport.baseball       0.98      0.91      0.95       251rec.sport.hockey       0.93      0.99      0.96       233sci.crypt       0.86      0.98      0.91       238sci.electronics       0.85      0.88      0.86       249sci.med       0.92      0.94      0.93       245sci.space       0.89      0.96      0.92       221soc.religion.christian       0.78      0.96      0.86       232talk.politics.guns       0.88      0.96      0.92       251talk.politics.mideast       0.90      0.98      0.94       231talk.politics.misc       0.79      0.89      0.84       188talk.religion.misc       0.93      0.44      0.60       158micro avg       0.84      0.84      0.84      4712macro avg       0.86      0.84      0.82      4712weighted avg       0.86      0.84      0.82      4712

# -*- coding: utf-8 -*-
from sklearn.datasets import fetch_20newsgroups
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNBnews = fetch_20newsgroups(subset='all')
X_train,  X_test, y_train, y_test = train_test_split(news.data, news.target,\test_size = 0.25, random_state = 33)tfidf = TfidfVectorizer()X_tfidf_train = tfidf.fit_transform(X_train)
X_tfidf_test = tfidf.transform(X_test)mnb_count = MultinomialNB()
mnb_count.fit(X_tfidf_train, y_train)print('The accuracy of the NB with TfidfVectorizer:', \mnb_count.score(X_tfidf_test, y_test))y_predict = mnb_count.predict(X_tfidf_test)
from sklearn.metrics import classification_report
print(classification_report(y_test, y_predict, target_names=news.target_names))输出结果：
('The accuracy of the NB with TfidfVectorizer:', 0.8463497453310697)precision    recall  f1-score   supportalt.atheism       0.84      0.67      0.75       201comp.graphics       0.85      0.74      0.79       250comp.os.ms-windows.misc       0.82      0.85      0.83       248
comp.sys.ibm.pc.hardware       0.76      0.88      0.82       240comp.sys.mac.hardware       0.94      0.84      0.89       242comp.windows.x       0.96      0.84      0.89       263misc.forsale       0.93      0.69      0.79       257rec.autos       0.84      0.92      0.88       238rec.motorcycles       0.98      0.92      0.95       276rec.sport.baseball       0.96      0.91      0.94       251rec.sport.hockey       0.88      0.99      0.93       233sci.crypt       0.73      0.98      0.83       238sci.electronics       0.91      0.83      0.87       249sci.med       0.97      0.92      0.95       245sci.space       0.89      0.96      0.93       221soc.religion.christian       0.51      0.97      0.67       232talk.politics.guns       0.83      0.96      0.89       251talk.politics.mideast       0.92      0.97      0.95       231talk.politics.misc       0.98      0.62      0.76       188talk.religion.misc       0.93      0.16      0.28       158micro avg       0.85      0.85      0.85      4712macro avg       0.87      0.83      0.83      4712weighted avg       0.87      0.85      0.84      4712

3.1.2 模型正则化

3.1.2.1 欠拟合和过拟合

# -*- coding: utf-8 -*-
from sklearn.linear_model import LinearRegression
import numpy as np
from sklearn.preprocessing import PolynomialFeatures
import matplotlib.pyplot as pltX_train = [[6], [8], [10], [14], [18]]
y_train = [[7], [9], [13], [17.5], [18]]# 在x轴上从0至25均匀采样100个数据点
xx = np.linspace(0, 26, 100)
xx = xx.reshape(xx.shape[0], 1)# 初始化4次多项式特征生成器
poly4 = PolynomialFeatures(degree=4)
X_train_poly4 = poly4.fit_transform(X_train)regressor_poly4 = LinearRegression()
regressor_poly4.fit(X_train_poly4, y_train)# 从新映射绘图用x轴采样数据
xx_poly4 = poly4.transform(xx)
# 使用4次多项式回归模型对应x轴采样数据进行回归预测
yy_poly4 = regressor_poly4.predict(xx_poly4)# 分别对训练数据点、4次多项式回归曲线进行作图
plt.scatter(X_train, y_train)
plt4, = plt.plot(xx, yy_poly4, label='Degree=4')
#@@ 为什么返回两个值？？？
plt.axis([0, 25, 0, 25])
plt.xlabel('Diameter of Pizza')
plt.ylabel('Price of Pizza')
plt.legend(handles=[plt4])
#@@ legend和handles都有什么作用？？？
plt.show()print('4次多项式的R平方值是', regressor_poly4.score(X_train_poly4, y_train))# 准备测试数据
X_test = [[6], [8], [11], [16]]
y_test = [[8], [12], [15], [18]]X_test_poly4 = poly4.transform(X_test)
regressor_poly4.score(X_train_poly4, y_test)

3.1.2.2 L1范数正则化&3.1.2.3 L2范数正则化

# -*- coding: utf-8 -*-
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.preprocessing import PolynomialFeatures# 5组训练数据
X_train = [[6], [8], [10], [14], [18]]
y_train = [[7], [9], [13], [17.5], [18]]# 从sklearn.preprocessing导入多项式特征生成器
# 初始化4次多项式特征生成器
poly4 = PolynomialFeatures(degree=4)
X_train_poly4 = poly4.fit_transform(X_train)regressor_poly4 = LinearRegression()
regressor_poly4.fit(X_train_poly4, y_train)# 4组测试数据
X_test = [[6], [8], [11], [16]]
y_test = [[8], [12], [15], [18]]
X_test_poly4 = poly4.transform(X_test)# 不加入L1范数正则化
print(regressor_poly4.score(X_test_poly4, y_test))
# 回归模型参数列表
print(regressor_poly4.coef_, '\n')
print('求平方和，验证参数之间的差异 \n',np.sum(regressor_poly4.coef_ **2), '\n')# 加入L1范数正则化
from sklearn.linear_model import Lasso
lasso_poly4 = Lasso()
lasso_poly4.fit(X_train_poly4, y_train)print(lasso_poly4.score(X_test_poly4, y_test))
# 输出Lasso模型的参数列表
print(lasso_poly4.coef_)# 加入L2范数正则化
from sklearn.linear_model import Ridge
ridge_poly4 = Ridge()
ridge_poly4.fit(X_train_poly4, y_train)print(ridge_poly4.score(X_test_poly4, y_test))
print(ridge_poly4.coef_, '\n')
print('观察参数间的差异: \n', np.sum(ridge_poly4.coef_ **2))

《python机器学习及实践-从零开始通往kaggle竞赛之路》——代码整理相关推荐

1. 《Python机器学习及实践——从零开始通往Kaggle竞赛之路》学习笔记（1）——简介篇

   机器学习的结构 #mermaid-svg-HxJdCSW6sVlBmYVP {font-family:"trebuchet ms",verdana,arial,sans-serif ...

2. Python机器学习及实践+从零开始通往Kaggle竞赛之路

   内容简介 本书面向所有对机器学习与数据挖掘的实践及竞赛感兴趣的读者,从零开始,以Python编程语言为基础,在不涉及大量数学模型与复杂编程知识的前提下,逐步带领读者熟悉并且掌握当下最流行的机器学习.数 ...

3. Python 机器学习及实践从零开始通往 Kaggle竞赛之路（持续更新 ing）

   文章目录 第一章 简介篇 1.1 机器学习综述 1.2 Python 编程库介绍 1.3 Python编程基础 第二章 基础篇 2.1 监督学习经典模型 2.1.1 分类学习 2.1.2 回归预测 2 ...

4. 一日一书：机器学习及实践——从零开始通往kaggle竞赛之路

   过去近二十年,计算机科学的发展是被大量的数据推动的.海量数据提供了认识世界的新视角,同时也带来了分析和理解数据的巨大挑战.如何从数据中获得知识,并利用这些知识帮助设计和创造更满足用户需求的产品,希望将 ...

5. python机器学习及实践_机器学习入门之《Python机器学习及实践：从零开始通往Kaggle竞赛之路》...

   本文主要向大家介绍了机器学习入门之<Python机器学习及实践:从零开始通往Kaggle竞赛之路>,通过具体的内容向大家展现,希望对大家学习机器学习入门有所帮助. <Python 机 ...

6. 《Python机器学习及实践：从零开始通往Kaggle竞赛之路》第1章 简介篇 学习笔记（三）“良/恶性乳腺癌肿瘤预测”总结

   目录 "良/恶性乳腺癌肿瘤预测" 1.机器学习的三个关键术语 (1)任务 (2)经验 (3)性能 2.机器学习的学习过程 (1)观察测试集数据分布 (2)初始化二类分类器 (3)训 ...

7. python机器学习及实践_Python机器学习及实践

   Python机器学习及实践/Chapter_1/.ipynb_checkpoints/Chapter_1.1-checkpoint.ipynb Python机器学习及实践/Chapter_1/.ipy ...

8. 【Python机器学习及实践】进阶篇：模型实用技巧（特征提升）

   Python机器学习及实践--进阶篇:模型实用技巧(特征提升) 所谓特征抽取,就是逐条将原始数据转化为特征向量的形式,这个过程同时涉及对数据特征的量化表示:而特征筛选则进一步,在高维度.已量化的特征向 ...

9. 《Python机器学习及实践》----良/恶性乳腺癌肿瘤预测

   本片博客是根据<Python机器学习及实践>一书中的实例,所有代码均在本地编译通过.数据为从该书指定的百度网盘上下载的. 代码片段: import pandas as pd import ...

最新文章

1. HEOI 2012 旅行问题
2. python程序实例源代码-Python 神经网络手写识别实例源码
3. Handler 系列二：如何通信
4. 中国LED产业园区现状模式及投资策略分析报告2022-2028年版
5. 2018/7/17-纪中某C组题【jzoj4024,jzoj4025,jzoj2136,jzoj2137】
6. LeetCode算法入门- Reverse Integer-day6
7. 服务器控件开发之复杂属性
8. php网页如何做出透明的效果,css+filter实现简单的图片透明效果
9. 12、(12.4.2)保护模式下数据段和栈段保护
10. 大规模图搜索和实时计算在阿里反作弊系统中的应用
11. 怎么用软件测试iPad,Apple：如何在iphone、ipad上安装一些常用命令行命令
12. PC微信逆向之发送消息
13. 英式音标和美式音标的差异
14. html边框如何制作三角形,如何用css3绘制有边框的三角形
15. 什么软件测试苹果手机循环电池,如何检查iPhone电池的电池循环次数，看完你就明白了...
16. 两台计算机能否共用一个ip地址,多台电脑共用一个WIFI，IP地址是不是一样？
17. 使用计算机控制台方法,电脑打开控制面板的几种方法
18. centos7 SSH服务启动时报“main process exited, code=exited”status 255错误
19. 快速fcm matlab,FCM的MATLAB实现
20. Twincat NC PTP

热门文章

1. PR视频剪辑教程_03_轨道
2. Leetcode209-Minimum Size Subarray Sum
3. 小青蛙掉井c语言,关于青蛙的故事-跳出井底的蛙
4. #pragma once 与 #define的含义及用法
5. 脉冲信号matlab仿真,脉冲积累matlab仿真
6. Flexcell 导出Excel 打不开，提示Excel在“XXXX.xls” 中发现不可读取的内容。是否要回复此工作薄的内容？如果信任此工作薄的来源，请点击“是”。...
7. matlab mat文件读取和调用
8. MT5 EA交易期货-EA编程接口
9. 例题 9-5 劲歌金曲（Jin Ge Jin Qu [h]ao Rujia Liu‘s Present 6, UVa 12563）
10. 面对惠普将放弃PC业务，谈戴尔对其Latitude的信心