scikit-learn机器学习的分类算法包括逻辑回归、朴素贝叶斯、KNN、支持向量机、决策树和随机森林等。这些模块的调用形式基本一致，训练用fit方法，预测用predict方法。用joblib.dump方法可以保存训练的模型，用joblib.load方法可以载入模型。

测试程序。测试数据采用小麦种子数据集 （seeds）。（注意，该数据集有个别数据用多个\t分割，执行前要把多余的\t删除，或者使用正则表达式的re.split('\s')）

小麦数据集合说明：

# -*- coding: utf-8 -*-  import numpy as np
from sklearn.cross_validation import KFold
from sklearn.linear_model import LogisticRegression
from sklearn.naive_bayes import GaussianNB
from sklearn.neighbors import KNeighborsClassifier
from sklearn import svm
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier  feature_names = [    'area',    'perimeter',    'compactness',    'length of kernel',    'width of kernel',    'asymmetry coefficien',    'length of kernel groove',
]    COLOUR_FIGURE = False    def load_csv_data(filename):     #读取文件，文件最后一列当成标签data = []    labels = []    datafile = open(filename)    for line in datafile:    fields = line.strip().split('\t')    data.append([float(field) for field in fields[:-1]])    labels.append(fields[-1])     #文件最后一列当成标签data = np.array(data)    labels = np.array(labels)    return data, labels    def accuracy(test_labels, pred_lables):    correct = np.sum(test_labels == pred_lables)  #相等   n = len(test_labels)    return float(correct) / n    #------------------------------------------------------------------------------
#K近邻
#------------------------------------------------------------------------------
def testKNN(features, labels):  kf = KFold(len(features), n_folds=3, shuffle=True) #len(features)这个参数的意思是把（0，len(features)-1）之间的序列随机拆分成3份。clf = KNeighborsClassifier(n_neighbors=3)    result_set = []for train, test in kf:clf.fit(features[train], labels[train])result=clf.predict(features[test])result_set.append((result, test))score=[]for result in result_set:print (labels[result[1]], result[0])a=accuracy(labels[result[1]], result[0])score.append(a)print(score)#------------------------------------------------------------------------------
#逻辑回归
#------------------------------------------------------------------------------
def testLR(features, labels):  kf = KFold(len(features), n_folds=3, shuffle=True)    clf = LogisticRegression()  result_set = [(clf.fit(features[train], labels[train]).predict(features[test]), test) for train, test in kf]    score = [accuracy(labels[result[1]], result[0]) for result in result_set]    print(score)  #------------------------------------------------------------------------------
#朴素贝叶斯
#------------------------------------------------------------------------------
def testNaiveBayes(features, labels):  kf = KFold(len(features), n_folds=3, shuffle=True)    clf = GaussianNB()  result_set = [(clf.fit(features[train], labels[train]).predict(features[test]), test) for train, test in kf]    score = [accuracy(labels[result[1]], result[0]) for result in result_set]    print(score)  #------------------------------------------------------------------------------
#--- 支持向量机
#------------------------------------------------------------------------------
def testSVM(features, labels):  kf = KFold(len(features), n_folds=3, shuffle=True)    clf = svm.SVC()  result_set = [(clf.fit(features[train], labels[train]).predict(features[test]), test) for train, test in kf]    score = [accuracy(labels[result[1]], result[0]) for result in result_set]    print(score)  #------------------------------------------------------------------------------
#--- 决策树
#------------------------------------------------------------------------------
def testDecisionTree(features, labels):  kf = KFold(len(features), n_folds=3, shuffle=True)    clf = DecisionTreeClassifier()  result_set = [(clf.fit(features[train], labels[train]).predict(features[test]), test) for train, test in kf]    score = [accuracy(labels[result[1]], result[0]) for result in result_set]    print(score)  #------------------------------------------------------------------------------
#--- 随机森林
#------------------------------------------------------------------------------
def testRandomForest(features, labels):  kf = KFold(len(features), n_folds=3, shuffle=True)    clf = RandomForestClassifier()  result_set = [(clf.fit(features[train], labels[train]).predict(features[test]), test) for train, test in kf]    score = [accuracy(labels[result[1]], result[0]) for result in result_set]    print(score)  if __name__ == '__main__':
#     features, labels = load_csv_data('/Users/yumh/Desktop/重要/第二课课程代码及数据文件/data./data/seeds_dataset.txt')features, labels = load_csv_data('/Users/yumh/Desktop/重要/第二课课程代码及数据文件/data/seeds_dataset.txt') #   print(features)  #   print(labels)print('LogisticRegression: \r')  testLR(features, labels)  print('GaussianNB: \r')  testNaiveBayes(features, labels)  print('KNN: \r')  testKNN(features, labels)  print('SVM: \r')  testSVM(features, labels)  print('Decision Tree: \r')  testDecisionTree(features, labels)  print('Random Forest: \r')  testRandomForest(features, labels)

实验数据：seeds_dataset.txt

15.26    14.84   0.871   5.763   3.312   2.221   5.22    1
14.88   14.57   0.8811  5.554   3.333   1.018   4.956   1
14.29   14.09   0.905   5.291   3.337   2.699   4.825   1
13.84   13.94   0.8955  5.324   3.379   2.259   4.805   1
16.14   14.99   0.9034  5.658   3.562   1.355   5.175   1
14.38   14.21   0.8951  5.386   3.312   2.462   4.956   1
14.69   14.49   0.8799  5.563   3.259   3.586   5.219   1
14.11   14.1    0.8911  5.42    3.302   2.7 5   1
16.63   15.46   0.8747  6.053   3.465   2.04    5.877   1
16.44   15.25   0.888   5.884   3.505   1.969   5.533   1
15.26   14.85   0.8696  5.714   3.242   4.543   5.314   1
14.03   14.16   0.8796  5.438   3.201   1.717   5.001   1
13.89   14.02   0.888   5.439   3.199   3.986   4.738   1
13.78   14.06   0.8759  5.479   3.156   3.136   4.872   1
13.74   14.05   0.8744  5.482   3.114   2.932   4.825   1
14.59   14.28   0.8993  5.351   3.333   4.185   4.781   1
13.99   13.83   0.9183  5.119   3.383   5.234   4.781   1
15.69   14.75   0.9058  5.527   3.514   1.599   5.046   1
14.7    14.21   0.9153  5.205   3.466   1.767   4.649   1
12.72   13.57   0.8686  5.226   3.049   4.102   4.914   1
14.16   14.4    0.8584  5.658   3.129   3.072   5.176   1
14.11   14.26   0.8722  5.52    3.168   2.688   5.219   1
15.88   14.9    0.8988  5.618   3.507   0.7651  5.091   1
12.08   13.23   0.8664  5.099   2.936   1.415   4.961   1
15.01   14.76   0.8657  5.789   3.245   1.791   5.001   1
16.19   15.16   0.8849  5.833   3.421   0.903   5.307   1
13.02   13.76   0.8641  5.395   3.026   3.373   4.825   1
12.74   13.67   0.8564  5.395   2.956   2.504   4.869   1
14.11   14.18   0.882   5.541   3.221   2.754   5.038   1
13.45   14.02   0.8604  5.516   3.065   3.531   5.097   1
13.16   13.82   0.8662  5.454   2.975   0.8551  5.056   1
15.49   14.94   0.8724  5.757   3.371   3.412   5.228   1
14.09   14.41   0.8529  5.717   3.186   3.92    5.299   1
13.94   14.17   0.8728  5.585   3.15    2.124   5.012   1
15.05   14.68   0.8779  5.712   3.328   2.129   5.36    1
16.12   15  0.9 5.709   3.485   2.27    5.443   1
16.2    15.27   0.8734  5.826   3.464   2.823   5.527   1
17.08   15.38   0.9079  5.832   3.683   2.956   5.484   1
14.8    14.52   0.8823  5.656   3.288   3.112   5.309   1
14.28   14.17   0.8944  5.397   3.298   6.685   5.001   1
13.54   13.85   0.8871  5.348   3.156   2.587   5.178   1
13.5    13.85   0.8852  5.351   3.158   2.249   5.176   1
13.16   13.55   0.9009  5.138   3.201   2.461   4.783   1
15.5    14.86   0.882   5.877   3.396   4.711   5.528   1
15.11   14.54   0.8986  5.579   3.462   3.128   5.18    1
13.8    14.04   0.8794  5.376   3.155   1.56    4.961   1
15.36   14.76   0.8861  5.701   3.393   1.367   5.132   1
14.99   14.56   0.8883  5.57    3.377   2.958   5.175   1
14.79   14.52   0.8819  5.545   3.291   2.704   5.111   1
14.86   14.67   0.8676  5.678   3.258   2.129   5.351   1
14.43   14.4    0.8751  5.585   3.272   3.975   5.144   1
15.78   14.91   0.8923  5.674   3.434   5.593   5.136   1
14.49   14.61   0.8538  5.715   3.113   4.116   5.396   1
14.33   14.28   0.8831  5.504   3.199   3.328   5.224   1
14.52   14.6    0.8557  5.741   3.113   1.481   5.487   1
15.03   14.77   0.8658  5.702   3.212   1.933   5.439   1
14.46   14.35   0.8818  5.388   3.377   2.802   5.044   1
14.92   14.43   0.9006  5.384   3.412   1.142   5.088   1
15.38   14.77   0.8857  5.662   3.419   1.999   5.222   1
12.11   13.47   0.8392  5.159   3.032   1.502   4.519   1
11.42   12.86   0.8683  5.008   2.85    2.7 4.607   1
11.23   12.63   0.884   4.902   2.879   2.269   4.703   1
12.36   13.19   0.8923  5.076   3.042   3.22    4.605   1
13.22   13.84   0.868   5.395   3.07    4.157   5.088   1
12.78   13.57   0.8716  5.262   3.026   1.176   4.782   1
12.88   13.5    0.8879  5.139   3.119   2.352   4.607   1
14.34   14.37   0.8726  5.63    3.19    1.313   5.15    1
14.01   14.29   0.8625  5.609   3.158   2.217   5.132   1
14.37   14.39   0.8726  5.569   3.153   1.464   5.3 1
12.73   13.75   0.8458  5.412   2.882   3.533   5.067   1
17.63   15.98   0.8673  6.191   3.561   4.076   6.06    2
16.84   15.67   0.8623  5.998   3.484   4.675   5.877   2
17.26   15.73   0.8763  5.978   3.594   4.539   5.791   2
19.11   16.26   0.9081  6.154   3.93    2.936   6.079   2
16.82   15.51   0.8786  6.017   3.486   4.004   5.841   2
16.77   15.62   0.8638  5.927   3.438   4.92    5.795   2
17.32   15.91   0.8599  6.064   3.403   3.824   5.922   2
20.71   17.23   0.8763  6.579   3.814   4.451   6.451   2
18.94   16.49   0.875   6.445   3.639   5.064   6.362   2
17.12   15.55   0.8892  5.85    3.566   2.858   5.746   2
16.53   15.34   0.8823  5.875   3.467   5.532   5.88    2
18.72   16.19   0.8977  6.006   3.857   5.324   5.879   2
20.2    16.89   0.8894  6.285   3.864   5.173   6.187   2
19.57   16.74   0.8779  6.384   3.772   1.472   6.273   2
19.51   16.71   0.878   6.366   3.801   2.962   6.185   2
18.27   16.09   0.887   6.173   3.651   2.443   6.197   2
18.88   16.26   0.8969  6.084   3.764   1.649   6.109   2
18.98   16.66   0.859   6.549   3.67    3.691   6.498   2
21.18   17.21   0.8989  6.573   4.033   5.78    6.231   2
20.88   17.05   0.9031  6.45    4.032   5.016   6.321   2
20.1    16.99   0.8746  6.581   3.785   1.955   6.449   2
18.76   16.2    0.8984  6.172   3.796   3.12    6.053   2
18.81   16.29   0.8906  6.272   3.693   3.237   6.053   2
18.59   16.05   0.9066  6.037   3.86    6.001   5.877   2
18.36   16.52   0.8452  6.666   3.485   4.933   6.448   2
16.87   15.65   0.8648  6.139   3.463   3.696   5.967   2
19.31   16.59   0.8815  6.341   3.81    3.477   6.238   2
18.98   16.57   0.8687  6.449   3.552   2.144   6.453   2
18.17   16.26   0.8637  6.271   3.512   2.853   6.273   2
18.72   16.34   0.881   6.219   3.684   2.188   6.097   2
16.41   15.25   0.8866  5.718   3.525   4.217   5.618   2
17.99   15.86   0.8992  5.89    3.694   2.068   5.837   2
19.46   16.5    0.8985  6.113   3.892   4.308   6.009   2
19.18   16.63   0.8717  6.369   3.681   3.357   6.229   2
18.95   16.42   0.8829  6.248   3.755   3.368   6.148   2
18.83   16.29   0.8917  6.037   3.786   2.553   5.879   2
18.85   16.17   0.9056  6.152   3.806   2.843   6.2 2
17.63   15.86   0.88    6.033   3.573   3.747   5.929   2
19.94   16.92   0.8752  6.675   3.763   3.252   6.55    2
18.55   16.22   0.8865  6.153   3.674   1.738   5.894   2
18.45   16.12   0.8921  6.107   3.769   2.235   5.794   2
19.38   16.72   0.8716  6.303   3.791   3.678   5.965   2
19.13   16.31   0.9035  6.183   3.902   2.109   5.924   2
19.14   16.61   0.8722  6.259   3.737   6.682   6.053   2
20.97   17.25   0.8859  6.563   3.991   4.677   6.316   2
19.06   16.45   0.8854  6.416   3.719   2.248   6.163   2
18.96   16.2    0.9077  6.051   3.897   4.334   5.75    2
19.15   16.45   0.889   6.245   3.815   3.084   6.185   2
18.89   16.23   0.9008  6.227   3.769   3.639   5.966   2
20.03   16.9    0.8811  6.493   3.857   3.063   6.32    2
20.24   16.91   0.8897  6.315   3.962   5.901   6.188   2
18.14   16.12   0.8772  6.059   3.563   3.619   6.011   2
16.17   15.38   0.8588  5.762   3.387   4.286   5.703   2
18.43   15.97   0.9077  5.98    3.771   2.984   5.905   2
15.99   14.89   0.9064  5.363   3.582   3.336   5.144   2
18.75   16.18   0.8999  6.111   3.869   4.188   5.992   2
18.65   16.41   0.8698  6.285   3.594   4.391   6.102   2
17.98   15.85   0.8993  5.979   3.687   2.257   5.919   2
20.16   17.03   0.8735  6.513   3.773   1.91    6.185   2
17.55   15.66   0.8991  5.791   3.69    5.366   5.661   2
18.3    15.89   0.9108  5.979   3.755   2.837   5.962   2
18.94   16.32   0.8942  6.144   3.825   2.908   5.949   2
15.38   14.9    0.8706  5.884   3.268   4.462   5.795   2
16.16   15.33   0.8644  5.845   3.395   4.266   5.795   2
15.56   14.89   0.8823  5.776   3.408   4.972   5.847   2
15.38   14.66   0.899   5.477   3.465   3.6 5.439   2
17.36   15.76   0.8785  6.145   3.574   3.526   5.971   2
15.57   15.15   0.8527  5.92    3.231   2.64    5.879   2
15.6    15.11   0.858   5.832   3.286   2.725   5.752   2
16.23   15.18   0.885   5.872   3.472   3.769   5.922   2
13.07   13.92   0.848   5.472   2.994   5.304   5.395   3
13.32   13.94   0.8613  5.541   3.073   7.035   5.44    3
13.34   13.95   0.862   5.389   3.074   5.995   5.307   3
12.22   13.32   0.8652  5.224   2.967   5.469   5.221   3
11.82   13.4    0.8274  5.314   2.777   4.471   5.178   3
11.21   13.13   0.8167  5.279   2.687   6.169   5.275   3
11.43   13.13   0.8335  5.176   2.719   2.221   5.132   3
12.49   13.46   0.8658  5.267   2.967   4.421   5.002   3
12.7    13.71   0.8491  5.386   2.911   3.26    5.316   3
10.79   12.93   0.8107  5.317   2.648   5.462   5.194   3
11.83   13.23   0.8496  5.263   2.84    5.195   5.307   3
12.01   13.52   0.8249  5.405   2.776   6.992   5.27    3
12.26   13.6    0.8333  5.408   2.833   4.756   5.36    3
11.18   13.04   0.8266  5.22    2.693   3.332   5.001   3
11.36   13.05   0.8382  5.175   2.755   4.048   5.263   3
11.19   13.05   0.8253  5.25    2.675   5.813   5.219   3
11.34   12.87   0.8596  5.053   2.849   3.347   5.003   3
12.13   13.73   0.8081  5.394   2.745   4.825   5.22    3
11.75   13.52   0.8082  5.444   2.678   4.378   5.31    3
11.49   13.22   0.8263  5.304   2.695   5.388   5.31    3
12.54   13.67   0.8425  5.451   2.879   3.082   5.491   3
12.02   13.33   0.8503  5.35    2.81    4.271   5.308   3
12.05   13.41   0.8416  5.267   2.847   4.988   5.046   3
12.55   13.57   0.8558  5.333   2.968   4.419   5.176   3
11.14   12.79   0.8558  5.011   2.794   6.388   5.049   3
12.1    13.15   0.8793  5.105   2.941   2.201   5.056   3
12.44   13.59   0.8462  5.319   2.897   4.924   5.27    3
12.15   13.45   0.8443  5.417   2.837   3.638   5.338   3
11.35   13.12   0.8291  5.176   2.668   4.337   5.132   3
11.24   13  0.8359  5.09    2.715   3.521   5.088   3
11.02   13  0.8189  5.325   2.701   6.735   5.163   3
11.55   13.1    0.8455  5.167   2.845   6.715   4.956   3
11.27   12.97   0.8419  5.088   2.763   4.309   5   3
11.4    13.08   0.8375  5.136   2.763   5.588   5.089   3
10.83   12.96   0.8099  5.278   2.641   5.182   5.185   3
10.8    12.57   0.859   4.981   2.821   4.773   5.063   3
11.26   13.01   0.8355  5.186   2.71    5.335   5.092   3
10.74   12.73   0.8329  5.145   2.642   4.702   4.963   3
11.48   13.05   0.8473  5.18    2.758   5.876   5.002   3
12.21   13.47   0.8453  5.357   2.893   1.661   5.178   3
11.41   12.95   0.856   5.09    2.775   4.957   4.825   3
12.46   13.41   0.8706  5.236   3.017   4.987   5.147   3
12.19   13.36   0.8579  5.24    2.909   4.857   5.158   3
11.65   13.07   0.8575  5.108   2.85    5.209   5.135   3
12.89   13.77   0.8541  5.495   3.026   6.185   5.316   3
11.56   13.31   0.8198  5.363   2.683   4.062   5.182   3
11.81   13.45   0.8198  5.413   2.716   4.898   5.352   3
10.91   12.8    0.8372  5.088   2.675   4.179   4.956   3
11.23   12.82   0.8594  5.089   2.821   7.524   4.957   3
10.59   12.41   0.8648  4.899   2.787   4.975   4.794   3
10.93   12.8    0.839   5.046   2.717   5.398   5.045   3
11.27   12.86   0.8563  5.091   2.804   3.985   5.001   3
11.87   13.02   0.8795  5.132   2.953   3.597   5.132   3
10.82   12.83   0.8256  5.18    2.63    4.853   5.089   3
12.11   13.27   0.8639  5.236   2.975   4.132   5.012   3
12.8    13.47   0.886   5.16    3.126   4.873   4.914   3
12.79   13.53   0.8786  5.224   3.054   5.483   4.958   3
13.37   13.78   0.8849  5.32    3.128   4.67    5.091   3
12.62   13.67   0.8481  5.41    2.911   3.306   5.231   3
12.76   13.38   0.8964  5.073   3.155   2.828   4.83    3
12.38   13.44   0.8609  5.219   2.989   5.472   5.045   3
12.67   13.32   0.8977  4.984   3.135   2.3 4.745   3
11.18   12.72   0.868   5.009   2.81    4.051   4.828   3
12.7    13.41   0.8874  5.183   3.091   8.456   5   3
12.37   13.47   0.8567  5.204   2.96    3.919   5.001   3
12.19   13.2    0.8783  5.137   2.981   3.631   4.87    3
11.23   12.88   0.8511  5.14    2.795   4.325   5.003   3
13.2    13.66   0.8883  5.236   3.232   8.315   5.056   3
11.84   13.21   0.8521  5.175   2.836   3.598   5.044   3
12.3    13.34   0.8684  5.243   2.974   5.637   5.063   3

sklearn分类算法（逻辑回归、朴素贝叶斯、K近邻、支持向量机 、决策树、随机森林 ）的使用相关推荐

  1. 线性回归与逻辑回归/朴素贝叶斯

    一.线性回归与逻辑回归 (一)线性回归 1. 算法概述 回归的目的是预测数值型的目标值. 线性回归的优点:结果易于理解,计算上不复杂.缺点:对非线性的数据拟合不好.适用数据类型:数值型和标称型数据. ...

  2. 机器学习实战之分类算法(K-近邻/朴素贝叶斯/决策树/随机森林)

    机器学习分类算法 1. 机器学习算法简介 1.1 按照学习方式分类 1.2 区别 1.3 关于监督学习中的分类与回归区别 1.4 机器学习开发流程 2. 数据集介绍与划分 2.1 sklearn数据集 ...

  3. python文本分类算法_python编写朴素贝叶斯用于文本分类

    朴素贝叶斯估计 朴素贝叶斯是基于贝叶斯定理与特征条件独立分布假设的分类方法.首先根据特征条件独立的假设学习输入/输出的联合概率分布,然后基于此模型,对给定的输入x,利用贝叶斯定理求出后验概率最大的输出 ...

  4. 检测用户命令序列异常——使用LSTM分类算法【使用朴素贝叶斯，类似垃圾邮件分类的做法也可以，将命令序列看成是垃圾邮件】...

    通过 搜集 Linux 服务器 的 bash 操作 日志, 通过 训练 识别 出 特定 用户 的 操作 习惯, 然后 进一步 识别 出 异常 操作 行为. 使用 SEA 数据 集 涵盖 70 多个 U ...

  5. 机器学习算法总结之朴素贝叶斯法

    写在前面 贝叶斯分类是一类分类算法的总称,这类算法均以贝叶斯定理为基础,故统称为贝叶斯分类.而朴素朴素贝叶斯分类是贝叶斯分类中最简单,也是常见的一种分类方法.它是基于贝叶斯定理和特征条件独立假设分类方 ...

  6. 数据挖掘课程笔记--分类（4）朴素贝叶斯

    零.前言 在很多应用中,属性集和类变量之间的关系是不确定的.换句话说,尽管测试记录的属性集和某些训练样例相同,但是也不能正确地预测它的类标号.这种情况产生的原因可能是噪声,或者出现了某些影响分类的因素 ...

  7. 机器学习实验二：朴素贝叶斯和SVM——肿瘤分类与预测（朴素贝叶斯）

    实操项目 1--肿瘤分类与预测(朴素贝叶斯) 实验要求 采用朴素贝叶斯方法,对美国威斯康星州的乳腺癌诊断数据集进行分类,实现针对乳腺癌检测的分类器,以判断一个患者的肿瘤是良性还是恶性. [实验要求] ...

  8. 机器学习实验之肿瘤分类与预测（朴素贝叶斯）

    文章目录 肿瘤分类与预测(朴素贝叶斯) [实验内容] [实验要求] **[数据集]:威斯康星乳腺肿瘤数据集** 导入sklearn自带的数据集:威斯康星乳腺肿瘤数据集(load_breast_canc ...

  9. 肿瘤分类与预测（朴素贝叶斯）

    文章目录 实验内容:肿瘤分类与预测(朴素贝叶斯) 实验要求 [数据集]:威斯康星乳腺肿瘤数据集 完整代码 实验内容:肿瘤分类与预测(朴素贝叶斯) 采用朴素贝叶斯方法,对美国威斯康星州的乳腺癌诊断数据集 ...

  10. 逻辑回归二分类算法python_机器学习第七周--二分类算法逻辑回归

    一.Logistic分类算法 逻辑回归(Logistic Regression, LR)是传统机器学习中的一种分类模型,由于算法的简单和高效,解释性好以及容易扩展等优点,被广泛应用于点击率预估(CTR ...

最新文章

  1. Oracle exp/imp,备份或导入时注意的事项
  2. sap 给集团分配一个逻辑系统
  3. windows——celery
  4. ASP.NET开发要抛弃ASP旧习和破烂
  5. android获取app用户数据,Android 原生app获取用户授权访问Autodesk云应用数据
  6. android meta工具,android ota 升级包制作分析 （5 工具）
  7. java集合基础_java常用集合基础知识
  8. 月度开销（信息学奥赛一本通-T1243）
  9. java tcp通信需要学吗_从c＃通过tcp与java服务器通信
  10. CSS3进度条 和 HTML5 Canvas画圆环
  11. 深入理解Intel Core Microarchitecture
  12. 一个故意不通过图灵测试的人工智能
  13. 数论入门（基础定义）
  14. C++一个简单的弹窗程序
  15. DeepinXP Lite 完美精简版 |5.2|5.3|5.4|5.5|5.6|5.7|5.8|5.9|5.10||6.1New| 迅雷下载
  16. Cannot create PoolableConnectionFactory (Communications link failure due to unde
  17. 2-快速攻破vuex五大核心-附案例源码
  18. 微信小程序父子组件方法调用方法汇总
  19. 两化融合是从工业大国向工业强国转变必由之路
  20. 4.电子计算机的分类,公基计算机基础知识汇总40

热门文章

  1. CBM 2099 OTG扩容U盘量产，亲自试验经验
  2. C#获取gridview选择check打勾行数据
  3. adb模拟按键home_【安卓试玩】电脑端adb操作手机或模拟器设备，可自行实现中控功能。 _ 一只鱼插件 - 按键精灵论坛...
  4. 计算机双人怎么玩游戏,双人成行游戏双人成行如何联机
  5. 虹软人脸识别 - faceId及IR活体检测的介绍
  6. Spring Cloud Gateway内置的断言和过滤器作用
  7. 【MQ】Kafka笔记
  8. 第五篇：进阶篇 发动机的噪声特性
  9. 有赞连锁模式的saas多门店收银系统源码
  10. 分享144个ASP源码，总有一款适合您