Datawhale AI夏令營-機器學習

比賽簡介

「用戶新增預測挑戰賽」是由科大訊飛主辦的一項數據科學競賽，旨在通過機器學習方法預測用戶是否為新增用戶

比賽屬于二分類任務，評價指標采用F1分數，分數越高表示模型性能越好。

如果你有一份帶標簽的表格型數據，只要目標是分類、回歸或排序，那么 LightGBM 都是最強機器學習模型之一，默認首選。

賽題建模的價值

用戶新增預測是分析 用戶使用場景 以及 預測用戶增長情況 的關鍵步驟，有助于進行其后續產品和應用的迭代升級，主要有對行業和技術有如下價值：

行業價值：

  • 精準預測用戶增長趨勢，優化產品迭代方向

  • 降低用戶獲取成本，提高營銷轉化率

  • 為AI能力落地提供量化評估依據

技術價值：

  • 解決實際業務場景中的用戶增長預測問題

  • 驗證AI在用戶行為分析領域的有效性

  • 建立可復用的用戶增長預測方法論

賽題要求：

參與算法賽事，一定要仔細理解賽事的 輸入-輸出 究竟是什么，尤其是提交的格式

輸入數據：

  • 用戶行為事件記錄

  • 15個原始特征字段

  • 關鍵字段： udmap (JSON)、 common_ts (時間戳)

輸出要求：

  • 預測用戶是否為新增 ( is_new_did )

  • 提交格式：CSV文件包含一列，字段名為is_new_did，值為0/1

    • 0 表示不是新增用戶

    • 1 表示是新增用戶

原始數據初步預覽

image.png

其中：

  • mid為用戶行為模塊id,

  • eid為用戶行為事件id,

解析一下兩者的區別：

  • mid（模塊ID）：是一類行為的編號，表示用戶在做什么“類型”的事情，比如：

    • mid = 1：表示“瀏覽商品模塊”

    • mid = 2：表示“搜索模塊”

    • mid = 3：表示“結算模塊”

    所以它更像是一個大分類，告訴我們用戶當前在哪個模塊里操作。

  • eid（事件ID）：是具體某個行為的編號，它屬于某個模塊（mid），但粒度更細，比如：

    • 在“瀏覽商品模塊”中（mid=1），可能有：

      • eid = 101：點擊商品詳情

      • eid = 102：滑動商品列表

    • 在“搜索模塊”中（mid=2），可能有：

      • eid = 201：輸入關鍵詞

      • eid = 202：點擊搜索按鈕

  • did為用戶id,

  • device_brand為設備品牌/廠商,

  • ntt為網絡類型,

  • operator為運營商,

  • common_country為國家,

  • common_province為省份,

  • common_city為城市,

  • appver為應用版本,

  • channel為應用渠道,

  • common_ts為事件發生時間（毫秒時間戳）,

  • os_type用于判斷Android還是iOS,

  • udmap為事件自定義屬性（標準json文本，內含botId助手ID和pluginId插件ID）

  • is_new_did為預測目標，即是否為新增用戶

分析訓練集與測試集用戶重疊度

然后我們可以通過 經驗/資料查閱肉眼觀測/代碼 等手段，對 賽事提供的數據 有大致的理解和把握:

提取了訓練集和測試集中的所有唯一用戶ID，分別組成集合

train_dids = set(train_df['did'].unique())
test_dids = set(test_df['did'].unique())

計算兩者交集

overlap_dids = train_dids & test_dids

統計數量

num_overlap = len(overlap_dids)
num_train = len(train_dids)
num_test = len(test_dids)

計算比例:

ratio_in_train = num_overlap / num_train
ratio_in_test = num_overlap / num_test

我們通過數據探索的代碼，有一些關鍵發現：

  • 測試集中93%的用戶出現在訓練集中

  • 訓練集中88%的用戶is_new_did為 0

建模初步思路

  • 數據處理與特征工程： 如處理缺失值、異常值，解析JSON字段，從時間戳中提取特征（年、月、日、小時等），以及構造新的特征以提升模型表現。

  • 分類模型與集成學習： 了解常用的分類算法（如邏輯回歸、決策樹、隨機森林等），特別是梯度提升樹（如LightGBM）的原理和使用。LightGBM是微軟開發的高效梯度提升框架，具有訓練速度快、內存占用低和精度高等優點。

  • 模型評估與指標： 掌握二分類問題的評估指標，如精確率（Precision）、召回率（Recall）和F1分數的定義及計算方法。F1分數是精確率和召回率的調和均值，在正負樣本不均衡時比準確率更有參考意義。

  • 交叉驗證： 理解交叉驗證的作用，能夠使用分層K折交叉驗證來評估模型性能，避免因隨機劃分導致的偏差。

  • 超參數調優： 熟悉如何調整模型的超參數（如學習率、樹的深度等）以提高模型效果，常用方法包括網格搜索、隨機搜索和貝葉斯優化等。

  • 結果提交與分析： 了解競賽提交的格式要求，能夠將模型預測結果生成符合要求的CSV文件提交，并通過排行榜成績分析模型改進方向。

解題 要點和難點

  • 用戶行為事件數據 → 用戶級別預測

  • 高維稀疏特征（設備/地域/行為ID）
    像 device_brand, common_city, mid, eid 這類字段，有成百上千種取值。用 One-hot 編碼會變成高維稀疏矩陣，容易導致模型訓練慢、過擬合，必須小心處理，比如可以做頻率編碼、embedding、或僅保留Top-N

  • 正負樣本不均衡（新增用戶占比較少）
    is_new_did 的 0 和 1 不平衡，大多數是老用戶（0）。這會讓模型“只學會預測0”，所以需要：

  • 采樣策略（欠采樣、過采樣）

    • 比如統計：
    • 用戶一共觸發了幾個行為（行為數量）
    • 用戶用過哪些網絡、在哪些城市
    • 用戶行為的時間分布（首次時間、活躍時段等）

  • 這是建模效果優劣的關鍵步驟。

  • 合理評價指標（如AUC或F1，而不是Accuracy）

  • 使用內置樣本權重的模型（如 LightGBM）

  • 用戶行為聚合：如何將事件級數據轉化為用戶特征
    數據是以“行為事件”為單位的，比如用戶點擊了某個按鈕，這樣的行為記錄很多，但我們的目標是預測“某個用戶是否是新用戶”，所以我們需要將多條事件數據合并成一個用戶級別的數據，這是一個“從行到列”的特征聚合問題。

  • 時間敏感特征：用戶行為模式隨時間變化
    比如一個用戶一開始很頻繁，后面沉寂，也許是老用戶；新用戶行為更集中在某幾個小時；時間戳可以提取：

    • 小時、星期幾、行為密度
    • 首次行為和最后一次行為的間隔
    • 是否在特定時間段活躍（如晚上活躍）

解題思考過程

關鍵決策點：

  1. 選擇樹模型而非神經網絡（訓練速度/特征處理）

  2. 優先構造簡單的時間特征而非復雜特征工程

參考資料：

  • LightGBM官方文檔（分類任務參數配置）

  • 時序特征工程最佳實踐（FeatureTools庫）

Baseline方案的設計思路

image.png

核心函數1：交叉驗證建模

n_folds = 5
kf = StratifiedKFold(n_splits=n_folds, shuffle=True, random_state=42)for fold, (train_idx, val_idx) in enumerate(kf.split(X_train, y_train)):print(f"\n======= Fold {fold+1}/{n_folds} =======")X_tr, X_val = X_train.iloc[train_idx], X_train.iloc[val_idx]y_tr, y_val = y_train.iloc[train_idx], y_train.iloc[val_idx]# 創建數據集（指定類別特征）train_set = lgb.Dataset(X_tr, label=y_tr)val_set = lgb.Dataset(X_val, label=y_val)# 模型訓練model = lgb.train(params,train_set,num_boost_round=5000,valid_sets=[train_set, val_set],callbacks=[lgb.early_stopping(stopping_rounds=200, verbose=False),lgb.log_evaluation(period=200)])

細節補充（什么是k-fold cross-validation）：

image.png

根據題型還要有的改進點：

使用StratifiedKFold
如果你在處理的是分類問題，并且正負樣本比例不平衡（比如“新增用戶”只占很少），那你用的 StratifiedKFold 就更進一步了，它在劃分每一份的時候，還會確保正負樣本的比例一致，這能避免某一折驗證集全是負樣本，導致模型評估不準。

核心函數2：目標優化函數

def find_optimal_threshold(y_true, y_pred_proba):"""尋找最大化F1分數的閾值"""best_threshold = 0.5best_f1 = 0for threshold in [0.1,0.15,0.2,0.25,0.3,0.35,0.4]:y_pred = (y_pred_proba >= threshold).astype(int)f1 = f1_score(y_true, y_pred)if f1 > best_f1:best_f1 = f1best_threshold = thresholdreturn best_threshold, best_f1

背景：

在二分類模型中，很多模型（比如 LightGBM、XGBoost）輸出的不是“0”或“1”的標簽，而是一個概率（比如這個樣本屬于正類的概率是 0.73）
但我們最終要做出決策：到底是正類（1）還是負類（0）？這就需要設置一個“閾值”來做轉換
例如：默認是用 0.5，當預測概率大于 0.5 就認為是正類。但這個閾值不是固定的，在樣本不均衡或業務目標特殊時，調整閾值可以顯著提升 F1 等指標。

設計特點：

  1. 候選范圍選擇

    • 聚焦 0.1-0.4：適用于正例稀少的場景（如欺詐檢測）

    • 若正例比例高，可擴展范圍至 np.arange(0.05, 0.95, 0.05)

  2. 數值穩定性

    • 避免使用 np.ptp 等可能受異常值影響的指標

    • 離散化搜索簡單高效，復雜度 O(n)

合并數據做特征工程（補充）

1. 類別特征編碼一致性

for feature in cat_features:le = LabelEncoder()all_values = pd.concat([train_df[feature], test_df[feature]]).astype(str)le.fit(all_values)# 確保訓練集和測試集使用相同的編碼映射

  • le.fit(values) 這一步是“學習”階段：它會掃描 values 中所有不同的取值，按字典序排序，然后給每個唯一類別分配一個整數標簽（從 0 開始）。這些映射規則保存在 le.classes_ 屬性里。

  • 然后用 le.transform(...) 把原始列中的每個值，根據這個映射規則變成整數（比如 ['banana', 'apple'] → [1, 0]）。

  • 最后，這些編碼后的數字會“回填到數據集的原列里”，替換掉原來的字符串

關鍵問題：如果分別編碼，可能出現：

  • 訓練集中 device_brand='Apple' 編碼為 0
  • 測試集中 device_brand='Apple' 編碼為 1
  • 導致模型無法正確識別相同的設備品牌

2. 統計特征的完整性

# 基于合并數據計算統計特征
brand_stats = full_df.groupby('device_brand').agg({'did': 'nunique','hour': ['mean', 'std'],'dayofweek': 'mean'
}).reset_index()

優勢：

  • 統計更準確（基于更大的樣本）
  • 避免訓練集和測試集統計分布不一致
  • 提高特征的泛化能力

3. 數據泄露檢查

# 注意：標簽信息只在訓練集中存在
print(f"正樣本比例: {train_df['is_new_did'].mean():.4f}")

安全性：

  • 測試集中的 is_new_did 列為 NaN
  • 只使用特征信息，不使用標簽信息
  • 不會造成數據泄露

聚合的意義（補充）

原始數據的真實結構：

一行 ≠ 一個用戶的所有行為
一行 = 一次用戶行為事件，不是用戶全部行為

從代碼中可以看出：

  • 訓練集大小: (3,429,925, 15) - 343萬條記錄
  • 唯一用戶數: 270,837 個用戶
  • 這意味著：平均每個用戶有 12.7 條記錄
# 證明：每個用戶有多條記錄
print(f"總記錄數: {len(train_df)}")           # 3,429,925
print(f"唯一用戶數: {len(train_df['did'].unique())}")  # 270,837
print(f"平均每用戶記錄數: {len(train_df) / len(train_df['did'].unique()):.1f}")  # 12.7

🔍 具體例子說明
原始數據長這樣：

    did      eid    common_ts      device_brand  hour  is_new_did
0   user001  100    1640000000000  Apple         14    1
1   user001  200    1640000001000  Apple         14    1
2   user001  300    1640000002000  Apple         15    1
3   user001  100    1640000003000  Apple         16    1
4   user002  100    1640000000500  Samsung       10    0
5   user002  150    1640000001500  Samsung       11    0
6   user003  200    1640000002000  Xiaomi        20    1

問題是什么？

每一行只代表用戶的一次行為事件，而不是用戶的全部行為！

  • 第0行：用戶001在14:00觸發了事件100
  • 第1行：用戶001在14:00觸發了事件200
  • 第2行：用戶001在15:00觸發了事件300
  • 第3行：用戶001在16:00又觸發了事件100

我們需要用戶級別的特征！

🎯 為什么要聚合？

1. 單行信息不足

  • 單行只能告訴我們：這個用戶在某個時間點做了什么
  • 無法告訴我們：這個用戶的整體行為模式

2. 用戶級別特征更重要

# 沒有聚合的情況下，我們只知道：
# - 用戶001在14:00觸發了事件100
# - 用戶001使用Apple設備# 有了聚合后，我們還知道：
# - 用戶001總共觸發了4次事件 (frequency)
# - 用戶001使用了3種不同事件類型 (monetary)  
# - 用戶001最后一次活動在16:00 (recency)
# - 用戶001的活躍時間跨度是2小時

3. 模型需要用戶畫像

  • 活躍用戶: 高頻次、多事件類型、最近活躍
  • 不活躍用戶: 低頻次、單一事件、很久沒活躍

💡 實際價值

聚合特征能回答的問題：

  1. 這個用戶活躍嗎？ → frequency (行為頻次)
  2. 這個用戶最近活躍嗎？ → recency (最近活躍時間)
  3. 這個用戶行為多樣嗎？ → monetary (不同事件類型數)
  4. 這個用戶是重度用戶嗎？ → 綜合RFM得分

這些特征對預測"新用戶"很重要：

  • 新用戶: 通常頻次低、事件類型少、最近注冊
  • 老用戶: 通常頻次高、事件類型多、歷史悠久

🎯 總結

聚合的核心價值：

  • 將用戶的多次行為匯總成用戶畫像
  • 從事件級別提升到用戶級別的特征
  • 為模型提供更豐富的用戶行為信息

沒有聚合：只知道用戶做了什么
有了聚合：知道用戶是什么樣的人

Baseline方案的優缺點

方案優點：

  1. 數據預處理完整

    • 時間特征提取：將毫秒時間戳轉換為 day 、 dayofweek 、 hour 等可解釋的時序特征，捕捉用戶行為的周期性規律。

    • 類別特征編碼：對 device_brand 、 operator 等高基數類別特征使用 LabelEncoder 進行編碼，避免了獨熱編碼導致的維度爆炸問題。

    • 交叉驗證策略：采用 StratifiedKFold 分層交叉驗證，確保訓練集和驗證集的類別分布一致性，減少模型偏差。

  2. 模型選擇合理

    • 使用LightGBM作為基模型，適合高維稀疏數據，且對類別特征處理友好（如 udmap 中的JSON字段）。

    • 閾值優化：通過動態調整分類閾值（ find_optimal_threshold ）最大化F1分數，適應類別不平衡問題（新增用戶比例較低）。

  3. 特征重要性分析

    • 輸出特征重要性（ gain ），幫助識別關鍵特征（如 udmap 中的插件ID或助手ID），為后續特征優化提供方向。

方案不足：

  1. 特征工程深度不足

    • 未充分挖掘 udmap 字段中的JSON信息（如 botId 、 pluginId ），僅將其作為類別特征處理，未提取組合特征（如 botId+pluginId 的交互）。

    • 忽略用戶行為序列模式（如用戶訪問頻次、事件路徑），未能構建基于時間窗口的統計特征（如24小時內訪問次數、連續登錄天數）。

  2. 模型調參空間有限

    • 參數固定（如 max_depth=12 、 num_leaves=63 ），未通過網格搜索或貝葉斯優化探索更優參數組合。

    • 未嘗試集成模型（如CatBoost、XGBoost）或模型融合策略（如Stacking）提升泛化能力

進階要點1：如何挖掘用戶行為信息

時間序列特征：

  • 滑動窗口統計：計算用戶在最近7天、30天內的行為頻次（如 eid 事件發生次數）、活躍時長（連續登錄天數）。
  • 示例代碼：
# 按用戶分組，按時間排序
train_df.sort_values(['did', 'common_ts'], inplace=True)# 計算用戶歷史行為頻次（滑動窗口）
train_df['user_event_count'] = train_df.groupby('did')['eid'].transform('cumcount') + 1

RFM特征：

  • Recency（最近一次行為時間）：計算用戶最近一次行為距離當前時間的天數。
  • Frequency（行為頻率）：用戶總行為次數。
  • Monetary（行為價值）：假設某些事件（如 eid ）有經濟價值，可定義虛擬價值字段。
  • 示例代碼：
# 計算RFM特征
rfm = train_df.groupby('did').agg(recency=('common_ts', 'max'),frequency=('eid', 'count'),monetary=('eid', 'nunique')  # 假設不同事件類型代表不同價值
).reset_index()
train_df = train_df.merge(rfm, on='did', how='left')

組合特征與高階交互
目標：通過特征交叉和非線性組合，捕捉復雜模式。
方法：

  • 類別特征交叉：
    • 將 device_brand 與 os_type 組合（如 Android_Samsung ），反映設備-系統的用戶偏好。
    • 示例代碼：
train_df['device_os'] = train_df['device_brand'].astype(str) + '_' + train_df['os_type'].astype(str)
  • 數值特征分桶與交叉：
    • 將將 common_ts 分桶為時間段（如早高峰、晚高峰），與 hour 特征交叉，分析用戶在特定時段的行為差異。
    • 示例代碼：
# 分桶：將時間戳轉換為時間段（如0-6: 0, 6-12:1...）
train_df['time_bucket'] = pd.cut(train_df['hour'], bins=[0,6,12,18,24], labels=[0,1,2,3])

進階要點2：選擇什么樣的建模思路

1、按?did?聚合后的分層建模

核心思想：
將問題拆解為兩層：用戶層和事件層，通過分層建模捕捉用戶級特征與事件級特征的交互。
具體步驟：

  1. 用戶層建模：
    • 對每個 did 進行特征聚合（如行為頻次、時間分布、RFM特征等），訓練一個用戶級模型（如LightGBM/XGBoost），預測該 did 的標簽（或概率）。
    • 例如：使用每個 did 的累計行為次數、最近一次行為時間間隔等作為輸入特征。
  2. 事件層建模：
    • 在事件級別（即原始樣本）引入用戶級預測結果作為特征，構建混合模型。
    • 例如：將用戶級模型的輸出（如預測概率）與事件級特征（如 eid 、時間戳、設備信息）拼接，輸入到最終模型（如神經網絡或集成樹）中進行預測。
      優勢：
  • 用戶層模型可捕捉全局用戶行為模式，事件層模型可結合局部事件特征，提升模型魯棒性。
  • 對于測試集中重復的 did ，用戶層預測結果可直接復用，減少冗余計算。

2、半監督學習策略

核心思想：

利用測試數據中重復的 did （部分標簽已知但不唯一）作為偽標簽，結合訓練數據進行半監督訓練。

具體步驟：

  1. 篩選偽標簽：
    • 對測試集中重復的 did ，若其在訓練集中有多個樣本且標簽一致，可直接使用該標簽作為偽標簽。
    • 若標簽不一致，可通過以下方式處理：
      • 投票機制：選擇訓練集中該 did 的多數類標簽。
      • 置信度閾值：對預測概率較高的樣本（如閾值>0.95）生成偽標簽。
        優勢：

  • 利用測試數據中的隱式信息（重復 did 的已知標簽），提升模型泛化能力。

  • 對標簽不唯一的場景，通過置信度篩選降低噪聲風險。

3、動態標簽映射與修正

核心思想：
針對測試集中重復的 did ，動態修正其預測標簽，結合訓練數據中的歷史行為模式。
具體步驟：

  1. 標簽沖突檢測：

    • 對于測試集中某個 did ，若其在訓練集中有多個標簽，統計標簽分布（如出現次數、時間趨勢）。

    • 例如：若某 did 在訓練集中同時存在0和1標簽，但1標簽集中在近期事件中，則優先選擇1作為預測值。

  2. 動態修正策略：

    • 時間加權平均：根據訓練集中 did 的標簽時間分布，加權計算預測值。

    • 行為相似度匹配：將測試樣本與訓練集中該 did 的相似行為樣本匹配，提取標簽分布。
      優勢：

  • 精細化處理標簽不唯一的場景，避免簡單投票導致的偏差。

  • 結合時間動態性和行為相似性，提升預測的合理性。

本文來自互聯網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。
如若轉載，請注明出處：http://www.pswp.cn/web/89704.shtml
繁體地址，請注明出處：http://hk.pswp.cn/web/89704.shtml
英文地址，請注明出處：http://en.pswp.cn/web/89704.shtml

如若內容造成侵權/違法違規/事實不符，請聯系多彩編程網進行投訴反饋email:809451989@qq.com，一經查實，立即刪除！

相關文章

Spring IOC容器在Web環境中是如何啟動的（源碼級剖析）？

Spring IOC容器在Web環境中是如何啟動的（源碼級剖析）？

文章目錄一、Web 環境中的 Spring MVC 框架二、Web 應用部署描述配置傳統配置（web.xml）：Java配置類（Servlet 3.0）：三、核心啟動流程詳解1. 啟動流程圖2. ★容器初始化入口：ContextLoaderListene…
閱讀更多...
18個優質Qt開源項目匯總

18個優質Qt開源項目匯總

1，Clementine Music Player Clementine Music Player 是一個功能完善、跨平臺的開源音樂播放器，非常適合用于學習如何開發媒體類應用，尤其是跨平臺桌面應用。它基于 Qt 框架開發，支持多種操作系統，包括 Windows、macO…
閱讀更多...
計算機視覺：AI 的 “眼睛” 如何看懂世界？

計算機視覺：AI 的 “眼睛” 如何看懂世界？

1. 什么是計算機視覺：讓機器 “看見” 并 “理解” 的技術1.1 計算機視覺的核心目標計算機視覺（CV）是人工智能的一個重要分支，它讓計算機能夠 “看懂” 圖像和視頻 —— 不僅能捕捉像素信息，還能分析內容、提取語義&am…
閱讀更多...
華為OD刷題記錄

華為OD刷題記錄

華為OD刷題記錄 刷過的題 入門 1、進制 2、NC61 doing 訂閱專欄
閱讀更多...
QT學習教程（二十五）

QT學習教程（二十五）

雙緩沖技術&#xff08;Double Buffering&#xff09;&#xff08; 2、公有函數實現&#xff09;#include <QtGui> #include <cmath> using namespace std; #include "plotter.h"以上代碼為文件的開頭&#xff0c;在這里把std 的名空間加入到當前的全…
閱讀更多...
設計模式筆記_結構型_裝飾器模式

設計模式筆記_結構型_裝飾器模式

1.裝飾器模式介紹裝飾器模式是一種結構型設計模式&#xff0c;允許你動態地給對象添加行為&#xff0c;而無需修改其代碼。它的核心思想是將對象放入一個“包裝器”中&#xff0c;這個包裝器提供了額外的功能&#xff0c;同時保持原有對象的接口不變。想象一下&#xff0c;你有…
閱讀更多...
day25 力扣90.子集II 力扣46.全排列 力扣47.全排列 II

day25 力扣90.子集II 力扣46.全排列 力扣47.全排列 II

子集II給你一個整數數組 nums &#xff0c;找出并返回所有該數組中不同的遞增子序列&#xff0c;遞增子序列中 至少有兩個元素 。你可以按 任意順序 返回答案。數組中可能含有重復元素&#xff0c;如出現兩個整數相等&#xff0c;也可以視作遞增序列的一種特殊情況。示例 1&…
閱讀更多...
Solidity 中的`bytes`

Solidity 中的`bytes`

在 Solidity 中&#xff0c;bytes 和 bytes32 都是用來保存二進制數據的類型&#xff0c;但它們的長度、使用場景、Gas 成本完全不同。? 一句話區分類型一句話總結bytes32定長 32 字節&#xff0c;適合做哈希、地址、標識符等固定長度數據。bytes動態長度字節數組&#xff0c;…
閱讀更多...
初學者STM32—PWM驅動電機與舵機

初學者STM32—PWM驅動電機與舵機

一、簡介 上一節課主要學習了輸出比較和PWM的基本原理和結構&#xff0c;本節課就主要以實踐為主通過STM32最小系統板和驅動器控制舵機和直流電機。 上一節課的坐標 初學者STM32—輸出比較與PWM-CSDN博客 二、舵機 舵機是一種根據輸入PWM信號占空比來控制輸出角度的裝置 輸…
閱讀更多...
C++中的異常處理機制：try-catch

C++中的異常處理機制：try-catch

一、基本概念 異常&#xff08;Exception&#xff09;&#xff1a;程序執行過程中發生的非正常情況&#xff0c;比如除以零、訪問越界、內存不足等。 異常處理&#xff08;Exception Handling&#xff09;&#xff1a;對異常情況進行捕獲、分析&#xff0c;并采取補救措施&…
閱讀更多...
如何從 Windows 11 或 10 遠程訪問 Ubuntu 24.04 或 22.04 桌面

如何從 Windows 11 或 10 遠程訪問 Ubuntu 24.04 或 22.04 桌面

了解如何使用 RDP（遠程桌面協議）從 Windows 11 或 10 遠程連接 Ubuntu 24.04 Noble 或 22.04 LTS Jammy JellyFish 桌面的步驟。 Windows 提供了一個便捷的功能，稱為遠程桌面連接，它使用 RDP 協議來遠程連接 PC。當從 Windows 系統建立遠程桌面連接時，使用起來非常簡單，…
閱讀更多...
Linux 服務器中，Tab 鍵自動補全功能失效

Linux 服務器中，Tab 鍵自動補全功能失效

在 Linux 服務器中&#xff0c;Tab 鍵自動補全功能失效通常與 bash-completion 組件缺失或配置異常有關。以下是解決問題的兩個關鍵 YUM 指令及操作步驟&#xff1a;1. 安裝 bash-completion 組件 sudo yum install -y bash-completion說明&#xff1a; bash-completion 是提供…
閱讀更多...
SpringBoot服裝推薦系統實戰

SpringBoot服裝推薦系統實戰

Spring Boot 服裝推薦系統實例 以下是基于Spring Boot實現的服裝推薦系統的30個實例代碼示例，涵蓋核心功能和實現方法。 用戶注冊與登錄功能 @RestController @RequestMapping("/api/auth") public class AuthController {@Autowiredprivate UserService userSer…
閱讀更多...
WIN10系統優化篇（一）

WIN10系統優化篇（一）

你是否疑惑為什么別人家的電腦運行速度飛快&#xff0c;而自己的卻卡頓難用&#xff1f;其實&#xff0c;很多時候 Windows 系統可以通過簡單的優化措施來提升使用體驗。本文根據項目實戰多年對 Win10 優化經驗&#xff0c;將幫你找出系統卡頓的原因&#xff0c;并給出針對性的…
閱讀更多...
Flutter狀態管理篇之ChangeNotifier基礎篇（一）

Flutter狀態管理篇之ChangeNotifier基礎篇（一）

目錄 前言 一、什么是ChangeNotifier 二、ChangeNotifier 的基本用法 三、結合Flutter UI 使用 四、結合 Provider 的高級用法 五、ChangeNotifier 的優勢與注意事項 5.1 優勢 5.2 注意事項 六、與 ValueNotifier 的比較 七、實際應用場景 八、總結 前言 在 Flutter…
閱讀更多...
react17更新哪些新特性

react17更新哪些新特性

React 17 是一個“無新特性”的發布版本&#xff0c;它的主要目標是為未來的 React 版本打好基礎&#xff0c;同時改善與舊版本共存和升級的體驗。雖然沒有引入新的開發者 API&#xff0c;但它在內部做了很多重要的改進。以下是 React 17 的核心更新內容和特性&#xff1a;&…
閱讀更多...
Unity 常見數據結構分析與實戰展示 C#

Unity 常見數據結構分析與實戰展示 C#

Unity 常見數據結構分析與實戰展示 提示&#xff1a;內容純個人編寫&#xff0c;歡迎評論點贊&#xff0c;來指正我。 文章目錄Unity 常見數據結構分析與實戰展示1. 引言2. Unity 數據結構概述3. 常見數據結構1. 數組&#xff08;Array&#xff09;2. 列表&#xff08;List&…
閱讀更多...
【Linux網絡編程】應用層協議 - HTTP

【Linux網絡編程】應用層協議 - HTTP

目錄 初識HTTP協議 認識URL HTTP協議的宏觀格式 Socket封裝 TcpServer HttpServer 整體設計 接收請求 web根目錄與默認首頁 發送應答 完善頁面 HTTP常見Header HTTP狀態碼 HTTP請求方法 cookie與session Connection 抓包 初識HTTP協議 應用層協議一定是基于…
閱讀更多...
技術演進中的開發沉思-36 MFC系列： 對話框

技術演進中的開發沉思-36 MFC系列： 對話框

MFC這個章節里&#xff0c;不能忽視的是對話框的開發。如果把 MFC 程序比作一棟辦公樓&#xff0c;那對話框就是「會客室」—— 它是程序與用戶面對面交流的地方&#xff1a;用戶在這里輸入數據&#xff0c;程序在這里展示信息&#xff0c;彼此的互動都從這個空間開始。今天圍繞…
閱讀更多...
(李宏毅）deep learning（五）--learning rate

(李宏毅）deep learning（五）--learning rate

一&#xff0c;關于learning rate的討論&#xff1a;&#xff08;1&#xff09;在梯度下降的過程中&#xff0c;當我們發現loss的值很小的時候&#xff0c;這時我們可能以為gradident已經到了local min0&#xff08;低谷&#xff09;,但是很多時候&#xff0c;loss很小并不是因…
閱讀更多...
最新文章

Copyright @ 2022~2023