- 综合排序
- 最热优先
- 最新优先
- 来自专栏Ywrby
7-软件架构，资源分类
Server) 浏览器/服务器端 只需要一个浏览器，用户就可以通过URL访问不同服务器端程序 优点：开发，安装，部署，维护等十分更简单 缺点： 如果应用过大，用户体验可能受到影响 对硬件要求高 B/S架构 资源分类
46020编辑于 2022-10-27 - 来自专栏二猫の家
【GEE】7、利用GEE进行遥感影像分类【随机森林分类】
1简介 在本模块中，我们将讨论以下概念： 监督和非监督图像分类之间的区别。 Google Earth Engine 提供的各种分类算法的定义和应用。 如何使用 randomForest 设置和运行分类，以 aspen 存在和不存在作为示例数据集。 2背景 图像分类 人类自然倾向于将空间信息组织成组。 我们将这种具有相似特征的对象分组称为“图像分类”。但在全球范围内手动对对象进行分类和赋值将是一项无休止的任务。 非监督与监督分类 的图像分类方法可以分为两类。首先，非监督分类涉及将潜在的预测变量应用于地理区域，并要求预测算法或先验回归系数来完成图像分类的工作。 近年来，分类和回归树 (CART)和 randomForest 等分类器已从计算机科学和统计学界引入生态研究。
2.6K34编辑于 2023-11-08 - 来自专栏机器学习算法工程师
《机器学习》笔记-贝叶斯分类器（7）
章节目录 贝叶斯决策论 极大似然估计 朴素贝叶斯分类器 半朴素贝叶斯分类器 贝叶斯网 EM算法 1 贝叶斯决策 贝叶斯决策论（Bayesian decision theory）是概率框架下的基本方法。 3 朴素贝叶斯分类器 基于贝叶斯公式来估计后验概率P(c|x)的主要困难在于，类条件概率P(x|c)是所有属性上的联合概率，难以从有限的训练样本直接估计而得。 换言之，假设每个属性独立地对分类结果发生影响。 基于属性条件独立性假设，条件概率P(c|x)可重写为， ? 其中d为属性数目，xi为x在第i个属性上的取值。 这就是朴素贝叶斯分类器的表达式。 4 半朴素贝叶斯分类器 为了降低贝叶斯公式中估计后验概率P(c|x)的困难，朴素贝叶斯分类器采用了属性条件独立性假设，但在现实任务中这个假设往往很难成立。 于是，人们尝试对属性条件独立性假设进行一定程度的放松，因此产生了一类称为“半朴素贝叶斯分类器”（semi-naive Bayes classifiers）的学习方法。
80860发布于 2018-03-30 - 来自专栏全栈程序员必看
7_首页分类按级别展示
需求 在首页展示商品分类列表 属性 值 请求 url http://{zuul:port}/api/portal/categorys/categorys 请求方式 GET 参数 无 返回值 HttpResult.ok (分类列表) ---- 实现 1、pojo 实体类 要展示商品分类信息，需要树形结构展示，所以需要在 Itemcat 类中增加一个 childern 属性表示子分类 比如：我们查看一级目录有：家电、 手机、服装，但在家电这个一级目录下，又有分类，我们称为二级目录，有：电视、空调、洗衣机，但是电视下又有分类，所以我们需要给分类实体类增加一个属性，用来表示子分类 如果使用通用 mapper，在 pojo com.supergo.service.base.BaseService; import java.util.List; /** * @Author: xj0927 * @Description: 分类查询接口 = null && list.size() > 0) { //如果有数据再次根据分类id查询分类列表（使用递归） list.forEach(c
60210编辑于 2022-09-12 - 来自专栏生信技能树
KEGG富集结果7大分类展示
首先，看看KEGG Pathway数据库的7大分类 可能很多人做KEGG Pathway富集时，还没有了解过KEGG 通路数据库也有分类呢？ 来到KEGG官网：https://www.genome.jp/kegg/pathway.html 让人工智能大模型帮我们介绍一下这7大类吧： KEGG（Kyoto Encyclopedia of Genes 以下是 KEGG 数据库的 7 大分类详细介绍： 1. Metabolism（代谢） 描述：这一分类涵盖了生物体内的各种代谢通路，包括碳水化合物代谢、脂质代谢、氨基酸代谢、核苷酸代谢、能量代谢等。 示例通路： 癌症（Cancer） 糖尿病（Diabetes） 心血管疾病（Cardiovascular Diseases） 7. ： category：为level A，总共有7大类 subcategory：为level B，为7大类下面的更加细分一点的类别 ID：为level C，为第三大类别，也即KEGG Pathway数据库中最详细的一层
3K11编辑于 2025-01-13 - 来自专栏合集
机器学习day7-逻辑回归，分类问题
机器学习day7-逻辑回归问题 逻辑回归 逻辑回归，是最常见最基础的模型。 逻辑回归与线性回归 逻辑回归处理的是分类问题，线性回归处理回归问题。 逻辑回归处理的多分类问题 多项逻辑回归，Softmax Regression。 ? 其中， ? 为模型的参数，而 ? 可以看成对概率的归一化。 一般来说，多项逻辑回归具有参数冗余的特点，给 ? 当类别为2分类。 ? 因此，可以同时减去一个参数，比如说，减去 ? 。 ? 其中 ? 多分类问题同理，只是在二分类上面进行了扩展。 例如：当样本存在多个标签，比如5个分类，那么我们可以训练5个分类器，第i个分类器表示结果是不是属于第i类。因此我们的标签设置的是第i类和非第i类。
47020发布于 2020-06-04 - 来自专栏菩提树下的杨过
langchain4j 学习系列(7)-文本分类
继续我们的langchain4j学习之旅，很多“智能客服”之类的AI应用，“问题分类”是非常重要的功能之一。 识别出对应分类后，就可以交给相应的流程（或细分的sub agent)做进一步处理。 langchain4j 提供了2种分类方法： 一、基于LLM的语义理解 1.1 定义分类枚举 enum CustomerServiceCategory { PRODUCT("产品相关 ":\"classify error: " + e.getMessage() + "\"}"); } } 刚才的case符合预期了，但该方法有缺陷也十分明显，如果梳理的已知问题分类不够全面 或者先用方法1，先做一轮分类，将结果人工复检后，用于完善方法2中的分类列表） 文中示例代码：GitHub - yjmyzz/langchain4j-study at day07
20210编辑于 2025-12-24 茶叶病害分类数据集6749张7类别
数据集类型：图像分类用，不可用于目标检测无标注文件 数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：6749 分类类别数：7 类别名称:["Unlabeled 图片数：1000 red_spot 图片数：1143 重要说明：数据集里面茶叶均为单叶，请仔细查看图片预览，斟酌下载 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理分类存放
27610编辑于 2025-07-16对虾病害分类数据集889张7类别
数据集类型：图像分类用，不可用于目标检测无标注文件 数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：889 分类类别数：7 类别名称:["baibanbing heibanbing 图片数：166 heisaizheng 图片数：119 hongtizheng 图片数：160 huangsaizheng 图片数：97 重要说明：主要对虾是否生病进行分类判断 ，主要有黄鳃症、红体症、黑鳃症、黑斑病、肝萎缩、白浊病、白斑病 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理分类存放 虾的图片示例（虾的具体学名叫不出来，就叫对虾吧
11210编辑于 2025-07-20- 来自专栏Python绿色通道
Scrapy实战7: 分类爬取医疗信息网站图片
一、 前言 今天X先生带大家正真的实战：爬取医疗信息网站的图片及分类存储到本地和存储到MySql数据库。 商品类别url获取结果 (4)修正数据 通过结果我们易看出，我们所获取到的url和我们想象中还是有差别的，比如没有www或者http,嘿嘿，不过通过页面跳转分析我们知道我们现在获取到的是商品分类url
1.1K10发布于 2020-02-12 小麦成熟度分类数据集10695张7类别
数据集类型：图像分类用，不可用于目标检测无标注文件 数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：10695 分类类别数：7 类别名称:["anthesis mid_vegetative_phase 图片数：689 milking 图片数：2335 tillering 图片数：1389 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理分类存放
23400编辑于 2025-07-16- 来自专栏WD学习记录
机器学习 学习笔记（7）多分类学习与类别不平衡
多分类学习 现实中常遇到多分类学习任务，有些二分类学习方法可以直接推广到多分类，但在更多情况下，是基于一些基本策略，利用二分类学习器来解决多分类问题。 考虑N个类别C1，C2，C3，.... ，CN，多分类学习的基本思路是拆解法，即将多分类任务拆为若干个二分类任务求解，具体来说，先对问题进行拆分，然后为拆出的每个二分类任务训练一个分类器，在测试时，对这些分类器的预测结果进行集成以获得最终的多分类结果 ，关键是如何对多分类任务进行拆分，以及如何对多个分类器进行集成。 给定N个分类，OvO将这个N个类别两两配对，从而产生N(N-1)/2个二分类任务，例如OvO将为区分类别Ci和Cj训练一个分类器，该分类吧D中所有的Ci类昂本作为正例，Cj类样本作为反例，在测试阶段，新样本将同时提交给所有分类器 OvR每次将一个类的样例作为正例，所有其他类的样例作为反例来训练N个分类器，在测试时若仅有一个分类器预测为正例，则其对应的类别标记作为最终分类结果，若有多个分类器预测为正例，则通过考虑各预测分类器的预测置信度
3.2K10发布于 2018-09-03 黑色素瘤分类数据集10015张7类别
数据集类型：图像分类用，不可用于目标检测无标注文件 数据集格式：仅仅包含jpg图片，每个类别文件夹下面存放着对应图片 图片数量(jpg文件个数)：10015 分类类别数：7 类别名称:[“0”, “1”,“2”,“3”,“4”,“5”,“6”] 每个类别图片数： 序号 类别名称 图片数 1 0 1099 2 1 327 3 2 514 4 3 115 5 4 6705 6 5 142 7 6 1113 总计 图片总数 10015 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理分类存放 图片示例： 下载地址： https:/
18700编辑于 2025-07-20- 来自专栏JavaEdge
机器学习入门(四) — 分类模型1 分类-分析情感2 从主题预测情感:智能餐厅评价系统3 分类器应用4 线性分类器5 决策边界6 训练和评估分类器7 什么是好的精度
1 分类-分析情感 2 从主题预测情感:智能餐厅评价系统 2.1 今天是个好日子,我想在一家日本餐厅预订一个座位 2.2 正面的评价不能代表所有方面都是正面的 2.3 从评价到主题情感 2.4 智能餐厅评价系统 核心构造模块 3 分类器应用 3.1 分类器 示例多元分类器:输出 y 多于两类 垃圾邮件过滤 图像分类 个性化医学诊断 读懂你的心 4 线性分类器 表示分类器 阈值分类器的问题 (线性)分类器 给句子打分 5 决策边界 假如只有两个非零权重的词语 决策边界示例 决策边界区分了正面和负面的预测 6 训练和评估分类器 训练分类器 = 学习权重 分类误差 分类误差 / 精度 7 什么是好的精度 如果忽略句子直接猜测
86430发布于 2018-12-24 - 来自专栏WordPress技术文章
wordpress根据分类ID调用分类名称和分类描述
在 WordPress 中，若你已经知道「分类 ID」，可以用下面 2 句极简代码分别拿到「分类名称」和「分类描述」：// 分类 ID 假设为 123$cat_id = 123;// 1. 分类名称echo esc_html( get_cat_name( $cat_id ) );// 2. 分类描述echo esc_html( category_description( $cat_id ) );如果想一次性拿到更多字段(名称、描述、链接、文章数等)，推荐用 get_category() 或
16310编辑于 2025-12-29 - 来自专栏浮躁的喧嚣
协议与分类--24：分类（Category）
分类 Category也称为分类、类目、类别等，Category可以在不修改原来类的基础上，为这个类补充一些方法 Category的格式 @interface Person (SS) -(void )eat; @end Category的运用 在开发中，类的实现文件特别大，难于管理与维护，因此经常使用分类机制把类的实现代码划分成易于管理的小块，以便单独检视 #import <Foundation/ takeVacationFromWork; - (void)gotoTheCinema; - (void)gotoSportGame; @end 实现文件里，所有的方法都写在一个类，内容太多，所以我们可根据其不同功能分成多个分类 )person; - (void)removePerson:(Person *)person; - (BOOL)isFriendWithPerson:(Person *)person; @end 如果分类中有和原类中同名的方法 ，程序只会调用分类里的方法，如果多个分类中都有和原类中同名的方法，程序只会由编译器决定，编译器最后一个执行的方法来响应 @interface Person : NSObject @property (nonatomic
49010编辑于 2023-11-22 - 来自专栏马拉松程序员的专栏
数据分类：新闻信息自动分类
综合评估下来，我们选择上面8个分类作为数据集。 这三个文件将为后面的模型训练提供基础，在制作分类器的时候，只需要将它们加载到内存中即可。 5.制作通用分类器 到现在为止，文本分类的前期已经准备完成了，下面就是训练模型并且制作分类器。 为了方便比较各个分类算法之前的性能差异，所以现在我们制作一个通用的分类器，接收分类算法、训练集数据、测试集数据，如果当前分类算法从未训练过模型，那么先进行模型训练，并将训练完成的模型持久化保存，方便下次使用 6.评估和验证模型 “万事俱备，只欠东风”，分类器已经完成，现在需要将模型训练出来，就可以进行自动化的分类了。 为了对比多个不同分类算法的性能差异，这里我们选择了4个分类算法进行训练，分别是朴素贝叶斯、逻辑回归、随机森林和支持向量机算法。
96820编辑于 2023-09-21 - 来自专栏开发与安全
从零开始学C++之STL（四）：算法简介、7种算法分类
比如reverse、reverse_copy 二、算法分类 1、非变动性算法既不改变元素次序，也不改变元素值。 ? 7、用来处理数值的算法，需要加上头文件 #include<numeric> ? 在后面的文章中将对7种算法分别举一些例子来示例。
1.3K00发布于 2017-12-28 - 来自专栏若梦博客.
【7b2主题美化】网格样式文章鼠标悬浮弹出分类角标
角标颜色和站点主颜色相同 有子主题的复制进style.css即可 .post-1 a.post-list-cat-item { background: var(--b2color); color: #fff!important; padding: 4px; line-height: 12px; border-radius: 4px; } .post-list-meta-box { justify-content: space-between; margin:
83930编辑于 2023-02-01 - 来自专栏全栈程序员必看
xgboost分类算法_python分类统计
今天我们一起来学习一下如何用Python来实现XGBoost分类，这个是一个监督学习的过程，首先我们需要导入两个Python库： import xgboost as xgb from sklearn.metrics import accuracy_score 这里的accuracy_score是用来计算分类的正确率的。 我们这个分类是通过蘑菇的若干属性来判断蘑菇是否有毒的分类，这个数据集中有126个属性，我们来看看数据集，我把数据集放到网盘上分享给大家：训练和测试数据集，密码：w8td。 打开数据集可以发现这其实是一组组的向量，我们来看一组数据集的截图： 首先第一列表示标签列，是每一组数据的正确分类，1表示蘑菇是有毒的，0表示蘑菇无毒的。 以上就是我们用Python实现的xgboost分类模型的过程，希望对各位朋友有所帮助，本人能力有限，文中如有纰漏之处，还望各位朋友多多指教，如有转载，也请标明出处，谢谢。
1.5K30编辑于 2022-09-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号