- 综合排序
- 最热优先
- 最新优先
- 来自专栏大模型系列
机器学习之商业智能首选决策树：CHAID（卡方自动交互检测）原理、手动计算与实战应用指南
关键词：机器学习、CHAID算法、决策树、卡方检验、市场细分、问卷分析、类别合并、Python CHAID、商业智能、统计显著性 一句话答案：CHAID 是唯一基于统计显著性检验（卡方/F检验）的决策树算法 特征选择：卡方检验（分类目标）或 F 检验（连续目标） 2. α_merge） ✅ 优势：自动处理高基数分类变量（如“城市”），避免碎片化。 四、CHAID vs 其他决策树：关键差异特性ID3/C4.5CARTCHAID分裂标准信息论误差最小化统计显著性（卡方/F检验）树结构多叉二叉多叉类别合并❌❌✅ 自动合并不显著类别过拟合控制剪枝剪枝p 从 GPT 到 Llama，从 Claude 到 Qwen，从推理到多模态，大模型正以前所未有的速度进化——它们既是工具，也是平台，更可能是下一代人机交互的“操作系统”。
35120编辑于 2026-03-29 - 来自专栏李蔚蓬的专栏
Android卡顿优化 | 自动化卡顿检测方案与优化(AndroidPerformanceMonitor BlockCanary)
本文要点 为何需要自动化检测方案 自动卡顿检测方案原理 看一下Looper.loop()源码 实现思路 AndroidPerformanceMonitor实战 基于AndroidPerformanceMonitor 源码简析 接下来我们讨论一下方案的不足 自动检测方案优化 项目GitHub 为何需要自动化检测方案 前面提到过的系统工具只适合线下针对性分析，无法带到线上！ 线上及测试环节需要自动化检测方案 方案原理 源于Android的消息处理机制； 一个线程不管有多少Handler，只会有一个Looper存在， 主线程中所有的代码，都会通过Looper.loop() 设计模式、技巧 8. ； 我们需要缩小采集堆栈信息的周期，进行高频采集，详细如下； 自动检测方案优化 优化思路：获取监控周期内的多个堆栈，而不仅是一个； 主要步骤： startMonitor开始监控（Message
3.1K30发布于 2020-04-09 - 来自专栏Khan安全团队
神兵利器 - 具有交互式界面的自动 SSTI 检测工具
该工具被开发用作 SSTI 检测和利用的交互式渗透测试工具，允许更高级的利用。 交互模式 ( -i) 允许更容易的利用和检测 基本语言eval() -like shell ( -x) 或单个命令 ( -X) 执行 在没有启用的情况下为Smarty添加了新的有效负载{php}{/php 它能够检测和利用多个不同模板中的 SSTI 漏洞。 利用后，SSTImap 可以提供对代码评估、操作系统命令执行和文件系统操作的访问。 要检查 URL，您可以使用-u参数： $ . ，命令用于与 SSTImap 交互。 顺便说一句，测试结果在目标 url 更改之前一直有效，因此您可以轻松地在漏洞利用方法之间切换，而无需每次都运行检测测试。 要获得完整的交互命令列表，请help在交互模式下使用命令。
1.6K30编辑于 2023-02-23 - 来自专栏小锋学长生活大爆炸
【教程】自动检测和安装Python脚本依赖的第三方库
转载请注明出处：小锋学长生活大爆炸[xfxuezhang.cn] 背景说明 对于新python环境，要运行某个脚本，可能需要安装很多库，一般可以通过提供的requirements.txt来自动安装 通过捕捉ImportError错误，实际上可以从错误消息中提取缺失的模块名称，而一旦确定了缺失的模块名称，就可以使用 pip 自动安装它们了。 install_module(correct_name, python_executable) def main(): parser = argparse.ArgumentParser(description="自动检测和安装
2.9K10编辑于 2023-12-29 - 来自专栏FreeBuf
SSTImap：一款带有交互式接口的自动化SSTI检测工具
关于SSTImap SSTImap是一款功能强大的渗透测试工具，该工具提供了一个交互式接口，可以帮助广大研究人员以自动化的形式检查网站的代码注入和服务器端模版注入漏洞。 除此之外，该工具甚至还可以帮助我们自动利用这些发现的漏洞，从而访问目标服务器（主机）操作系统。 该工具还引入了沙盒逃逸技术，具体细节请查阅文章结尾的参考资料。 = "__main__": app.run(host='0.0.0.0', port=80) （向右滑动，查看更多） 预定模式 SSTImap的预定模式与Tplmap非常相似，支持以多种不同的模版检测和利用 如需检测URL，你可以使用-u参数： $ ./sstimap.py -u https://example.com/page? 在交互式模式下，我们可以使用命令与SSTImap交互： -i：进入交互模式； -u：制定测试目标URL； run：命令运行； help：查看帮助信息； Ctrl+C：终止运行； 支持的模版引擎
2.9K20编辑于 2023-03-30 - 来自专栏总结xyp
YOLOv8-QSD: 革新自动驾驶视觉感知的小目标检测算法
YOLOv8-QSD是一种为了提高自动驾驶车辆在复杂交通环境中检测小物体的准确性和速度而设计的改进型算法。它基于YOLOv8，并采用结构重参数化技术优化了多样化分支块（DBB）模型。 二、相关工作：在自动驾驶和目标检测领域，YOLOv8-QSD算法的提出是基于对现有技术的深入分析和对挑战的明确认识。 通过这些相关工作，YOLOv8-QSD算法的开发旨在结合现有技术的优势，同时解决小目标检测中的关键挑战，以提高自动驾驶车辆的感知能力。 通过这些详细的实验和结果分析，YOLOv8-QSD证明了其在自动驾驶车辆小目标检测任务中的有效性和潜力。实验结果不仅展示了模型的高精度和实时性能，还揭示了其在实际应用中的鲁棒性和可靠性。 五、结论：YOLOv8-QSD算法在检测远距离小目标方面取得了显著的性能提升。尽管在高清晰度图像需求和抗抖动能力方面存在局限性，但该算法在自动驾驶车辆的感知系统中具有重要的应用潜力。
1.3K10编辑于 2025-03-16 - 来自专栏AI
基于 YOLOv8 的桥梁病害（八类缺陷、病害高精度）自动检测
基于YOLOv8的桥梁病害（八类缺陷、病害高精度）自动检测[目标检测完整源码]一、背景与问题：桥梁检测为什么需要AI？桥梁作为城市与交通网络中的关键基础设施，其服役周期长、受力复杂、环境影响显著。 传统桥梁检测主要依赖人工目测或人工+仪器结合的方式，普遍存在以下痛点：检测效率低，难以覆盖大规模桥梁资产对检测人员经验依赖强，结果主观性高数据难以结构化，不利于长期健康评估在此背景下，基于计算机视觉的自动化桥梁病害检测逐渐成为智能运维的重要发展方向 四、为什么选择YOLOv8？YOLOv8是Ultralytics推出的新一代实时目标检测模型，在工程实践中表现出明显优势：Anchor-Free架构对细长裂缝、小尺度缺陷更友好，减少人为先验约束。 2.PyQt5图形化界面优势通过PyQt5封装推理流程，系统实现了：图像/视频/摄像头一键加载检测结果实时展示自动保存检测图片与日志无需命令行操作的工程化体验这使得系统不仅面向算法工程师，也适用于检测人员与工程管理人员使用 ，通过YOLOv8高性能目标检测模型与PyQt5可视化工具的结合，实现了从数据、模型到应用的完整闭环。
72910编辑于 2026-02-02 - 来自专栏技术汇总专栏
YOLOv8+PyQt5睡岗状态智能检测平台搭建 | 睡觉行为自动监控系统【开箱即用】
YOLOv8+PyQt5睡岗状态智能检测平台搭建 | 睡觉行为自动监控系统【开箱即用】源码包含：完整YOLOv8训练代码+数据集(带标注)+权重文件+直接可允许检测的yolo检测程序+直接部署教程/训练教程 YOLOv8作为最新的目标检测技术，以其高效、快速的特点，成为了实现这一目标的理想选择。结合PyQt5框架，可以轻松实现一个交互式的可视化界面，方便用户查看检测结果和进行后续操作。 一、软件核心功能介绍及效果演示本软件主要实现睡觉与睡岗状态的自动检测。其核心功能包括：实时视频监控：通过摄像头实时获取员工的状态图像，并使用YOLOv8进行目标检测。 项目通过以下几个关键环节实现了自动化监控和实时报警：YOLOv8模型训练与优化：通过精心设计的数据集和超参数调整，模型能够准确识别睡觉和睡岗状态。 使用YOLOv8强大的目标检测能力，保证了高效且实时的检测结果。PyQt5界面实现：通过开发交互式图形界面，用户能够轻松查看实时视频流，标注出检测区域，并实时接收报警提示。
42510编辑于 2025-09-19 - 来自专栏大数据文摘
一周飞越50万平方米，无人机检测1.5吨海滩垃圾！自动分类47种，准确率超95%
从5月底至6月初的一周内，无人机飞越了伯恩茅斯、基督城和普尔的海滩，对18个地点进行了检测，检测总面积达到了475000平方米。 对系统目前的工作情况，Mackay表示，“Ellipsis可以自动检测47类垃圾，准确率超过95%”，“无人机改变了环境监测的行为和方法，它们能在几分钟内调查整个海岸线”。 但是，Ellipsis技术可以检测到的内容是有限的，小于5毫米的塑料颗粒是无法识别的，而据估计，仅在海底，就有至少1400万公吨没能被检测到。 车载软件使用经过修改的Darknet来运行Yolo v3，检测结果通过一个滤波和积累模块提供，该模块将避免在多个相邻视频帧中出现多次计算同一垃圾；它还将为一个”垃圾点”在大约5米半径范围内进行多次检测。 根据AI垃圾桶研发人员林佳炀介绍，这种垃圾桶可以对垃圾自动感应、自动识别，然后自动分类。内置的摄像头会对垃圾进行拍照，拍照后上传到云端人工智能识别模型进行判定，整个判定完成过程大概在2.7秒左右。
1.5K30发布于 2021-07-06 - 来自专栏区块链
区块链U卡APP开发方案
数字身份认证与安全登录实名认证（KYC）对接公安/银行/第三方认证平台双因素认证（短信+U卡确认）去中心化身份DID支持（如W3C标准）U卡绑定与验证（蓝牙/NFC）2. DeFi与金融服务（可选）Staking、流动性挖矿、借贷质押收益统计与提醒链上投票与治理数字人民币支付结算支持8. 身份认证模块实现实名认证、双因素认证、DID系统对接公安、银行或第三方认证平台4. 交易签名模块所有交易需通过U卡签名，确保私钥不出卡支持智能合约交互、批量交易等复杂操作5. 交易双重确认：用户需在APP与U卡上分别确认交易，防止恶意转账。本地数据加密：所有敏感信息（如助记词、Keystore）在本地加密存储。防篡改机制：检测APP是否被篡改或重打包。 U卡固件签名验证：防止恶意固件注入。链上风控系统：识别异常交易模式，自动冻结高风险账户。双因素认证：结合生物识别、短信验证码、硬件验证等多重认证方式。
43310编辑于 2025-09-05 《3D古城场景角色碰撞优化的实战指南》
一方面，所有场景物体（断墙、石阶、陶罐、石雕）均采用高精度Mesh碰撞体，单场景碰撞体面数超过12万，仅西城门断墙的碰撞体就包含800+面片，每帧碰撞检测计算量达9200次，其中40%集中在非关键交互物体 ，超出范围则自动禁用，避免无效计算。 这一方案落地后，单场景碰撞体面数从12万降至3.8万，每帧碰撞检测次数从9200次减少到3500次，PC端CPU在碰撞计算环节的占用率从18%降至8%，断墙区域的帧率稳定在58-60帧，穿模率从优化前的 具体实现上，我们为每个动态物体设置“碰撞激活半径”（根据物体尺寸与交互重要性调整：石碾直径1.2米，激活半径8米；木质闸门高2.5米，激活半径5米；断柱高3米，激活半径10米），同时集成相机视锥体检测模块 我们还做了极端场景测试：让角色在密集动态物体区域（20个石碾、8个闸门）快速穿梭、推动物体，帧率稳定在57-60帧，未出现之前的“卡顿簇发”现象，甚至在同时推动3个石碾时，CPU占用率仅上升4%，性能表现远超预期
38310编辑于 2025-10-20YOLOv8v10v11自动驾驶实测对比：揭秘v11遮挡车辆检测精度提升关键
该模型在检测复杂形状车辆方面进步显著，对自动驾驶和交通监控有应用潜力。 研究方法数据集为了评估YOLO11在车辆检测中的性能，使用了与之前分析YOLOv8和YOLOv10时相同的数据集。 结果与性能评估评估指标使用标准物体检测指标评估 YOLO11 在车辆检测数据集上的性能，包括准确性、鲁棒性和效率，以便与 YOLOv8 和 YOLOv10 进行直接比较。 与 YOLOv8 和 YOLOv10 的比较YOLO11 在车辆检测任务（涵盖汽车、卡车、公交车、摩托车、自行车）的准确性（精度、召回率）、速度和鲁棒性上，相较于 YOLOv8 和 YOLOv10 展现出显著进步 城市监控与安全： 实时处理视频流，追踪目标车辆、检测违规、提升公共安全（适应户外光照/天气变化）。物流与车队管理： 自动化车辆检测追踪（如仓库卡车进出）、优化车辆分类与路线规划。
2.3K10编辑于 2025-06-20- 来自专栏数据分析
文本分类中的特征选择方法
查看包com.datumbox.framework.machinelearning.featureselection以查看Java中的卡方（卡方检测）和交互信息特征选择方法的实现。 下面给出了选择k个最佳特征的基本选择算法（Manning等人，2008）： [3xto1nf136.png] 在下一节中，我们将介绍两种不同的特征选择算法：交互信息和卡方（Chi Square）。 卡方（ 卡方检验） 另一个常见的特征选择方法是卡方(卡方检验)。统计学中使用x 2检验法主要是来测试两个事件的独立性。更具体地说，在特征选择中，我们使用它来测试特定术语的出现和特定类的出现是否独立。 上述公式可以向下面一样改写： [cxx44xu4kv.png] 4 如果我们使用卡方（卡方检测）方法，我们应该只选择一个预定义的特征，其中 x2 检测分数大于10.83，在0.001水平上才能显示出统计学意义 最后，但并非最不重要，我们应该注意到，从统计的角度来看，由于只有自由度和Yates校正（这将难以达到统计的显着性） ，卡方（卡方检测）特征选择是不准确的。
2.5K60发布于 2018-01-29 - 来自专栏公共互联网反网络钓鱼（APCN）
电商支付页仿冒钓鱼窃取信用卡数据的攻击机理与分层防御研究
现有网络安全研究多聚焦银行官网、第三方支付平台钓鱼攻击，针对中小型电商结算支付环节的专项实证研究较少，同时缺少适配电商支付表单的轻量化前端风险检测工具落地参考。 5.1 支付表单超额敏感字段风险检测代码功能：自动扫描支付页面表单输入框，识别居民登记号、完整信用卡密码等合规支付流程无需采集的字段，页面加载后弹窗风险预警，阻止用户提交隐私信息。 5.2 恶意 iframe 嵌套支付页面检测代码功能：识别页面内跨域 iframe 支付采集组件，检测到恶意嵌套弹窗后弹出风险提示并清空页面交互区域，阻断用户录入信用卡信息。 6.1.2 支付交互逻辑优化移除 “支付失败重载页面” 自动跳转脚本，交易异常时仅展示文字提示，由用户手动返回订单页重新发起付款，消除恶意页面掩盖窃取行为的技术窗口；支付流程全程固定单一域名，禁止第三方弹窗 ：进入支付页面时自动弹出合规提示，标注 “任何索要完整信用卡密码、居民登记号的页面均为诈骗”；第三方支付接口准入管控：仅对接持牌正规支付服务商，禁止内嵌未知来源支付弹窗、外部表单组件；交易日志全留存：完整记录支付页面访问
8210编辑于 2026-07-06 - 来自专栏公共互联网反网络钓鱼（APCN）
基于真实预订数据的酒店场景定向钓鱼攻击与防御研究
、信息交互的主要载体。 酒店行业本身存在多重安全短板：中小型酒店信息化建设水平参差不齐，预订系统安全配置老旧；前台员工、后台运维人员网络安全意识薄弱，易成为数据泄露突破口；行业内第三方预订平台、酒店集团、单体酒店数据交互频繁， 5 面向酒店场景的自动化检测技术与代码实现针对上述攻击技术，结合酒店业务场景，搭建双层自动化检测体系：第一层为邮件网关侧钓鱼邮件检测，识别伪造发件人、恶意 URL、诱导话术；第二层为终端与网络侧恶意页面 第三方合作管控：与第三方预订平台签订数据安全协议，数据交互全程采用加密传输，禁止第三方超范围使用旅客数据，定期审计第三方数据访问记录。 、旅游平台事前防护 邮件安全 部署邮件协议、自动化检测模型 拦截钓鱼邮件投递 酒店、第三方平台事中防护 网络终端 页面检测、证书校验、脚本拦截 阻断恶意页面与凭证窃取
20210编辑于 2026-06-10 - 来自专栏公共互联网反网络钓鱼（APCN）
电动汽车公共充电桩二维码钓鱼（Quishing）攻防体系与安全治理研究
强制跳转第三方推广页面：官方充电页面无弹窗广告、抽奖、博彩、问卷外链，若加载后自动跳转无关商业页面，判定为恶意钓鱼站点。 5 充电桩扫码链接风险自动化检测 Python 代码实现基于 Enel 域名、证书、页面交互风险判定标准，本节开发轻量化充电桩二维码链接风险检测工具，适配手机端、运营商后台批量风险筛查场景。 5.1 工具整体设计思路工具分为三大核心检测模块：可信域名校验模块、短链接与跳转风险模块、页面交互行为风险模块；综合三模块得分划分低、中、高三级风险等级，输出完整风险成因明细。 5.2 完整可运行 Python 检测代码# -*- coding: utf-8 -*-"""充电桩Quishing二维码链接自动化风险检测工具适配Enel充电运营商安全识别标准，实现域名、短链、支付行为多维度打分风险分级标准 手机通用扫码工具辅助校验能力运营商开放轻量检测接口，供手机系统相机、第三方扫码工具对接，用户使用原生相机扫码后，页面加载前调用接口完成风险研判，短域名、陌生域名链接自动弹出安全提示。
12010编辑于 2026-07-02 腾讯云建筑产业互联网：连接人与数据，降本增效的数字化路径
腾讯微卡： 一张电子卡覆盖智慧办公全场景，支持员工、委外人员、访客、物业等不同人群配置特定权限，联动园区通行、道闸、电梯、人脸识别系统。 连接上下游： 通过企业微信连接器，拉通建设方、设计方、施工方、咨询方等全参与方，实现跨系统、跨部门、跨组织的数据流转。 考勤与工资自动化： 支持 8大考勤方式 满足不同场景需求；联动电子劳动合同与考勤数据，系统自动核算生成智能工资表，实现工资 直接发放至工人账户 的全流程闭环监管。 立讯精密的数字化实践 立讯精密通过腾讯云智慧建筑解决方案，实现了园区的精细化管理： 应用场景： 部署了立讯精密电子工卡（基于腾讯微卡），实现员工、访客的统一管理。 技术底座与生态优势 选择腾讯云作为建筑行业数字化转型合作伙伴，基于以下技术能力与生态优势： 智能技术能力： 具备感知智能（人脸识别、活体检测、OCR）、交互智能（智能客服、语音识别/合成、NLP、实时翻译
17700编辑于 2026-05-31PAG在得物社区S级活动的落地
我们先来看一下实现效果：接下来，我们从逻辑架构、关键技术方案、边界场景处理三方面，拆解“用户交互调整”与“PAG预览同步”链路的实现思路。 经统计，经过各种手段优化后本活动中批量合成8张图最快仅需3s，最慢10s，批量合成过程用户基本是感知不到。 警告验证Canvas状态和尺寸PAGView创建带重试机制字体预注册：必须在加载PAG文件之前注册字体使用File类型进行字体注册CanvasImageEditor（Canvas图片编辑器）高DPI优化：自动检测设备像素比 不兼容环境（检测失败）：自动切换至服务端合成链路，通过预生成静态卡片保障核心功能可用，确保用户仍能完成球星卡生成的基础流程。 业务价值三方面总结核心成果：问题解决：解决业务痛点，优化用户体验针对初期“服务端固定合成导致构图偏差”的核心痛点，通过H5端承接关键链路，保障活动玩法完整性：交互自主性：基于Canvas封装的CanvasImageEditor
67510编辑于 2025-12-26C#+WPF+Opencv模块化开发视觉对位运动控制系统教程
WPF 提供了丰富的控件、图形和动画效果，以及与硬件设备的交互能力，非常适合用来构建复杂的工业自动化和监控系统。 3、丰富的三方库支持C# 拥有庞大的生态系统，提供了大量的第三方库和工具。支持多种工业通信协议，如 Modbus、EtherCAT、OPC-UA 等。 本人水平有限，再加上步入视觉行业不过1年，此项目基本都是模仿CK，在17年3月开始启动，利用工作之余开发了2个月吧，记录一下开发经历，一方面加强自己对知识的巩固，另一方面希望对比我还新的新人有一些帮助吧 三、一个完整的视觉对位系统主要工作过程如下：(1)工件定位检测器检测物体移动到摄像机视野中心，并向图像采集卡发送触发脉冲。(2)图像采集卡按照预定的程序和时延，分别向摄像机和照明设备发出启动脉冲。 (7)图像采集卡接收模拟视频信号并通过A/D将其数字化，或摄像机数字化后视觉定位系统直接接收数字视频。(8)图像采集卡将数字图像放置在处理器或计算机的存储器中。
1.5K10编辑于 2025-04-07《根治开放世界坐骑卡顿：从时钟同步到负载均衡的架构级解决方案》
为适配复杂地形，坐骑碰撞体没有采用单一胶囊体，而是“胶囊体+骨骼碰撞”的组合模式—胶囊体覆盖坐骑躯干，负责整体移动的碰撞检测（如避免撞墙），骨骼碰撞则精准对应四肢，确保马蹄、兽爪与台阶、岩石等小型障碍的交互细节 性能优化上，我们还做了“地形复杂度分级”：简单地形（如平原）仅启用胶囊体碰撞与基础物理模拟，复杂地形（如破碎高原）自动触发“高精度碰撞检测”（同时启用胶囊体与骨骼碰撞），并限制同屏坐骑的物理模拟数量不超过 在简单地形下，物理计算耗时仅需5-8毫秒，能在20毫秒的固定步长内提前完成，动画系统可以随时读取物理数据，两者时序匹配；但在复杂地形下，坐骑需要同时与多个障碍（岩石、建筑墙体）进行碰撞交互，物理计算量骤增 如果检测到物理计算耗时超过10毫秒（即有延迟风险），时序监控器会自动向动画系统发送“延迟播放”指令，最多允许动画帧延迟8毫秒播放，确保动画播放时，物理引擎已经输出了匹配的运动轨迹数据。 我们在坐骑的运动轨迹计算中加入了“平滑过渡算法”：当时序监控器检测到物理与动画的偏差超过15毫秒（大概率会引发明显卡顿）时，系统会自动触发该算法，用贝塞尔曲线衔接卡顿前的坐骑位置与卡顿后的物理计算位置，
34810编辑于 2025-09-20
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