【Python机器学习实战】 | Lasso回归和弹性网回归详细分析研究

🎩 欢迎来到技术探索的奇幻世界👨‍💻

📜 个人主页:@一伦明悦-CSDN博客

✍🏻 作者简介: C++软件开发、Python机器学习爱好者

🗣️ 互动与支持💬评论      👍🏻点赞      📂收藏     👀关注+

如果文章有所帮助,欢迎留下您宝贵的评论,

点赞加收藏支持我,点击关注,一起进步!

引言

Lasso回归(Lasso Regression)和弹性网回归(Elastic Net Regression)是用于特征选择和正则化的线性回归方法。它们在处理高维数据和解决过拟合问题方面非常有效。以下是对它们的详细解释:

Lasso回归(Lasso Regression):

Lasso回归是一种使用 L1 正则化的线性回归方法。其损失函数由最小化残差平方和与系数绝对值之和的加权和组成。Lasso回归的数学表达式如下:
[ \min_{\beta} \frac{1}{2} \lVert y - X\beta \rVert^2_2 + \alpha \lVert \beta \rVert_1 ]

特点和作用:

  • L1 正则化使得部分系数变为零,实现了特征选择,可以用于稀疏特征选择。
  • 可以处理高维数据,并降低模型的复杂度。
  • 适用于存在多重共线性问题的数据集。

弹性网回归(Elastic Net Regression):

弹性网回归是 Lasso 回归和 Ridge 回归的结合,同时使用 L1 和 L2 正则化项。其损失函数在 Lasso 回归和 Ridge 回归的基础上增加了一个混合比例参数。弹性网回归的数学表达式如下:
[ \min_{\beta} \frac{1}{2n} \lVert y - X\beta \rVert^2_2 + \alpha \rho \lVert \beta \rVert_1 + \frac{\alpha(1-\rho)}{2} \lVert \beta \rVert^2_2 ]

其中,𝛼α 是总的正则化参数,𝜌ρ 是 L1 正则化项在总正则化中的比例。

特点和作用:

  • 组合了 L1 和 L2 正则化的优点,可以克服 Lasso 回归在高相关特征情况下的一些限制。
  • 同时实现了特征选择和模型复杂度控制。
  • 适用于处理高维数据、存在关联特征或存在较强共线性的数据集。

正文

01-读取并展示邮政编码数据集中标签为 3 的部分样本的图像

这段代码实现了以下功能:

  1. 导入必要的模块:

    • 导入 numpy 库,并重命名为 np。
    • 导入 pandas 库,并重命名为 pd。
    • 导入 matplotlib.pyplot 库,并重命名为 plt,同时从 pylab 中导入所有内容(包括 figure、subplot 等)。
    • 导入 matplotlib.cm 库中的 cm 模块,用于颜色映射。
    • 使用 warnings 库来过滤警告信息。
    • 设置 matplotlib 图表显示中文。
    • 导入 sklearn 中的支持向量机模型 svm。
    • 导入 sklearn.linear_model 中的线性模型 LM。
    • 导入 scipy.stats 库,并重命名为 st。
    • 导入 scipy.optimize 库中的 root 和 fsolve 函数。
    • 导入 sklearn.feature_selection 库中的各种特征选择方法。
    • 导入 sklearn.linear_model 中的 Lasso、Ridge 和 ElasticNet 相关函数和类。
  2. 读取名为 ‘邮政编码数据.txt’ 的数据文件,使用空格作为分隔符,且没有列名(header=None)。

  3. 从数据中筛选出标签为 3 的样本,并分别将特征和目标变量提取出来,作为后续分析的数据源。

  4. 设定随机种子为 1,从目标变量 Y 中随机选择 25 个样本的索引。

  5. 创建一个 8x8 的图像,用于展示所选样本的图像。对于每个选定的样本:

    • 将其特征数据转换成 16x16 的图像格式。
    • 在子图中显示灰度图像。
  6. 将绘制的图像保存为文件’4.png’,分辨率设定为 dpi=500。

  7. 最后使用 plt.show() 显示生成的图像。

综上所述,这段代码的主要作用是读取并展示邮政编码数据集中标签为 3 的部分样本的图像,以及使用 matplotlib 和 numpy 进行图像处理和显示。

#本章需导入的模块
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from pylab import *
import matplotlib.cm as cm
import warnings
warnings.filterwarnings(action = 'ignore')
%matplotlib inline
plt.rcParams['font.sans-serif']=['SimHei']  #解决中文显示乱码问题
plt.rcParams['axes.unicode_minus']=False
from sklearn import svm
import sklearn.linear_model as LM
import scipy.stats as st
from scipy.optimize import root,fsolve
from sklearn.feature_selection import  VarianceThreshold,SelectKBest,f_classif,chi2
from sklearn.feature_selection import RFE,RFECV,SelectFromModel
from sklearn.linear_model import Lasso,LassoCV,lasso_path,Ridge,RidgeCV
from sklearn.linear_model import enet_path,ElasticNetCV,ElasticNetdata=pd.read_table('邮政编码数据.txt',sep=' ',header=None)
tmp=data.loc[data[0]==3]
X=tmp.iloc[:,1:-1]
Y=tmp.iloc[:,0]
np.random.seed(1)
ids=np.random.choice(len(Y),25)
plt.figure(figsize=(8,8))
for i,item in enumerate(ids):img=np.array(X.iloc[item,]).reshape((16,16))plt.subplot(5,5,i+1)plt.imshow(img,cmap=cm.gray)
plt.savefig("../4.png", dpi=500) 
plt.show()

 运行结果如下图所示:

这段代码的作用如下所述:

  1. 特征选择器初始化和拟合:

    • selector=VarianceThreshold(threshold=0.05) 初始化了一个方差阈值选择器,它用来删除方差低于指定阈值的特征。
    • selector.fit(X) 将该选择器应用于特征数据集 X,以识别并保留方差大于 0.05 的特征。
  2. 输出剩余变量个数:

    • print("剩余变量个数:%d"%len(selector.get_support(True))) 输出剩余的特征个数,即保留下来的特征数量。
  3. 特征变换和逆变换:

    • X = selector.inverse_transform(selector.transform(X)) 使用选择器对 X 进行特征转换和逆转换操作。这一步骤可以理解为删除了方差较低的特征后,将 X 恢复为原始特征空间的数据格式。
  4. 图像展示:

    • 创建一个 8x8 的图像用于展示样本图像。
    • 对于预先随机选择的每个样本 ids
      • 将其特征数据转换成 16x16 的图像格式。
      • 在子图中显示灰度图像。
  5. 保存和显示图像:

    • plt.savefig("../4.png", dpi=500) 将绘制的图像保存为文件’4.png’,设置分辨率为 dpi=500。
    • plt.show() 最后使用 matplotlib 显示生成的图像。

综上所述,这段代码在进行方差阈值特征选择后,重新转换特征数据并展示了处理后的样本图像。通过这种方式,可以在保留数据关键特征的同时,有效地减少数据的维度和复杂性。

 

selector=VarianceThreshold(threshold=0.05)
selector.fit(X)
print("剩余变量个数:%d"%len(selector.get_support(True)))
X=selector.inverse_transform(selector.transform(X))
plt.figure(figsize=(8,8))
for i,item in enumerate(ids):img=np.array(X[item,]).reshape((16,16))plt.subplot(5,5,i+1)plt.imshow(img,cmap=cm.gray)
plt.savefig("../4.png", dpi=500) 
plt.show()

 运行结果如下图所示:

02-利用不同的模型估计器进行特征选择,并展示处理后的样本图像,以便观察特征选择对图像的影响

这段代码的作用如下所述:

  1. 导入必要的模块:

    • 代码从 numpy、pandas、matplotlib.pyplot 等库中导入所需的模块,用于数据处理和可视化。
    • 也导入了机器学习相关模块,如 sklearn 中的 svm、linear_model 等,以及 scipy 中的统计模块和优化算法。
  2. 读取数据并筛选:

    • 从名为 ‘邮政编码数据.txt’ 的数据文件中读取数据,使用空格分隔,无列名。
    • 过滤出标签为 1 或 3 的样本数据,并提取特征 X 和目标变量 Y。
  3. 随机选择样本:

    • 设定随机种子为 1,从目标变量 Y 中随机选择 25 个样本的索引。
  4. 特征选择:

    • 对于每个模型估计器(LogisticRegression 和 SVC with linear kernel):
      • 使用递归特征消除(RFE)选择器,设置要选择的特征数为 80。
      • 对特征数据 X 和目标变量 Y 进行拟合和特征选择。
      • 输出选取的变量重要性排名前5的信息。
      • 对选择后的特征数据进行转换和逆转换。
      • 创建一个 8x8 的图像用于展示处理后的样本图像。
      • 对于预先随机选择的每个样本,将其特征数据转换成 16x16 的图像格式,并在子图中显示灰度图像。
  5. 显示图像:

    • 在每个模型估计器上完成特征选择和图像展示后,使用 plt.show() 分别显示这些图像。
  6. 保存图像:

    • 将最后一个模型估计器的图像保存为文件’4.png’,分辨率设定为 dpi=500。

综上所述,这段代码的主要作用是利用不同的模型估计器进行特征选择,并展示处理后的样本图像,以便观察特征选择对图像的影响。同时,通过保存图像文件,可以进一步对结果进行保存和分享。

#本章需导入的模块
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from pylab import *
import matplotlib.cm as cm
import warnings
warnings.filterwarnings(action = 'ignore')
%matplotlib inline
plt.rcParams['font.sans-serif']=['SimHei']  #解决中文显示乱码问题
plt.rcParams['axes.unicode_minus']=False
from sklearn import svm
import sklearn.linear_model as LM
import scipy.stats as st
from scipy.optimize import root,fsolve
from sklearn.feature_selection import  VarianceThreshold,SelectKBest,f_classif,chi2
from sklearn.feature_selection import RFE,RFECV,SelectFromModel
from sklearn.linear_model import Lasso,LassoCV,lasso_path,Ridge,RidgeCV
from sklearn.linear_model import enet_path,ElasticNetCV,ElasticNetdata=pd.read_table('邮政编码数据.txt',sep=' ',header=None)
tmp=data.loc[(data[0]==1) | (data[0]==3)]
X=tmp.iloc[:,1:-1]
Y=tmp.iloc[:,0]
np.random.seed(1)
ids=np.random.choice(len(Y),25)
estimators=[LM.LogisticRegression(),svm.SVC(kernel='linear',random_state=1)]
for estimator in estimators:selector=RFE(estimator=estimator,n_features_to_select=80)selector.fit(X,Y)#print("N_features %s"%selector.n_features_)print("变量重要性排名 %s"%selector.ranking_[0:5])Xtmp=selector.inverse_transform(selector.transform(X))plt.figure(figsize=(8,8))for i,item in enumerate(ids):img=np.array(Xtmp[item,]).reshape((16,16))plt.subplot(5,5,i+1)plt.imshow(img,cmap=cm.gray)plt.show()
plt.savefig("../4.png", dpi=500)     

运行结果如下图所示: 

03-Lasso回归中的收缩参数alpha和训练误差

这段代码的作用如下所述:

  1. 导入必要的模块:

    • 导入了 numpy、pandas、matplotlib.pyplot 等库,以及 sklearn 中的 svm、linear_model 等模块,用于数据处理、机器学习建模和可视化。
    • 同样地,使用了 matplotlib.cm 进行颜色映射处理,以及 warnings 库来忽略警告信息。
  2. 读取数据并筛选:

    • 从名为 ‘邮政编码数据.txt’ 的文本文件中读取数据,假设数据使用空格分隔且没有列名。
    • 根据数据中第一列的值为 1 或 3 的条件,筛选出符合条件的数据作为分析的数据集。
  3. Lasso 回归建模和分析:

    • 使用 Lasso 回归模型对数据进行拟合和分析。
    • 定义了一系列的 alpha 参数值,包括从 0 到 1 等间隔的20个值,并加入额外的 2 和 3。
    • 初始化一个二维数组 coef 来存储每个 alpha 值对应的回归系数。
    • 对每个 alpha 值,通过 Lasso 回归拟合数据,并计算回归系数和训练误差。
  4. 结果展示:

    • 输出并打印了 alpha=0 时前五个变量的回归系数。
    • 在图形化界面中,绘制了两个子图:
      • 第一个子图展示了不同 alpha 值下每个变量的归一化回归系数变化情况,以及 alpha 参数与回归系数的关系。
      • 第二个子图展示了不同 alpha 值下的训练误差变化情况。
  5. 保存图像:

    • 最后将绘制好的图形保存为文件’4.png’,设定分辨率为 dpi=500。

综上所述,这段代码的主要目的是通过 Lasso 回归模型对数据进行分析和可视化,以研究不同收缩参数(alpha)对回归系数和模型训练误差的影响。保存的图像文件可以进一步用于结果展示和分享。

#本章需导入的模块
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from pylab import *
import matplotlib.cm as cm
import warnings
warnings.filterwarnings(action = 'ignore')
%matplotlib inline
plt.rcParams['font.sans-serif']=['SimHei']  #解决中文显示乱码问题
plt.rcParams['axes.unicode_minus']=False
from sklearn import svm
import sklearn.linear_model as LM
import scipy.stats as st
from scipy.optimize import root,fsolve
from sklearn.feature_selection import  VarianceThreshold,SelectKBest,f_classif,chi2
from sklearn.feature_selection import RFE,RFECV,SelectFromModel
from sklearn.linear_model import Lasso,LassoCV,lasso_path,Ridge,RidgeCV
from sklearn.linear_model import enet_path,ElasticNetCV,ElasticNetdata=pd.read_table('邮政编码数据.txt',sep=' ',header=None)
tmp=data.loc[(data[0]==1) | (data[0]==3)]
X=tmp.iloc[:,1:-1]
Y=tmp.iloc[:,0]
fig,axes=plt.subplots(nrows=1,ncols=2,figsize=(12,5))
alphas=list(np.linspace(0,1,20))
alphas.extend([2,3])
coef=np.zeros((len(alphas),X.shape[1]))
err=[]
for i,alpha in enumerate(alphas):modelLasso = Lasso(alpha=alpha)modelLasso.fit(X,Y)if i==0:coef[i]=modelLasso.coef_else:coef[i]=(modelLasso.coef_/coef[0])err.append(1-modelLasso.score(X,Y))    
print('前5个变量的回归系数(alpha=0):%s'%coef[0,][0:5])
for i in np.arange(0,X.shape[1]):axes[0].plot(coef[1:-1,i])
axes[0].set_title("Lasso回归中的收缩参数alpha和回归系数")
axes[0].set_xlabel("收缩参数alpha变化")
axes[0].set_xticks(np.arange(len(alphas)))
axes[0].set_ylabel("Beta(alpha)/Beta(alpha=0)")axes[1].plot(err)
axes[1].set_title("Lasso回归中的收缩参数alpha和训练误差")
axes[1].set_xlabel("收缩参数alpha变化")
axes[1].set_xticks(np.arange(len(alphas)))
axes[1].set_ylabel("错判率")
plt.savefig("../4.png", dpi=500)  

 

04-Lasso回归和弹性网回归

这段代码的作用如下所述:

  1. 导入必要的模块:

    • 导入了 numpy、pandas、matplotlib.pyplot 等库,以及一些从 sklearn 中导入的模块,如 svm、linear_model 等,用于数据处理、机器学习建模和可视化。
    • 使用了 matplotlib.cm 进行颜色映射处理,以及 warnings 库来忽略警告信息。
  2. 读取数据并筛选:

    • 从名为 ‘邮政编码数据.txt’ 的文本文件中读取数据,假设数据使用空格分隔且没有列名。
    • 根据数据中第一列的值为 1 或 3 的条件,筛选出符合条件的数据作为分析的数据集。
  3. 弹性网(Elastic Net)回归建模和分析:

    • 对两种不同的 L1 范数比率 (l1_ratio) 进行弹性网回归建模(一种正则化方法,同时结合 L1 和 L2 范数)。
    • 初始化了一个包含两个子图的图形界面 fig, axes,每个子图对应一个 l1_ratio 值。
    • 对每个 l1_ratio 值,通过 enet_path 方法获取不同 alpha 值下的弹性网回归系数路径,并在子图中绘制出来。
    • 使用 ElasticNetCV 方法自动选择最优的 alpha 值,并在图形标题中展示该值和训练误差。
  4. 结果展示:

    • 在每个子图中,设置合适的 x 和 y 轴标签、标题,并调整坐标轴以确保图形显示完整和清晰。
    • 在第二个子图中,通过 axes[1].text 方法添加了关于最优 alpha 值和训练误差的文本说明。
  5. 保存图像:

    • 最后将绘制好的图形保存为文件 ‘4.png’,设定分辨率为 dpi=500。

综上所述,这段代码的主要目的是使用弹性网回归方法对数据进行分析和可视化,探讨不同的 L1 范数比率下的回归结果,同时自动选择最优的 alpha 值,并保存图像用于结果展示和分享。

#本章需导入的模块
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from pylab import *
import matplotlib.cm as cm
import warnings
warnings.filterwarnings(action = 'ignore')
%matplotlib inline
plt.rcParams['font.sans-serif']=['SimHei']  #解决中文显示乱码问题
plt.rcParams['axes.unicode_minus']=False
from sklearn import svm
import sklearn.linear_model as LM
import scipy.stats as st
from scipy.optimize import root,fsolve
from sklearn.feature_selection import  VarianceThreshold,SelectKBest,f_classif,chi2
from sklearn.feature_selection import RFE,RFECV,SelectFromModel
from sklearn.linear_model import Lasso,LassoCV,lasso_path,Ridge,RidgeCV
from sklearn.linear_model import enet_path,ElasticNetCV,ElasticNetdata=pd.read_table('邮政编码数据.txt',sep=' ',header=None)
tmp=data.loc[(data[0]==1) | (data[0]==3)]
X=tmp.iloc[:,1:-1]
Y=tmp.iloc[:,0]fig,axes=plt.subplots(nrows=1,ncols=2,figsize=(15,5))
ratios=[0.2,0.8]
bestalpha=[]
for i,ratio in enumerate(ratios):alphas_enet, coefs_enet, _ = enet_path(X,Y,l1_ratio=ratio)axes[i].plot(-np.log10(alphas_enet), coefs_enet.T, linestyle='--')model=ElasticNetCV(l1_ratio=ratio)model.fit(X,Y)bestalpha.append(model.alpha_)axes[i].set_xlabel('-Log(alpha)')axes[i].set_ylabel('回归系数')axes[i].set_title('Lasso回归和弹性网回归(L1范数率=%.2f)\n最优alpha=%.4f;训练误差=%.4f'%(ratio,model.alpha_,1-model.score(X,Y)))axes[i].axis('tight')
model=ElasticNet(l1_ratio=0.8,alpha=bestalpha[0])
model.fit(X,Y)
axes[1].text(0,-0.6,"alpha=%.4f时:训练误差=%.4f"%(bestalpha[0],1-model.score(X,Y)),fontdict={'size':'12','color':'b'})
plt.savefig("../4.png", dpi=500) 

运行结果如下图所示: 

 

这段代码的作用是进行特征选择并可视化处理后的特征数据。下面是详细解释:

  1. 随机种子设置和数据抽样:

    • np.random.seed(1):设置随机种子,确保随机结果可复现性。
    • ids = np.random.choice(len(Y), 25):从目标变量 Y 的长度中随机选择 25 个索引,用于后续可视化。
  2. 特征选择和模型拟合:

    • 对于预先设定的两种 l1_ratio 和对应的最优 alpha 值,分别进行如下操作:
      • 创建 ElasticNet 模型 (estimator),使用指定的 l1_ratio 和 alpha 值。
      • 使用 SelectFromModel 进行特征选择,这个方法根据模型训练结果选择重要的特征。
      • selector.fit(X, Y):根据给定的模型对特征 X 和目标变量 Y 进行拟合,以确定保留哪些特征。
  3. 特征选择结果展示:

    • 打印输出保留的特征个数:len(selector.get_support(indices=True)) 表示保留的特征数量。
    • 使用 selector.inverse_transform(selector.transform(X)),将经过选择的特征逆转换回原始特征空间 Xtmp,用于后续图像展示。
  4. 特征数据可视化:

    • 创建一个 8x8 大小的图形界面 (plt.figure(figsize=(8,8))),用于展示选定的特征图像。
    • 对于每个随机选择的索引 item,从 Xtmp 中提取并重塑为 16x16 的图像 (img)。
    • 使用 plt.subplot(5,5,i+1) 在图中安排每个特征图像的位置,并使用灰度色彩映射 (cmap=cm.gray) 显示图像。
  5. 图像展示:

    • 调用 plt.show() 将生成的图像显示在界面上,每个子图显示一个特征图像。

综上所述,这段代码主要用于使用弹性网回归进行特征选择,并通过图像展示选择后的特征数据,从而帮助分析人员理解数据中哪些特征对模型建立有重要贡献。

np.random.seed(1)
ids=np.random.choice(len(Y),25)
for ratio,alpha in [(0.2,bestalpha[0]),(0.8,bestalpha[1])]:estimator = ElasticNet(l1_ratio=ratio,alpha=alpha)selector=SelectFromModel(estimator=estimator)selector.fit(X,Y)#print("阈值(%f,%f):%s"%(ratio,alpha,selector.threshold_))print("保留的特征个数(%f,%f):%d"%(ratio,alpha,len(selector.get_support(indices=True))))Xtmp=selector.inverse_transform(selector.transform(X))plt.figure(figsize=(8,8))for i,item in enumerate(ids):img=np.array(Xtmp[item,]).reshape((16,16))plt.subplot(5,5,i+1)plt.imshow(img,cmap=cm.gray)plt.show()

 运行结果如下图所示: 

 

总结

综上所述,Lasso回归和弹性网回归是两种常用的线性回归方法,通过正则化惩罚的引入,能够在保持模型预测准确性的同时,实现特征选择和模型复杂度控制,适用于处理各种类型的数据集和回归问题。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/354438.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

自然语言处理概述

目录 1.概述 2.背景 3.作用 4.优缺点 4.1.优点 4.2.缺点 5.应用场景 5.1.十个应用场景 5.2.文本分类 5.2.1.一般流程 5.2.2.示例 6.使用示例 7.总结 1.概述 自然语言处理(NLP)是计算机科学、人工智能和语言学的交叉领域,旨在实…

Charles代理https接口到本地

一、操作手册 1、安装工具 1.1、安装代理软件Charles 软件下载地址:Download a Free Trial of Charles • Charles Web Debugging Proxy 1.2、安装https代理插件:(有问题自行百度解决) 2、配置策略 以下以https接口为例&…

JAVAEE之网络原理(2)_传输控制协议(TCP)的连接管理机制,三次握手、四次挥手,及常见面试题

前言 在上一节中,我们简单介绍了 TCP 协议的相关概念和格式,而且还介绍了TCP 协议原理中的 确认应答机制、超时重传机制,在本节中我们将会继续介绍 TCP协议原理中的其他机制。 连接管理机制(安全机制) 在正常情况下&…

QT基础 - QMainWindow主窗口

目录 零. 简介 一. 菜单栏 二. 工具栏 三. 状态栏 四. 可停靠区域 五. 总结 零. 简介 QMainWindow 是 Qt 中用于构建主窗口的类。 它通常包含以下几个主要部分: 菜单栏:用于提供各种操作选项。工具栏:放置常用的操作按钮。中心区域&…

气体泄露隐患多,佛山工业可燃气体报警器年检校准来帮忙

在佛山这座工业发达的城市,可燃气体报警器的应用日益广泛,涉及化工、冶金、石油等多个领域。 然而,长时间的使用和恶劣的工业环境可能导致报警器的性能下降,甚至出现误报或漏报的情况。 因此,定期对可燃气体报警器进…

win 打包java项目为exe一键部署,包括mysql和redis

需求:打包springboot项目在win系统下执行,并且要一键部署和开机启动 把所需的程序放在同一个文件夹 1.jdk文件夹:自己去下载,jdk8的话拿jre目录好了 2.mysql文件夹:是8.0.36版,270M精简版了 3.redis文件夹…

Apple - Authorization Services Programming Guide

本文翻译整理自:Authorization Services Programming Guide(更新日期:2011-10-19 https://developer.apple.com/library/archive/documentation/Security/Conceptual/authorization_concepts/01introduction/introduction.html#//apple_ref/d…

【JavaEE 进阶(五)】SpringBoot日志

❣博主主页: 33的博客❣ ▶️文章专栏分类:JavaEE◀️ 🚚我的代码仓库: 33的代码仓库🚚 🫵🫵🫵关注我带你了解更多进阶知识 目录 1.前言2.日志使用2.1打印日志2.2 门面模式(外观模式)2.3SLF4J框架2.4日志格式说明 3.Sl…

SQL注入-下篇

HTTP注入 一、Referer注入 概述 当你访问一个网站的时候,你的浏览器需要告诉服务器你是从哪个地方访问服务器的。如直接在浏览器器的URL栏输入网址访问网站是没有referer的,需要在一个打开的网站中,点击链接跳转到另一个页面。 Less-19 判…

Elasticsearch 认证模拟题 - 22

一、题目 索引 task 索引中文档的 fielda 字段内容包括了 hello & world,索引后,要求使用 match_phrase query 查询 hello & world 或者 hello and world 都能匹配该文档 1.1 考点 分词器 1.2 答案 # 创建符合条件的 task 索引,…

华为云与AWS负载均衡服务深度对比:性能、成本与可用性

随着云计算的迅速发展,企业对于云服务提供商的选择变得越来越关键。在选择云服务提供商时,负载均衡服务是企业关注的重点之一。我们九河云将深入比较两大知名云服务提供商华为云和AWS的负载均衡服务,从性能、成本和可用性等方面进行对比。 AW…

Blender:渲染输出

一、渲染设置 渲染设置界面: 渲染器选择切换 Cycles渲染器 【文档】 Cycles渲染目标: Cycles是Blender用于产品级渲染,基于物理的路径跟踪器。主要关注于影视质量,更高质量的外观它旨在提供易于使用以及准确的物理渲染结果具有艺术…

Ubuntu服务器搭建Git远程仓库

本文所述方法适用于小型团队在局域网环境中使用Git进行代码版本管理。 1. 安装Git 打开终端(Ctrl + Alt + T) ,输入以下命令: sudo apt update #更新软件包列表信息 sudo apt install git #安装Git 验证Git是否安装成功,可以查看Git版本: git --version 也需…

同三维T80002JEHV H.265高清解码器

同三维T80002JEHV H.265高清解码器 1路HDMI1路VGA解码输出,1/2/4画面分割或16路轮询显示 产品简介: 同三维T80002JEHV解码器使用Linux系统,支持VGA/HDMI二种接口同时输出,支持多流输入多流解码及多屏显示,具有完善的…

NET Core C# 中的Action委托:语法、用法和示例_2024-06-19

Action委托是一个内置的泛型委托类型。此委托使您的程序更具可读性和效率,因为您无需定义自定义委托,如以下示例所示。 它在 System 命名空间下定义。它没有输出参数,输入参数最少为 1 个,最多为 16 个。 Action委托通常用于具有…

【windows|004】BIOS 介绍及不同品牌电脑和服务器进入BIOS设置的方法

🍁博主简介: 🏅云计算领域优质创作者 🏅2022年CSDN新星计划python赛道第一名 🏅2022年CSDN原力计划优质作者 ​ 🏅阿里云ACE认证高级工程师 ​ 🏅阿里云开发者社区专家博主 💊交流社…

Android device/xxx/system/common/overlay编译产物

MTK 如下代码编译的产物在 framework-res.apk 编译配置文件在device/mediatek/system/common/目录下的Android.bp device/mediatek/system/common/overlay/telephony/frameworks/base/core/res/res/values-mcc655-mnc01/config.xml 在Android U上面还在overlay目录中进行了产…

前端框架中的路由(Routing)和前端导航(Front-End Navigation)

聚沙成塔每天进步一点点 本文回顾 ⭐ 专栏简介前端框架中的路由(Routing)和前端导航(Front-End Navigation)1. 路由(Routing)1.1 定义1.2 路由的核心概念1.2.1 路由表(Route Table)1…

13.3 Go 性能优化

💝💝💝欢迎莅临我的博客,很高兴能够在这里和您见面!希望您在这里可以感受到一份轻松愉快的氛围,不仅可以获得有趣的内容和知识,也可以畅所欲言、分享您的想法和见解。 推荐:「stormsha的主页」…

LENOVO联想 小新 16 IAH8 2023款(83BG)笔记本原厂Windows11系统,恢复出厂开箱状态预装OEM系统镜像安装包下载

适用型号:小新 16 IAH8【83BG】 链接:https://pan.baidu.com/s/18VbGbBXtQEW5P8wLIyJtAQ?pwddv1s 提取码:dv1s 联想原装Win11系统自带所有驱动、出厂主题壁纸、系统属性联机支持标志、系统属性专属LOGO标志、Office办公软件、联想电脑管家…