【机器学习】经典数据集鸢尾花的分类识别

【机器学习】经典数据集鸢尾花的分类识别

  • 1、数据集介绍
    • 1.1 数据集详情
  • 2、实验内容
    • 2.1 准备数据集
    • 2.2 创建颜色映射对象
    • 2.3 绘制特征散点图
    • 2.4 数据的归一化
    • 2.5 数据的标准化
  • 3、实验截图
    • 提取萼片长度与萼片宽度分类
    • 提取萼片长度与花瓣长度分类
    • 提取萼片长度与花瓣宽度分类
    • 提取萼片宽度与花瓣长度分类
    • 提取萼片宽度与花瓣宽度分类
    • 提取花瓣长度与花瓣宽度分类

1、数据集介绍

       鸢尾花（Iris）是单子叶百合目花卉，是一种比较常见的花，而且鸢尾花的品种较多。鸢尾花数据集（Iris dataset）是非常著名的机器学习数据集之一，常被用来进行分类和模式识别任务的训练和评估。
       鸢尾花数据集最初由Edgar Anderson 测量得到，而后在著名的统计学家和生物学家R.A Fisher于1936年发表的文章中被使用，用其作为线性判别分析（Linear Discriminant Analysis）的一个例子，证明分类的统计方法，从此而被众人所知，尤其是在机器学习这个领域。

1.1 数据集详情

       该数据集包含了三个品种的鸢尾花（Setosa、Versicolor、Virginica）每个品种各有50个样本，共计150个样本。对于每个样本，测量了4个特征（花萼长度、花萼宽度、花瓣长度、花瓣宽度），以及其所属的品种标签。
       数据集包括4个属性，分别为花萼的长、花萼的宽、花瓣的长和花瓣的宽。对花瓣我们可能比较熟悉，花萼是什么呢？花萼是花冠外面的绿色被叶，在花尚未开放时，保护着花蕾。四个属性的单位都是cm，属于数值变量，四个属性均不存在缺失值的情况，字段如下表所示：

字段名称含义
sepal length萼片长度
sepal width萼片宽度
petal length花瓣长度
petal width花瓣宽度
Species品种类别：分别是：Setosa、Versicolour、Virginica

2、实验内容

       目标要求：通过选取鸢尾花的四种特征中的任意两种特征，对鸢尾花数据集进行种类的分类识别，并对识别后的结果进行统一化与标准化。

2.1 准备数据集

       注：在实验前需要注意可视化的中文以及负号显示，使用以下代码：

plt.rcParams['font.sans-serif'] = ['SimHei']    # 显示中文  
plt.rcParams['axes.unicode_minus'] = False      # 显示负号

       首先使用 load_iris() 函数加载鸢尾花数据集，并将特征矩阵存储在 X 中，分类值存储在 y 中。
       数据集里面的特征依次为花萼长、宽和花瓣长、宽; 而类别标签为0，1，2分别表示山鸢尾(setosa)，变色鸢尾(versicolor)和维吉尼亚鸢尾(virginica)
       然后，通过索引操作从 X 中提取了前5条数据，即 X[0:5]，以及第二个品种对应的前5条数据： X[50:55]。使用 np.concatenate 函数将这两组数据合并为一个新的特征矩阵 X1。接下来，同样的操作也应用于目标值 y，提取了相应的标签并存储在 y1 中。

2.2 创建颜色映射对象

       使用了 matplotlib.colors.ListedColormap 函数创建了一个颜色映射对象 cm_dark。这个函数接受一个包含颜色名称或颜色代码的列表作为参数。在这里，我传入了一个包含红色、绿色和蓝色的列表 [‘r’, ‘g’, ‘b’]。
       可以将 cm_dark 应用于绘图中的相关元素，以改变它们的颜色显示效果。例如，可以在绘制散点图时使用 cmap=cm_dark 参数将数据点的颜色设置为红、绿、蓝三种颜色之一。

2.3 绘制特征散点图

       使用 plt.scatter 函数绘制了两个特征（萼片长度和萼片宽度）的散点图，并根据目标值 y1 的类别将数据点着色。
       plt.scatter 函数的第一个参数是要绘制的数据点的 x 坐标，即萼片长度（X1[:, 0]）；第二个参数是 y 坐标，即萼片宽度（X1[:, 1]）。
       通过设置 c=np.squeeze(y1)，您将目标值 y1 的类别用作颜色映射的输入。它会根据类别的不同，将数据点着上不同的颜色。edgecolor=‘k’ 设置边缘颜色为黑色。s=50 设置散点的大小为 50。最后，使用 plt.show() 显示绘制的散点图。
在绘制散点图中使用：

plt.grid(color='black', linestyle='--')//添加网格线，颜色为黑色，线型为虚线。
plt.xlabel('sepal length（萼片长度）')  
plt.ylabel('sepal width（萼片宽度）')//分别设置 x 轴和 y 轴的标签。
plt.title("通过提取萼片长度与宽度的分类")//设置图表的标题。
handles, labels = scatter.legend_elements()//获取散点图中的每个类别对应的标记和标签
//定义图例中的标签内容
legend_labels = ['山鸢尾花（Iris-setosa）','变色鸢尾花（Iris-versicolor）']
//创建图例，并将标记和标签添加进去。
plt.legend(handles, legend_labels, loc='best')

下图为一个可视化的示例：

import numpy as np
from matplotlib import pyplot as plt
import matplotlib as mpl
from sklearn.svm import SVCfrom sklearn.datasets import load_irisplt.rcParams['font.sans-serif'] = ['SimHei']	# 显示中文
plt.rcParams['axes.unicode_minus'] = False		# 显示负号data = load_iris()
X = data['data']
y = data['target']# 按照要求提取每50条数据的前5条
X1 = np.concatenate([X[0:5], X[50:55]])
print(X1)y1 = np.concatenate([y[0:5], y[50:55]])
print(y1)cm_dark = mpl.colors.ListedColormap(['r', 'g', 'b'])#通过提取列表的第一个特征与第二个特征，即萼片长度与萼片宽度
scatter=plt.scatter(X1[:,0],X1[:,1], c=np.squeeze(y1), edgecolor='k', s=50)plt.grid(color='black', linestyle='--')
plt.xlabel('sepal length（萼片长度）')
plt.ylabel('sepal width（萼片宽度）')
plt.title("通过提取萼片长度与宽度的分类")
# 创建图例
handles, labels = scatter.legend_elements()
legend_labels = ['山鸢尾花（Iris-setosa）', '变色鸢尾花（Iris-versicolor）']
plt.legend(handles, legend_labels, loc='best')
plt.show()

在这里插入图片描述

2.4 数据的归一化

       归一化（Normalization） 是将数值型数据缩放到一个固定的范围，通常是[0, 1]。归一化可以通过以下公式实现：
                                                                X_norm = (X - X_min) / (X_max - X_min)
       其中，X表示原始数据，X_norm表示归一化后的数据，X_min和X_max分别表示原始数据的最小值和最大值。
       归一化使得不同特征的数据具有相同的尺度范围，避免了某些特征对模型训练产生过大的影响。常见的归一化方法有最大最小值归一化和Z-score归一化。

2.5 数据的标准化

       标准化（Standardization） 是将数值型数据转换为均值为0、标准差为1的分布。标准化可以通过以下公式实现：
                                                                X_std = (X - X_mean) / X_stddev
       其中，X表示原始数据，X_std表示标准化后的数据，X_mean和X_stddev分别表示原始数据的均值和标准差。
       标准化使得数据分布更符合标准正态分布，对异常值和离群点的影响较小。通常情况下，标准化是数据预处理的常用选择。

3、实验截图

       本节放置实验截图，共六张，为四种特征任选两种特征进行数据的可视化以及统一和标准化。

提取萼片长度与萼片宽度分类

import numpy as np
from matplotlib import pyplot as plt
import matplotlib.gridspec as gridspec
import matplotlib as mpl
from sklearn.datasets import load_irisplt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = Falsedata = load_iris()
X = data['data']
y = data['target']# 按照要求提取每50条数据的前5条
X1 = np.concatenate([X[0:5], X[50:55]])
y1 = np.concatenate([y[0:5], y[50:55]])
X1 = (X1-np.min(X1))/(np.max(X1)-np.min(X1))cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])fig = plt.figure(figsize=(10, 4))
gs = gridspec.GridSpec(1, 2, width_ratios=[1, 1])# 第一个子图
ax1 = plt.subplot(gs[0])
scatter = ax1.scatter(X1[:,0], X1[:,1], c=np.squeeze(y1), edgecolor='k', s=50)
ax1.grid(color='black', linestyle='--')
ax1.set_xlabel('sepal length（萼片长度）')
ax1.set_ylabel('sepal width（萼片宽度）')
ax1.set_title("通过提取萼片长度与宽度的分类【归一化】")
handles, labels = scatter.legend_elements()
legend_labels = ['山鸢尾花（Iris-setosa）', '变色鸢尾花（Iris-versicolor）']
ax1.legend(handles, legend_labels, loc='best')X = data['data']
y = data['target']# 按照要求提取每50条数据的前5条
X1 = np.concatenate([X[0:5], X[50:55]])
y1 = np.concatenate([y[0:5], y[50:55]])
X1 -= np.mean(X1, axis=0)
X1 /= np.std(X1, axis=0, ddof=1)cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])# 第二个子图
ax2 = plt.subplot(gs[1])
scatter = ax2.scatter(X1[:,0],X1[:,1], c=np.squeeze(y1), edgecolor='k', s=50)
ax2.grid(color='black', linestyle='--')
ax2.set_xlabel('sepal length（萼片长度）')
ax2.set_ylabel('sepal width（萼片宽度）')
ax2.set_title("通过提取萼片长度与宽度的分类【标准化】")
handles, labels = scatter.legend_elements()
legend_labels = ['山鸢尾花（Iris-setosa）', '变色鸢尾花（Iris-versicolor）']
ax2.legend(handles, legend_labels, loc='best')plt.tight_layout()
plt.show()

提取萼片长度与萼片宽度分类

提取萼片长度与花瓣长度分类

import numpy as np
from matplotlib import pyplot as plt
import matplotlib.gridspec as gridspec
import matplotlib as mpl
from sklearn.datasets import load_irisplt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = Falsedata = load_iris()
X = data['data']
y = data['target']# 按照要求提取每50条数据的前5条
X1 = np.concatenate([X[0:5], X[50:55]])
y1 = np.concatenate([y[0:5], y[50:55]])
X1 = (X1-np.min(X1))/(np.max(X1)-np.min(X1))cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])fig = plt.figure(figsize=(10, 4))
gs = gridspec.GridSpec(1, 2, width_ratios=[1, 1])
#sepal length（萼片长度）
#sepal width（萼片宽度）
#petal length（花瓣长度）
#petal width （花瓣宽度）
# 第一个子图
ax1 = plt.subplot(gs[0])
scatter = ax1.scatter(X1[:,0], X1[:,2], c=np.squeeze(y1), edgecolor='k', s=50)
ax1.grid(color='black', linestyle='--')
ax1.set_xlabel('sepal length（萼片长度）')
ax1.set_ylabel('petal length（花瓣长度）')
ax1.set_title("通过提取萼片长度与花瓣长度的分类【归一化】")
handles, labels = scatter.legend_elements()
legend_labels = ['山鸢尾花（Iris-setosa）', '变色鸢尾花（Iris-versicolor）']
ax1.legend(handles, legend_labels, loc='best')X = data['data']
y = data['target']# 按照要求提取每50条数据的前5条
X1 = np.concatenate([X[0:5], X[50:55]])
y1 = np.concatenate([y[0:5], y[50:55]])
X1 -= np.mean(X1, axis=0)
X1 /= np.std(X1, axis=0, ddof=1)cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])# 第二个子图
ax2 = plt.subplot(gs[1])
scatter = ax2.scatter(X1[:,0],X1[:,2], c=np.squeeze(y1), edgecolor='k', s=50)
ax2.grid(color='black', linestyle='--')
ax2.set_xlabel('sepal length（萼片长度）')
ax2.set_ylabel('petal length（花瓣长度）')
ax2.set_title("通过提取萼片长度与花瓣长度的分类【标准化】")
handles, labels = scatter.legend_elements()
legend_labels = ['山鸢尾花（Iris-setosa）', '变色鸢尾花（Iris-versicolor）']
ax2.legend(handles, legend_labels, loc='best')plt.tight_layout()
plt.show()

在这里插入图片描述

提取萼片长度与花瓣宽度分类

import numpy as np
from matplotlib import pyplot as plt
import matplotlib.gridspec as gridspec
import matplotlib as mpl
from sklearn.datasets import load_irisplt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = Falsedata = load_iris()
X = data['data']
y = data['target']# 按照要求提取每50条数据的前5条
X1 = np.concatenate([X[0:5], X[50:55]])
y1 = np.concatenate([y[0:5], y[50:55]])
X1 = (X1-np.min(X1))/(np.max(X1)-np.min(X1))cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])fig = plt.figure(figsize=(10, 4))
gs = gridspec.GridSpec(1, 2, width_ratios=[1, 1])
#sepal length（萼片长度）
#sepal width（萼片宽度）
#petal length（花瓣长度）
#petal width （花瓣宽度）
# 第一个子图
ax1 = plt.subplot(gs[0])
scatter = ax1.scatter(X1[:,0], X1[:,3], c=np.squeeze(y1), edgecolor='k', s=50)
ax1.grid(color='black', linestyle='--')
ax1.set_xlabel('sepal length（萼片长度）')
ax1.set_ylabel('petal width （花瓣宽度）')
ax1.set_title("通过提取萼片长度与花瓣宽度的分类【归一化】")
handles, labels = scatter.legend_elements()
legend_labels = ['山鸢尾花（Iris-setosa）', '变色鸢尾花（Iris-versicolor）']
ax1.legend(handles, legend_labels, loc='best')X = data['data']
y = data['target']# 按照要求提取每50条数据的前5条
X1 = np.concatenate([X[0:5], X[50:55]])
y1 = np.concatenate([y[0:5], y[50:55]])
X1 -= np.mean(X1, axis=0)
X1 /= np.std(X1, axis=0, ddof=1)cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])# 第二个子图
ax2 = plt.subplot(gs[1])
scatter = ax2.scatter(X1[:,0],X1[:,3], c=np.squeeze(y1), edgecolor='k', s=50)
ax2.grid(color='black', linestyle='--')
ax2.set_xlabel('sepal length（萼片长度）')
ax2.set_ylabel('petal width （花瓣宽度）')
ax2.set_title("通过提取萼片长度与花瓣宽度的分类【标准化】")
handles, labels = scatter.legend_elements()
legend_labels = ['山鸢尾花（Iris-setosa）', '变色鸢尾花（Iris-versicolor）']
ax2.legend(handles, legend_labels, loc='best')plt.tight_layout()
plt.show()

在这里插入图片描述

提取萼片宽度与花瓣长度分类

import numpy as np
from matplotlib import pyplot as plt
import matplotlib.gridspec as gridspec
import matplotlib as mpl
from sklearn.datasets import load_irisplt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = Falsedata = load_iris()
X = data['data']
y = data['target']# 按照要求提取每50条数据的前5条
X1 = np.concatenate([X[0:5], X[50:55]])
y1 = np.concatenate([y[0:5], y[50:55]])
X1 = (X1-np.min(X1))/(np.max(X1)-np.min(X1))cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])fig = plt.figure(figsize=(10, 4))
gs = gridspec.GridSpec(1, 2, width_ratios=[1, 1])
#sepal length（萼片长度）
#sepal width（萼片宽度）
#petal length（花瓣长度）
#petal width （花瓣宽度）
# 第一个子图
ax1 = plt.subplot(gs[0])
scatter = ax1.scatter(X1[:,1], X1[:,2], c=np.squeeze(y1), edgecolor='k', s=50)
ax1.grid(color='black', linestyle='--')
ax1.set_xlabel('sepal width（萼片宽度）')
ax1.set_ylabel('petal length（花瓣长度）')
ax1.set_title("通过提取萼片宽度与花瓣长度的分类【归一化】")
handles, labels = scatter.legend_elements()
legend_labels = ['山鸢尾花（Iris-setosa）', '变色鸢尾花（Iris-versicolor）']
ax1.legend(handles, legend_labels, loc='best')X = data['data']
y = data['target']# 按照要求提取每50条数据的前5条
X1 = np.concatenate([X[0:5], X[50:55]])
y1 = np.concatenate([y[0:5], y[50:55]])
X1 -= np.mean(X1, axis=0)
X1 /= np.std(X1, axis=0, ddof=1)cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])# 第二个子图
ax2 = plt.subplot(gs[1])
scatter = ax2.scatter(X1[:,1],X1[:,2], c=np.squeeze(y1), edgecolor='k', s=50)
ax2.grid(color='black', linestyle='--')
ax2.set_xlabel('sepal width（萼片宽度）')
ax2.set_ylabel('petal length（花瓣长度）')
ax2.set_title("通过提取萼片宽度与花瓣长度的分类【标准化】")
handles, labels = scatter.legend_elements()
legend_labels = ['山鸢尾花（Iris-setosa）', '变色鸢尾花（Iris-versicolor）']
ax2.legend(handles, legend_labels, loc='best')plt.tight_layout()
plt.show()

在这里插入图片描述

提取萼片宽度与花瓣宽度分类

import numpy as np
from matplotlib import pyplot as plt
import matplotlib.gridspec as gridspec
import matplotlib as mpl
from sklearn.datasets import load_irisplt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = Falsedata = load_iris()
X = data['data']
y = data['target']# 按照要求提取每50条数据的前5条
X1 = np.concatenate([X[0:5], X[50:55]])
y1 = np.concatenate([y[0:5], y[50:55]])
X1 = (X1-np.min(X1))/(np.max(X1)-np.min(X1))cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])fig = plt.figure(figsize=(10, 4))
gs = gridspec.GridSpec(1, 2, width_ratios=[1, 1])
#sepal length（萼片长度）
#sepal width（萼片宽度）
#petal length（花瓣长度）
#petal width （花瓣宽度）
# 第一个子图
ax1 = plt.subplot(gs[0])
scatter = ax1.scatter(X1[:,1], X1[:,3], c=np.squeeze(y1), edgecolor='k', s=50)
ax1.grid(color='black', linestyle='--')
ax1.set_xlabel('sepal width（萼片宽度）')
ax1.set_ylabel('petal width（花瓣宽度）')
ax1.set_title("通过提取萼片宽度与花瓣宽度的分类【归一化】")
handles, labels = scatter.legend_elements()
legend_labels = ['山鸢尾花（Iris-setosa）', '变色鸢尾花（Iris-versicolor）']
ax1.legend(handles, legend_labels, loc='best')X = data['data']
y = data['target']# 按照要求提取每50条数据的前5条
X1 = np.concatenate([X[0:5], X[50:55]])
y1 = np.concatenate([y[0:5], y[50:55]])
X1 -= np.mean(X1, axis=0)
X1 /= np.std(X1, axis=0, ddof=1)cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])# 第二个子图
ax2 = plt.subplot(gs[1])
scatter = ax2.scatter(X1[:,1],X1[:,3], c=np.squeeze(y1), edgecolor='k', s=50)
ax2.grid(color='black', linestyle='--')
ax2.set_xlabel('sepal width（萼片宽度）')
ax2.set_ylabel('petal width（花瓣宽度）')
ax2.set_title("通过提取萼片宽度与花瓣宽度的分类【标准化】")
handles, labels = scatter.legend_elements()
legend_labels = ['山鸢尾花（Iris-setosa）', '变色鸢尾花（Iris-versicolor）']
ax2.legend(handles, legend_labels, loc='best')plt.tight_layout()
plt.show()

在这里插入图片描述

提取花瓣长度与花瓣宽度分类

import numpy as np
from matplotlib import pyplot as plt
import matplotlib.gridspec as gridspec
import matplotlib as mpl
from sklearn.datasets import load_irisplt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = Falsedata = load_iris()
X = data['data']
y = data['target']# 按照要求提取每50条数据的前5条
X1 = np.concatenate([X[0:5], X[50:55]])
y1 = np.concatenate([y[0:5], y[50:55]])
X1 = (X1-np.min(X1))/(np.max(X1)-np.min(X1))cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])fig = plt.figure(figsize=(10, 4))
gs = gridspec.GridSpec(1, 2, width_ratios=[1, 1])
#sepal length（萼片长度）
#sepal width（萼片宽度）
#petal length（花瓣长度）
#petal width （花瓣宽度）
# 第一个子图
ax1 = plt.subplot(gs[0])
scatter = ax1.scatter(X1[:,2], X1[:,3], c=np.squeeze(y1), edgecolor='k', s=50)
ax1.grid(color='black', linestyle='--')
ax1.set_xlabel('petal length（花瓣长度）')
ax1.set_ylabel('petal width （花瓣宽度）')
ax1.set_title("通过提取花瓣长度与花瓣宽度的分类【归一化】")
handles, labels = scatter.legend_elements()
legend_labels = ['山鸢尾花（Iris-setosa）', '变色鸢尾花（Iris-versicolor）']
ax1.legend(handles, legend_labels, loc='best')X = data['data']
y = data['target']# 按照要求提取每50条数据的前5条
X1 = np.concatenate([X[0:5], X[50:55]])
y1 = np.concatenate([y[0:5], y[50:55]])
X1 -= np.mean(X1, axis=0)
X1 /= np.std(X1, axis=0, ddof=1)cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])# 第二个子图
ax2 = plt.subplot(gs[1])
scatter = ax2.scatter(X1[:,2],X1[:,3], c=np.squeeze(y1), edgecolor='k', s=50)
ax2.grid(color='black', linestyle='--')
ax2.set_xlabel('petal length（花瓣长度）')
ax2.set_ylabel('petal width （花瓣宽度）')
ax2.set_title("通过提取花瓣长度与花瓣宽度的分类【标准化】")
handles, labels = scatter.legend_elements()
legend_labels = ['山鸢尾花（Iris-setosa）', '变色鸢尾花（Iris-versicolor）']
ax2.legend(handles, legend_labels, loc='best')plt.tight_layout()
plt.show()

在这里插入图片描述

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/427309.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

【海贼王航海日志：前端技术探索】一篇文章带你走进JavaScript(一)

【海贼王航海日志：前端技术探索】一篇文章带你走进JavaScript(一)

目录 1 -> 初识JavaScript 1.1 -> JavaScript是什么 1.2 -> 发展历史 1.3 -> JavaScript和HTML和CSS之间的关系 1.4 -> JavaScript运行过程 1.5 -> JavaScript的组成 2 -> 前置知识 2.1 -> JavaScript的书写形式 2.2 -> 注释 2.3 -> 输…
阅读更多...
使用OpenCV进行模糊检测（拉普拉斯算子）

使用OpenCV进行模糊检测（拉普拉斯算子）

参考： 使用OpenCV进行模糊检测（拉普拉斯算子） 代码： # import the necessary packages from imutils import paths import argparse import cv2 import osdef variance_of_laplacian(image):# compute the Laplacian of the ima…
阅读更多...
ISSTA 2024盛大开幕：中国学者的录取数和投稿量均位列第一

ISSTA 2024盛大开幕：中国学者的录取数和投稿量均位列第一

随着夏日的尾声，全球软件测试领域的专家和学者齐聚在奥地利维也纳。共同参与这场科技盛宴——ISSTA 2024。这场国际会议正如火如荼地进行中，吸引了来自世界各地的专业人士参与。 会议实况： 9月16日与17日，大会安排了丰富的社交活…
阅读更多...
把设计模式用起来！（3）用不好模式？之时机不对

把设计模式用起来！（3）用不好模式？之时机不对

上一篇：《把设计模式用起来（2）——用不好？之实践不足》 本篇继续讲设计模式用不好的常见原因，这是第二个：使用设计模式的时机不对。 二、时机不对 这里说的时机并不是单纯指软件研发周期中的时间阶段&…
阅读更多...
使用rust自制操作系统内核

使用rust自制操作系统内核

一、系统简介 本操作系统是一个使用rust语言实现，基于32位的x86CPU的分时操作系统。 项目地址（求star）：GitHub - CaoGaorong/os-in-rust: 使用rust实现一个操作系统内核 详细文档：自制操作系统 语雀 1. 项目特性 …
阅读更多...
数据库加密算法

数据库加密算法

功能简介 对数据库字段进行加密，如下图： 一、yml配置 注意： MD5_32 MD5_16 BASE64 AES SM2 SM3 SM4 需要 password（14位 ，26位， 32 位） 就行 非对称算法如：SM2，RSA， 需要配置 密码：password 公钥：publicKey 私钥：privateKey yml： # 数据加密 mybatis-encry…
阅读更多...
【新手/小白教程】打开一个vue项目的前置准备，nvm安装指定版本node

【新手/小白教程】打开一个vue项目的前置准备，nvm安装指定版本node

目录 一、前言二、nvmnvm介绍nvm下载与安装1. 官网下载 nvm 包2. 安装 nvm-setup.exe3. 配置路径和下载镜像4. 检查nvm是否安装完成5. 错误情况 三、nodenode版本查看node命令 一、前言 在换新电脑的时候总是需要把所有东西重新安装配置，这篇用来记录一下打开一个v…
阅读更多...
vmware中的ubuntu系统扩容分区

vmware中的ubuntu系统扩容分区

1.虚拟机关机 右击虚拟机/设置，进入虚拟机设置 3.启动虚拟机，进入命令行 4.fdisk -l查看要扩展的分区名 5.resize要扩容的分区 su root parted /dev/sda resizepart 3 100% fdisk -l resize2fs /dev/sda3 df -T完成 6.其他 进入磁盘管理 fdisk /d…
阅读更多...
【深度智能】：迈向高级时代的人工智能全景指南

【深度智能】：迈向高级时代的人工智能全景指南

​ ​ 前几天偶然发现了一个超棒的人工智能学习网站，内容通俗易懂，讲解风趣幽默，简直让人欲罢不能。忍不住分享给大家，人工智能立刻跳转，开启你的AI学习之旅吧！ 第一阶段：基础知识 1. 计算机科…
阅读更多...
Kotlin 中的 `flatMap` 方法详解

Kotlin 中的 `flatMap` 方法详解

在 Kotlin 中，flatMap 是一个非常强大的集合操作函数，它结合了 map 和 flatten 的功能。flatMap 能够将一个集合中的每个元素映射为另一个集合，然后将这些集合连接成一个单一的集合。在很多场景下，它比单独使用 map 和 flatten 更…
阅读更多...
时空大数据平台：激活新质生产力的智慧引擎

时空大数据平台：激活新质生产力的智慧引擎

在数字化转型的浪潮中，时空大数据平台以其独特的价值，成为推动新质生产力发展的关键力量。本文不仅深入剖析时空大数据平台的定义与内涵，探讨其在智慧城市、智慧农业、环境管理、应急管理等领域的应用成效，还将详尽阐述平台如何通…
阅读更多...
iPhone 16系列：摄影艺术的全新演绎，探索影像新境界

iPhone 16系列：摄影艺术的全新演绎，探索影像新境界

在科技的浪潮中，智能手机摄影功能的进化从未停歇。 苹果公司即将推出的iPhone 16系列，以其卓越的相机升级和创新特性，再次站在了手机摄影的前沿。 从硬件到软件，从拍照体验到图像处理，iPhone 16系列都展现了其在移动…
阅读更多...
Windows下安装部署RocketMQ

Windows下安装部署RocketMQ

Windows下安装部署RocketMQ 引言下载安装rocketmq配置环境变量启动NameServer启动Brokerrocketmq控制台[rocketmq-dashboard](https://github.com/apache/rocketmq-dashboard)安装及配置修改rocketmq记录日志地址设置namesrv、broker堆栈内存RocketMQ注册为Windows服务start.ba…
阅读更多...
pod基本概念

pod基本概念

一 、Pod Pod 是 kubernetes 基本调度单位。每个 Pod 中可以运 行一个或多个容器，共享 Pod 的文件系统、IP 和网络等 资源，每个 Pod 只有一个 IP。 1. 创建 Pod 声明式文件方式创建 Pod，支持 yaml 和 json 创建 pod 测试访问 2. 更改 Pod 的…
阅读更多...
解决phpstudy无法启动MySQL服务

解决phpstudy无法启动MySQL服务

三种方法 如果说你在小皮里面，启动mysql，发现启动不了，而且你在你自己电脑本地有装过mysql服务，那么可以按照我下面的不走来，按顺序试验1，2，3,三个里面肯定有一个是可以解决的 1.停止本地的mysq…
阅读更多...
EasyExcel 快速入门

EasyExcel 快速入门

目录 一、 EasyExcel简介 官网链接： 代码链接： 二、 EasyExcel快速上手 引入依赖： 设置Excel相关注解 编写对应的监听类： 简单写入数据： 简单读取数据： 不需要使用监听器： 需要使…
阅读更多...
视频工具EasyDarwin将本地视频生成RTSP给WVP拉流列表

视频工具EasyDarwin将本地视频生成RTSP给WVP拉流列表

效果 ffmpeg生成rtsp流 EasyDarwin的rtsp端口默认的是10054, 使用ffmpeg将本地视频转到EasyDarwin的rtsp。 F:\rtsp\ffmpeg-7.0.2-essentials_build\bin>ffmpeg -re -i F:\rtsp\123.mp4 -rtsp_transport tcp -vcodec h264 -f rtsp rtsp://127.0.0.1:10054/video11 它的直播…
阅读更多...
Yocto - 使用Yocto开发嵌入式Linux系统_01 前言

Yocto - 使用Yocto开发嵌入式Linux系统_01 前言

Embedded Linux Development Using Yocto Project: Leverage the power of the Yocto Project to build efficient Linux-based products, Third Edition By: Otavio Salvador, Daiane Angolini Overview of this book Yocto 项目是开发可靠的嵌入式 Linux 项目的行业标准。与…
阅读更多...
【网络安全】-文件包含漏洞-pikachu

【网络安全】-文件包含漏洞-pikachu

文件操作漏洞包括文件上传漏洞，文件包含漏洞，文件下载漏洞。 文章目录 前言 : 什么是文件包含漏洞？ 1.文件包含漏洞的分类： 本地文件包含漏洞： 远程文件包含漏洞： 2.两种文件包含漏洞的区别： 3.…
阅读更多...
【资料分析】刷题日记2

【资料分析】刷题日记2

第一套 √ 2013-2016一共有13，14，15，16四年，亦即16 - 13 1 4年 √ 是多少倍 ③vs④：都是只给出了年均增速，③求的是其中一年的，无法确定；④求的是这个时段总共的，可…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023