- 综合排序
- 最热优先
- 最新优先
- 来自专栏技术杂记
RabbitMQ 的CLI管理工具 rabbitmqadmin（9）
rabbitmqadmin 用法 [root@h102 rabbitmq]# rabbitmqadmin --help Usage ===== rabbitmqadmin [options] subcommand Options ======= --help, -h show this help message and exit --config=CONFIG, -c CONFIG configuration file [de
62610发布于 2021-11-25 - 来自专栏AILearning
【机器学习实战】第9章 树回归
第9章 树回归 <script type="text/javascript" src="http://cdn.mathjax.org/mathjax/latest/MathJax.js? ops) return retTree 完整代码地址: https://github.com/apachecn/MachineLearning/blob/master/src/python/<em>9</em>. 我们看一下图 <em>9</em>-4 中的数据，如果使用两条直线拟合是否比使用一组常数来建模好呢？答案显而易见。可以设计两条分别从 0.00.3、从 0.31.0 的直线，于是就可以得到两个线性模型。 Y) return ws, X, Y 完整代码地址: https://github.com/apachecn/MachineLearning/blob/master/src/python/<em>9</em>. 其中一个能同时支持数据呈现和用户交互的方式就是构建一个图形用户界面(GUI，Graphical User Interface)，如图<em>9</em>-7所示。
1.7K51发布于 2018-01-05 - 来自专栏机器学习与统计学
R in action读书笔记（9）-第八章：回归 -回归诊断
8.3回归诊断 > fit<-lm(weight~height,data=women) > par(mfrow=c(2,2)) > plot(fit) ? 为理解这些图形，我们来回顾一下oLs回归的统计假设。 口正态性当预测变量值固定时，因变量成正态分布，则残差值也应该是一个均值为0的正态分布。 在“残差图与拟合图”( Residuals vs Fitted，左上)中可以清楚的看到一个曲线关系，这暗示着你可能需要对回归模型加上一个二次项。 )对非恒定的误差方差做得分检验 spreadLevelPlot()分散水平检验 outlierTest()Bonferroni离群点检验 avPlots()添加的变量图形 inluencePlot()回归影响图
88210发布于 2019-04-10 - 来自专栏AI机器学习与深度学习算法
机器学习入门 9-4 实现逻辑回归算法
本小节主要依据sklearn的设计理念封装我们自己的逻辑回归算法，最后在jupyter中调用并实现。 a 实 现 逻 辑 回 归 算 法 在之前的小节中详细推导了逻辑回归算法的损失函数。 由于逻辑回归算法没有解析解，只能通过梯度下降算法更新迭代求解，因此我们又详细推导了损失函数相应的梯度向量以及向量化的梯度表达式。 通过之前的学习我们知道逻辑回归算法和线性回归算法有很多相似之处，我们完全可以在原来实现的LinearRegression基础上修改成LogisticRegression。 接下来就具体的实现我们自己的逻辑回归算法： 导入相应的模块 由于逻辑回归算法解决的是分类问题，所以通过accuracy_score准确率来评估模型的好坏。 相对于线性回归来说，添加了私有的Sigmoid函数，更改了计算损失函数的J函数以及计算梯度值的dJ函数。
93420发布于 2020-02-26 - 来自专栏AI机器学习与深度学习算法
机器学习入门 9-1 什么是逻辑回归
在这个统计中逻辑回归算法在各个领域使用非常普遍（除了军事和安全领域），比第二名的决策树算法高出了20个百分点。可见逻辑回归算法本身虽然并不难，但是却非常的有用，以后要对逻辑回归算法多多的关注。 那什么是逻辑回归算法呢？ ? ▲逻辑回归解决分类问题 逻辑回归听名字好像是一个回归算法，但是实际上逻辑回归算法解决的是分类问题。刚接触的时候肯定会很奇怪，回归算法是怎样解决分类问题的？ 因此逻辑回归既可以看作是一个回归算法，也可以看作是一个分类算法。如果我们不进行最后根据p值进行分类操作的话，那么逻辑回归是一个只能输出[0, 1]范围概率值的回归算法。 接下来具体的看一下逻辑回归。 ? ▲逻辑回归表达式 将Sigmoid函数中的t换成线性回归表达式θT与xb点乘，用运算的结果作为事件发生的概率。 对于拟合训练数据集逻辑回归远远没有线性回归那么直观，因为线性回归可以非常容易的用预测结果减去真实的y值的平方和，也就是所谓的MSE，用这样的标准来判断拟合的好坏。
91610发布于 2020-02-17 - 来自专栏AI机器学习与深度学习算法
机器学习入门 5-9 使用sklearn解决回归问题
本小节主要介绍使用sklearn实现多元线性回归和kNN回归。 使用sklearn实现多元线性回归 ? ? ? 使用kNN算法解决回归问题 前面提到使用kNN算法可以解决回归问题，下面使用sklearn中封装好的KNeighborsRegressor类来解决回归问题。 ? ? ? ?
93720发布于 2019-11-13 - 来自专栏AI机器学习与深度学习算法
机器学习入门 11-9 SVM思想解决回归问题
--王尔德 全文字数：1495字 阅读时间：9分钟 前言 本系列是《玩转机器学习教程》一个整理的视频笔记。 a SVM的思想解决回归问题 回归问题的本质其实就是找到一根直线（或曲线）能够最大程度的拟合样本数据点，不同定义拟合的方式对应着不同的回归算法。 比如前面介绍的线性回归算法定义拟合的方式就是让样本点到预测的这根直线的MSE的值最小。 SVM的思想解决回归问题对拟合的定义是指定一个margin值（在使用SVM的思想解决分类问题的时候，对应决策边界的上下也有一个margin），与SVM的思想解决分类问题的margin不同，使用SVM的思想解决回归问题期望在这个给定的 相应的使用SVR之前也需要对数据进行标准化，所以使用Pipeline管道将标准化和回归这两个步骤连在一起。
1.4K31发布于 2020-10-26 - 来自专栏AI机器学习与深度学习算法
机器学习入门 9-2 逻辑回归的损失函数
在上一小节介绍了逻辑回归的大致框架，有了大致框架就需要建模来求解参数θ值。本小节重点介绍逻辑回归的损失函数。 回忆一下在线性回归中将θ乘上xb之后的结果直接作为估计值，通过xb在线性回归模型上的估计值与样本xb的真实值之差的平均值作为度量模型好坏的指标，也就是MSE损失函数。 其实对于逻辑回归来说整体的建模方向和线性回归是一致的，只不过此时不能像线性回归模型那样直接将输出结果作为估计值，所以定义逻辑回归的损失函数相对于线性回归来说比较困难。 线性回归和逻辑回归最大的区别在于处理的任务不同，线性回归模型处理的是回归任务，而逻辑回归模型处理的是分类任务，所以对于逻辑回归来说样本xb对应的真实值y不再属于实数域，而是"类别1"和"类别0"的类别标签 ▲逻辑回归 由于只有两个类别，相应的损失函数也分成两个类别。
1.5K10发布于 2020-02-26 - 来自专栏向前进
vue-cli脚手架npm相关文件解读（9）configindex.js
utils.js 5、build/vue-loader.conf.js 6、build/build.js 7、build/dev-server.js 8、build/check-versions.js 9、
1.3K60发布于 2018-04-16 - 来自专栏AI机器学习与深度学习算法
机器学习入门 9-3 逻辑回归损失函数的梯度
本小节主要推导逻辑回归损失函数的梯度，通过与线性回归模型的梯度进行比较找出逻辑回归损失函数梯度的向量化表示。 ▲逻辑回归与线性回归梯度比较 对于线性回归来说预测值是(Xb(i) * θ)，而对于逻辑回归来说是Sigmoid(Xb(i) * θ)。 当然对于线性回归来说，由于我们使用的损失函数是MSE，MSE中有一个平方项，所以计算线性回归梯度的结果多了一个2倍，而逻辑回归则没有这个2倍。 ▲线性回归梯度的向量化表示 对于逻辑回归来说，由于梯度向量部分的元素整体和上面线性回归的梯度是一样的，只不过是对y_hat的求法不同而已。 类似的同样可以对逻辑回归的梯度进行向量化，我们只需要将在线性回归中梯度向量式子中的(Xb(i) * θ)外面套上一个Sigmoid函数就可以了，当然前面的系数是1 / m，没有线性回归中的2倍。
2.5K21发布于 2020-02-26 直屏回归！荣耀Magic9告别曲面屏痛点！
作为常年关注数码圈的博主，我最大的感受是：荣耀这步棋，看似“反潮流”，实则是跳出行业内卷、回归用户本质的清醒选择。 二、直屏回归的背后，是行业内卷的“降温”与反思 荣耀Magic9的直屏选择，不是个例，而是整个行业的缩影——华为Mate80、小米15、OPPO Find X8等旗舰早已陆续回归直屏，2026年直屏旗舰占比预计突破 最后谈谈我的看法，我觉得这次荣耀Magic9的爆料，最有价值的不是全系直屏本身，而是它传递的行业信号：手机设计终于从“厂商炫技”回归“用户实用”。 曲面屏的落幕，不是技术的失败，而是营销神话的终结；直屏的回归，也不是倒退，而是技术成熟与用户需求的双向奔赴。 至于Magic9最终表现如何，不妨让我们等到10月，一起拭目以待。对此，你怎么看呢，欢迎评论区留言哦~
53010编辑于 2026-05-08AI 应用架构底层重构：从 GUI 备胎到 Agent 核心原语，CLI 的强势回归
从 GUI 的“备胎”到 AI Agent 的“主接口”：CLI 为何在大模型时代强势回归？摘要：命令行界面（CLI）曾被认为是“老程序员”的玩具、GUI 时代被淘汰的交互化石。 年开源了 CLI-Anything，让任意软件都能一键变成 AI Agent 可操控的 CLI 工具。 本文从 CLI 的六十年历史出发，解析它的兴衰曲线，再深入 AI Agent 时代 CLI 不可替代的底层原因，最后用真实案例和 CLI-Anything 实战说明：为什么今天每个开发者都应该重新重视命令行 2.3 复兴：2009-2020，DevOps 与云原生把 CLI 拉回 C 位年份工具意义2009WP-CLI / Heroku CLI自动化部署与网站运维的 CLI 先驱2013Docker CLI 2024-2025 年是 CLI 工具集中爆发期，2026 年 CLI-Anything 进一步把“CLI 化”能力泛化到任意软件。
1K21编辑于 2026-07-06- 来自专栏深度学习之tensorflow实战篇
回归，岭回归。LASSO回归
当t不断增大时，选入回归模型的变量会逐渐增多，当t增大到某个值时，所有变量都入选了回归模型，这个时候得到的回归模型的系数是通常意义下的最小二乘估计。 主要是岭回归（ridge regression）和lasso回归。通过对最小二乘估计加入罚约束，使某些系数的估计为0。 (3)维数缩减 主成分回归（PCR）和偏最小二乘回归（PLS）的方法。 把p个预测变量投影到m维空间（m 3、岭回归、lasso回归和elastic net三种正则化方法[] （1）岭回归[] 最小二乘估计是最小化残差平方和（RSS）： 岭回归在最小化RSS的计算里加入了一个收缩惩罚项 岭回归优于最小二乘回归的原因在于方差-偏倚选择。随着lambda的增大，模型方差减小而偏倚（轻微的）增加。 它右侧的另一条虚线是在其一倍SE内的更简洁的模型（变量个数为9）。由于这两个lambda对应的模型误差变化不大，而我们更偏好于简洁的模型，选择对应的lambda值为0.025。
3.1K40发布于 2018-03-16 - 来自专栏低代码平台
2026年AI编码CLI工具终极对比：Claude Code、Cursor、Gemini CLI、Codex CLI、Copilot CLI
JEECG低代码AI编程工具研究|从编程能力到Skills生态，五款主流AI编码CLI横评与选型指南引言：AI编码工具已是基础设施如果你还把AI编程工具当作"锦上添花"的辅助品，那你可能已经落后了。 五大选手速览在深入对比之前，先来看一眼这五款工具的基本定位：工具出品方核心定位起步价格ClaudeCodeAnthropic高自主度终端Agent$20/月CursorCLIAnysphereAI原生IDE+CLI GeminiCLIGoogle开源终端Agent免费CodexCLIOpenAI轻量终端Agent$20/月(ChatGPTPlus)CopilotCLIGitHub/MicrosoftGitHub原生CLI
15K121编辑于 2026-04-17 - 来自专栏深度学习之tensorflow实战篇
回归，岭回归。LASSO回归
当t不断增大时，选入回归模型的变量会逐渐增多，当t增大到某个值时，所有变量都入选了回归模型，这个时候得到的回归模型的系数是通常意义下的最小二乘估计。 主要是岭回归（ridge regression）和lasso回归。通过对最小二乘估计加入罚约束，使某些系数的估计为0。 (3)维数缩减 主成分回归（PCR）和偏最小二乘回归（PLS）的方法。 把p个预测变量投影到m维空间（m 3、岭回归、lasso回归和elastic net三种正则化方法[] （1）岭回归[] 最小二乘估计是最小化残差平方和（RSS）： 岭回归在最小化RSS的计算里加入了一个收缩惩罚项 岭回归优于最小二乘回归的原因在于方差-偏倚选择。随着lambda的增大，模型方差减小而偏倚（轻微的）增加。 它右侧的另一条虚线是在其一倍SE内的更简洁的模型（变量个数为9）。由于这两个lambda对应的模型误差变化不大，而我们更偏好于简洁的模型，选择对应的lambda值为0.025。
2K10发布于 2019-02-13 - 来自专栏网络收集
Vue CLI
2、Vue CLI 什么是Vue CLI 如果你只是简单写几个Vue的Demo程序, 那么你不需要Vue CLI. CLI是什么意思? CLI是Command-Line Interface, 翻译为命令行界面, 但是俗称脚手架. Vue CLI是一个官方发布 vue.js 项目脚手架 使用 vue-cli 可以快速搭建Vue开发环境以及对应的webpack配置. 注意：上面安装的是Vue CLI3的版本，如果需要想按照Vue CLI2的方式初始化项目时不可以的。 image.png Vue CLI2初始化项目 vue init webpack my-project Vue CLI3初始化项目 vue create my-project
1.2K10编辑于 2022-05-29 - 来自专栏AI机器学习与深度学习算法
机器学习入门 9-7 scikit-learn中的逻辑回归
本小节主要介绍使用sklearn实现逻辑回归算法以及添加多项式项的逻辑回归算法，sklearn为逻辑回归自动封装了正则化，通过调整C和penalty以解决模型过拟合的问题。 在使用sklearn实现逻辑回归之前，先将数据集划分为训练集和测试集。 ? 接下来就可以使用sklearn来实现逻辑回归： ? 上面的图示就是逻辑回归算法针对现在的样本数据得到的决策边界。 接下来使用sklearn实现添加多项式项的逻辑回归算法对上面的样本数据进行试验。 ? 在开始介绍逻辑回归算法的时候提到过逻辑回归只能解决二分类问题，不过我们可以通过一些技术手段来扩展逻辑回归算法应用到多分类任务中，下一小节将会介绍如何让逻辑回归算法解决多分类的问题。 推荐阅读 （点击标题可跳转阅读） 机器学习入门 8-8 模型泛化与岭回归 机器学习入门 8-9 lasso 机器学习入门 9-5 决策边界
1.5K40发布于 2020-02-29 - 来自专栏SmartSi
ZooKeeper CLI
ZooKeeper 命令行界面（CLI）用于与 ZooKeeper 集合进行交互以进行开发。它有助于调试和解决不同的选项。 你可以通过退出 ZooKeeper CLI，然后重新打开 CLI 来尝试。 2. 获取数据 返回 znode 的相关数据以及指定 znode 的元数据。 CLI 还用于分配监视器以显示数据相关的通知。 完成此操作后，你可以使用 get CLI 命令检查数据。 原文：ZooKeeper CLI
1.4K30发布于 2019-11-27 - 来自专栏全栈开发那些事
Vue CLI
Vue CLI 1、简介 2、安装 3、创建项目 3.1 vue create 1、简介 在开发大型单页应用时，需要烤炉项目的组织结构、项目构建、部署、热加载、代码单元测试等多方面与核心业务无关的事情 在Vue.js环境中，这个脚手架工具就是Vue CLI，利用这个工具，可以自动生成一个基于Vue.js地单页应用地脚手架项目。 2、安装 可以使用下面的命令安装Vue CLI npm install -g @vue/cli # 或者 yarn global add @vue/cli Vue CLI在Vue项目开发中基本是必需的， 安装完成之后，可以使用下面的命令检查版本是否正确，同时验证Vue CLI是否安装成功。 3、创建项目 安装完Vue CLI，就可以开始创建一个脚手架项目了。 存放项目中的静态资源，如CSS、图片等 | |--logo.png //logo图片 | |--components //编写的组件放在这个目录下 | |--HelloWorld.vue //Vue CLI
1.6K20编辑于 2023-02-25 - 来自专栏Pulsar-V
C++CLI（一）-C++CLI简介
(obj); /*8f*/ return (X == p->X) && (Y == p->Y); } return false; } /*9* 句柄在此是一个C++/CLI术语，CLI实际上把它称为“引用”，但C++已经有引用了，这是两回事。 const类型的句柄是允许的，但它们只能被用在一个C++/CLI上下文之内，而不能与任何CLI标准库函数一起使用的，因为目前CLI中还未有const这个概念，未来版本的C++/CLI有可能会全面支持const 基本上，如果一个类型定义了Equals，它也应该同时定义GetHashCode，其是重载System::Object的版本，如标记9。 以下是程序的输出： p1 = (0,0), p1's HashCode = 0 p1 = (5,7), p1's HashCode = 11 p1 Equals Point(9, 1) = False
3.7K30发布于 2019-03-12
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