当前位置：首页 > news >正文

NLP09-加强1-对比SVM

news 来源：原创 2025/9/14 21:29:06

支持向量机（SVM）

（一）导入 SVM 相关库

（二）修改模型初始化

（三）比较

朴素贝叶斯分类器

SVM分类器

支持向量机（SVM）

代码修改基于NLP09-朴素贝叶斯问句分类（3/3）

（一）导入 SVM 相关库

from sklearn.svm import SVC  # 导入 SVM

（二）修改模型初始化

    # 模型训练def train_model(self):self.to_vect()# 使用 SVM 替换朴素贝叶斯svm_model = SVC(kernel='linear', C=1.0)  # 线性核函数，C 是正则化参数svm_model.fit(self.train_vec, self.train_y)self.model = svm_model

详细解释SVM

参见 机器学习——支持向量机（SVM）

# 使用 SVM 替换朴素贝叶斯svm_model = SVC(kernel='linear', C=1.0)  # 线性核函数，C 是正则化参数

（三）比较

性能评估指标主要是：准确性、精确率、召回率、F1-Score

朴素贝叶斯分类器

为了进行性能评估，我们需要使用 train_test_split 来分割数据集，并使用 sklearn.metrics 来计算准确性、精确率、召回率和 F1-Score。下面是修改后的完整代码，包含了数据集划分和各项评估指标的计算：

import os.path
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
from common import constant
from ch import data_loader, nlp_utilclass QuestionClassify:def __init__(self):self.train_x = Noneself.train_y = Noneself.tfidf_vec = Noneself.train_vec = Noneself.model = Noneself.question_category_dict = None# 文本向量化def to_vect(self):if self.tfidf_vec is None:# 加载训练数据self.train_x, self.train_y = data_loader.load_train_data()# 初始化一个Tfidfself.tfidf_vec = TfidfVectorizer()# 确保 self.train_x 是字符串列表if isinstance(self.train_x[0], list):self.train_x = [" ".join(doc) for doc in self.train_x]self.train_vec = self.tfidf_vec.fit_transform(self.train_x).toarray()# 模型训练def train_model(self):self.to_vect()# 使用 train_test_split 划分训练集和测试集X_train, X_test, y_train, y_test = train_test_split(self.train_vec, self.train_y, test_size=0.2, random_state=42)# 使用朴素贝叶斯模型nb_model = MultinomialNB(alpha=0.01)nb_model.fit(X_train, y_train)  # 训练模型self.model = nb_model# 预测并计算评估指标y_pred = self.model.predict(X_test)# 计算并打印评估指标accuracy = accuracy_score(y_test, y_pred)precision = precision_score(y_test, y_pred, average='weighted')recall = recall_score(y_test, y_pred, average='weighted')f1 = f1_score(y_test, y_pred, average='weighted')print(f"Accuracy: {accuracy:.4f}")print(f"Precision: {precision:.4f}")print(f"Recall: {recall:.4f}")print(f"F1-Score: {f1:.4f}")# 模型预测def predict(self, question):# 词性标注做电影相关实体的抽取question_cut = nlp_util.movie_pos(question)# 原问句列表（刘德华演过哪些电影）question_src_list = []# 转换后的问句（nr演过哪些电影）question_pos_list = []for item in question_cut:question_src_list.append(item.word)if item.flag in ['nr', 'nm', 'nnt']:question_pos_list.append(item.flag)else:question_pos_list.append(item.word)question_pos_text = [" ".join(question_pos_list)]# 文本向量化question_vect = self.tfidf_vec.transform(question_pos_text).toarray()# 输入模型进行预测，得到结果predict = self.model.predict(question_vect)[0]return predictdef init_question_category_dict(self):# 读取问题（类别-描述）映射文件question_category_path = os.path.join(constant.DATA_DIR, "question_classification.txt")with open(question_category_path, "r", encoding="utf-8") as file:question_category_list = file.readlines()self.question_category_dict = {}for category_item in question_category_list:category_id, category_desc = category_item.strip().split(":")self.question_category_dict[int(category_id)] = category_descdef get_question_desc(self, category):if self.question_category_dict is None:self.init_question_category_dict()return self.question_category_dict[category]if __name__ == "__main__":classify = QuestionClassify()classify.train_model()  # 训练模型并打印评估指标result = classify.predict("刘德华和成龙合作演过哪些电影呢？&&")print(classify.get_question_desc(result))print(result)

修改代码解析：

# 使用 train_test_split 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(self.train_vec, self.train_y, test_size=0.2, random_state=42)
详见 NLP06-Scikit-Learn 机器学习库（鸢尾花为例）的数据集拆分部分。

        # 预测并计算评估指标y_pred = self.model.predict(X_test)# 计算并打印评估指标accuracy = accuracy_score(y_test, y_pred)precision = precision_score(y_test, y_pred, average='weighted')recall = recall_score(y_test, y_pred, average='weighted')f1 = f1_score(y_test, y_pred, average='weighted')
这几个指标是常用的分类模型评估指标。

（1）准确率（Accuracy）

（2）精确率（Precision）

（3）召回率（Recall）

（4） F1-Score

输出结果：

SVM分类器

import os.path
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.svm import SVC  # 导入 SVM
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
from common import constant
from ch import data_loader, nlp_utilclass QuestionClassify:def __init__(self):self.train_x = Noneself.train_y = Noneself.tfidf_vec = Noneself.train_vec = Noneself.model = Noneself.question_category_dict = None# 文本向量化def to_vect(self):if self.tfidf_vec is None:# 加载训练数据self.train_x, self.train_y = data_loader.load_train_data()# 初始化一个Tfidfself.tfidf_vec = TfidfVectorizer()# 确保 self.train_x 是字符串列表if isinstance(self.train_x[0], list):self.train_x = [" ".join(doc) for doc in self.train_x]self.train_vec = self.tfidf_vec.fit_transform(self.train_x).toarray()# 模型训练def train_model(self):self.to_vect()# 使用 train_test_split 划分训练集和测试集X_train, X_test, y_train, y_test = train_test_split(self.train_vec, self.train_y, test_size=0.2, random_state=42)# 使用 SVM（支持向量机）替换朴素贝叶斯svm_model = SVC(kernel='linear', C=1.0)  # 线性核函数，C 是正则化参数svm_model.fit(X_train, y_train)  # 训练模型self.model = svm_model# 预测并计算评估指标y_pred = self.model.predict(X_test)# 计算并打印评估指标accuracy = accuracy_score(y_test, y_pred)precision = precision_score(y_test, y_pred, average='weighted', zero_division=0)recall = recall_score(y_test, y_pred, average='weighted', zero_division=0)f1 = f1_score(y_test, y_pred, average='weighted')print(f"Accuracy: {accuracy:.4f}")print(f"Precision: {precision:.4f}")print(f"Recall: {recall:.4f}")print(f"F1-Score: {f1:.4f}")# 模型预测def predict(self, question):# 词性标注做电影相关实体的抽取question_cut = nlp_util.movie_pos(question)# 原问句列表（刘德华演过哪些电影）question_src_list = []# 转换后的问句（nr演过哪些电影）question_pos_list = []for item in question_cut:question_src_list.append(item.word)if item.flag in ['nr', 'nm', 'nnt']:question_pos_list.append(item.flag)else:question_pos_list.append(item.word)question_pos_text = [" ".join(question_pos_list)]# 文本向量化question_vect = self.tfidf_vec.transform(question_pos_text).toarray()# 输入模型进行预测，得到结果predict = self.model.predict(question_vect)[0]return predictdef init_question_category_dict(self):# 读取问题（类别-描述）映射文件question_category_path = os.path.join(constant.DATA_DIR, "question_classification.txt")with open(question_category_path, "r", encoding="utf-8") as file:question_category_list = file.readlines()self.question_category_dict = {}for category_item in question_category_list:category_id, category_desc = category_item.strip().split(":")self.question_category_dict[int(category_id)] = category_descdef get_question_desc(self, category):if self.question_category_dict is None:self.init_question_category_dict()return self.question_category_dict[category]if __name__ == "__main__":classify = QuestionClassify()classify.train_model()  # 训练模型并打印评估指标result = classify.predict("刘德华和成龙合作演过哪些电影呢？&&")print(classify.get_question_desc(result))print(result)

输出结果：

分析：

朴素贝叶斯表现更好，可能原因如下：

数据集较小：如果数据集较小，朴素贝叶斯可能会比 SVM 表现更好，因为 SVM 需要更多的数据来找到最优超平面。
特征独立性假设成立：在文本分类任务中，词语之间的独立性假设可能并不会显著影响朴素贝叶斯的性能。
参数调优不当：如果 SVM 的参数（如 C、kernel、gamma）没有调优好，性能可能会较差。
类别分布均衡：如果数据集的类别分布较为均衡，朴素贝叶斯的性能可能会更好。

NLP09-加强1-对比SVM

支持向量机（SVM） （一）导入 SVM 相关库 （二） 修改模型初始化 （三） 比较朴素贝叶斯分类器 SVM分类器支持向量机（SVM） 代码修改基于NLP09-朴素贝叶斯问句…...

编程日记 2025/9/14 21:29:06

STM32——HAL库开发笔记22（定时器3—呼吸灯实验）（参考来源：b站铁头山羊）

本文利用前几节所学知识来实现一个呼吸灯实验：两颗led灯交替呼吸。一、STM32CubeMX配置 step1：配置调试接口 step2：配置定时器定时器1位于APB2总线上，如上图所示。 step3：配置时基单元按照下图配置时钟来源配置…...

编程日记 2025/9/11 17:30:57

Vue3+TypeScript 封装一个好用的防抖节流自定义指令

一、前言：为什么需要防抖节流？ 在前端开发中，高频触发的事件（如滚动、输入、点击等）容易导致性能问题。防抖（debounce） 和节流（throttle） 是两种常用的优化手段&#x…...

编程日记 2025/9/14 8:25:38

2025年中国最新安防行业数字安全现状与未来趋势：内生安全成核心共识，从零基础到精通，收藏这篇就够了！

本次，我将为大家剖析由**安奇信发布的《中国安防行业数字安全建设与发展情况白皮书**》。该报告共_37_页，涵盖了众多重要信息和核心论点。若您希望深入了解，请参阅原报告，获取方法已在文档的最后部分提供。报告核心内容随着数字…...

编程日记 2025/9/10 5:36:58

项目管理的新理念主要有哪些

随着时代的发展和市场需求的变化，项目管理的理念也在不断地创新和演变。项目管理的新理念包括敏捷管理、精益管理、知识管理、变革管理、协作式管理和项目生命周期管理等。这些新理念不仅能够提高项目的管理效率，还能帮助团队在复杂的环境中更好地应对挑…...

编程日记 2025/9/10 14:27:31

Spring如何解决循环依赖？

一、Spring的三级缓存关键就是提前暴露未完全创建完毕的Bean。三级缓存来解决循环依赖： 一级缓存：用于存储完全初始化完成的单例Bean。二级缓存：用于存储尚未完全初始化，但已实例化的Bean，用于提前暴露对象&#x…...

编程日记 2025/9/8 18:55:29

vscode java环境中文乱码的问题

先说我的结论： 由于我的系统是windows的，所以vscode使用的是默认gbk的编码进行的。但是我的目的是全部都使用utf-8，因为我的程序始终是要去linux上去运行的，总不能在本地是好的，然后到服务器上就不行了吧，…...

编程日记 2025/9/8 19:10:01

十、大数据资源平台功能架构

一、大数据资源平台的功能架构图总体结构大数据资源平台功能架构图关键组件： 1.用户（顶行） 此部分标识与平台交互的各种利益相关者。其中包括： 市领导各部门分析师区政府外部组织公民开发人员运营经理 2.功能模…...

编程日记 2025/9/14 13:42:08

OpenEuler学习笔记（三十五）：搭建代码托管服务器

以下是主流的代码托管软件分类及推荐，涵盖自托管和云端方案，您可根据团队规模、功能需求及资源情况选择： 一、自托管代码托管平台（可私有部署） 1. GitLab 简介: 功能全面的 DevOps 平台，支持代码托管、C…...

编程日记 2025/9/10 4:41:13

使用Spring AI调用Ollama的DeepSeek模型实现结构化输出

在 Docker 环境中部署 Ollama 并使用 Spring AI 框架实现结构化输出，你可以按照以下步骤进行操作： 1. 部署 Ollama 模型首先，需要在 Docker 中部署 Ollama 并下载 deepseek-r1:1.5b 模型。 1.1 准备部署文件 version: 3.8services:ollam…...

编程日记 2025/9/14 18:04:32

微信小程序调用火山方舟（字节跳动火山引擎）中的DeepSeek大模型

微信小程序的轻量化特性与DeepSeek大模型的AI能力结合，可快速构建智能问答、内容生成等场景化服务。通过火山方舟平台提供的标准化接口，开发者无需深入算法细节即可调用模型能力。一、注册火山引擎账号，创建API Key和model（接入…...

编程日记 2025/9/9 3:17:13

threejs:射线拾取封装

射线拾取封装代码： import * as THREE from three; // 点击事件// 1.坐标转化(鼠标单击的屏幕坐标转标准设备坐标)// 2.射线计算(通过鼠标单击位置相机参数计算射线值)// 3.射线交叉计算// ObjectsArr是用来做射线拾取的对象数组，一个二维数组 export f…...

编程日记 2025/9/14 10:56:23

2024年国赛高教杯数学建模D题反潜航空深弹命中概率问题解题全过程文档及程序

2024年国赛高教杯数学建模 D题反潜航空深弹命中概率问题原题再现应用深水炸弹（简称深弹）反潜，曾是二战时期反潜的重要手段，而随着现代军事技术的发展，鱼雷已成为现代反潜作战的主要武器。但是，在海峡或…...

编程日记 2025/8/27 1:35:00

爬虫框架与库

爬虫框架与库是用于网络数据抓取的核心工具，帮助开发者高效地从网页中提取结构化数据。 Requests：用于发送HTTP请求。 BeautifulSoup：用于解析HTML和XML。 Scrapy：强大的爬虫框架，适合大规模爬取。 Selenium&#…...

编程日记 2025/9/14 21:28:12

从电子管到量子计算：计算机技术的未来趋势

计算机发展的历史自古以来人类就在不断地发明和改进计算工具，从结绳计数到算盘，计算尺，手摇计算机，直到1946年第一台电子计算机诞生，虽然电子计算机至今虽然只有短短的半个多世纪，但取得了惊人的发展吗，已经经历了五代的变革。计算机的发展和电子技术的发展密切相关，…...

编程日记 2025/9/11 3:08:38

LeetCode 15.三数之和

15.三数之和给你一个整数数组 nums ，判断是否存在三元组 [nums[i], nums[j], nums[k]] 满足 i ! j、i ! k 且 j ! k ，同时还满足 nums[i] nums[j] nums[k] 0 。请你返回所有和为 0 且不重复的三元组。注意：答案中不可以包含重复的三元组…...

编程日记 2025/9/14 13:48:54

c#笔记-基础知识

目录整数浮点 decimal bool 引用 object string 值枚举关键字 enum 类型转换隐式转换编辑显式转换装箱，拆箱常量表达式编辑字符串的使用比较字符串字符格式化编辑截取字符串字符串的分割插入字符串删除字符串 …...

编程日记 2025/9/5 21:34:00

el-table fixed滚动条被遮挡导致滚动条无法拖动

/* 设置默认高度-滚动条高度 */ .el-table__fixed { height: calc(100% - 16px) !important; } .el-table__fixed:before { height: 0px; }...

编程日记 2025/8/16 10:54:42

如何在个人电脑本地部署Deepseek大模型？Windows10 + Ollama+Deepseek+ChatBox

第一阶段：下载并安装Ollama 1，打开浏览器，进入 Ollama 官方网站 2，点击“Download”，在新页面选择“Windows”，再点击“Download for Windows”。 3，下载完成后，在文件名&#xff0…...

编程日记 2025/9/10 8:02:15

链表题（）

1、环形列表 141 方法一、卡节点数量，或者值范围的bug 方法二、快慢指针（最实用）寻找环 /*** Definition for singly-linked list.* struct ListNode {* int val;* ListNode *next;* ListNode(int x) : val(x), next(NUL…...

编程日记 2025/9/9 14:28:59

ZIP64扩展和普通ZIP文件有什么区别？

ZIP64扩展是ZIP文件格式的一个扩展，旨在解决传统ZIP格式的限制，尤其是文件大小和数量的限制。以下是ZIP64扩展与普通ZIP文件的主要区别： 1. 文件大小限制普通ZIP文件： 单个文件大小限制为 4GB（2^32字节）。…...

编程日记 2025/9/9 13:08:59

smolagents学习笔记系列（五）Tools-in-depth-guide

这篇文章锁定官网教程中的 Tools-in-depth-guide 章节，主要介绍了如何详细构造自己的Tools，在之前的博文 smolagents学习笔记系列（二）Agents - Guided tour 中我初步介绍了下如何将一个函数或一个类声明成 smolagents 的工具&…...

编程日记 2025/9/11 21:20:07

使用 Apache Dubbo 释放 DeepSeek R1 的全部潜力

作者：陈子康，Apache Dubbo Contributor 2025年1月20日，国产大模型公司深度求索（DeepSeek）正式发布了大语言模型 DeepSeek-R1，并同步开源其模型权重。通过大规模强化学习技术，DeepSeek-R1 显著提…...

编程日记 2025/9/11 17:04:33

【星云 Orbit-F4 开发板】03b. 按键玩法二：独立按键双击双击触发

【星云 Orbit-F4 开发板】03b. 按键玩法二：独立按键双击触发引言在嵌入式系统中，按键是常用的输入设备。通过检测按键的状态变化，可以实现多种功能，例如单击、双击、长按等。本文将详细介绍如何使用STM32F103的GPIO引脚检测独…...

编程日记 2025/9/9 15:46:40

ave-form.vue 组件中如何将产品名称发送给后端？

如何将产品名称发送给后端。在这段代码中，产品名称（productName）的处理和发送主要发生在 save() 方法中。让我逐步分析： 产品ID的选择： <w-form-selectv-model"form.productId"label"涉及产品&q…...

编程日记 2025/9/9 13:56:05

2025年电气工程与智能系统国际学术会议（IC2EIS 2025）

重要信息官网：www.ic2eis.org(点击了解参会投稿等) 时间：2025年3月14-16日地点：中国河南省郑州市简介 2025年电气工程与智能系统国际学术会议（IC2EIS 2025）将于2025年3月14-16日在中国郑州举行。会议旨在为电气…...

编程日记 2025/9/8 11:36:05

Android TextView 使用.9图片文字不展示

参考文章 Android的TextView设置padding无效。实现如上图效果的时候，选择框使用了.9,代码如下： LinearLayout.LayoutParams layoutParams=new LinearLayout.LayoutParams(0,...

编程日记 2025/9/8 16:05:50

【PyTorch][chapter-33][transformer-5] MHA MQA GQA, KV-Cache

主要翻译外网： 解剖Deep Seek 系列，详细见参考部分。目录： Multi-Head Attention （MHA) KV-Cache KV-Cache 公式 Multi-Query Attention（MQA) Grouped-Query Attention(GQA) Multi-Head Latent Attention …...

编程日记 2025/9/11 3:29:35

MS SQL 2008 技术内幕：T-SQL 语言基础

《MS SQL 2008 技术内幕：T-SQL 语言基础》是一部全面介绍 Microsoft SQL Server 2008 中 T-SQL（Transact-SQL）语言的书籍。T-SQL 是 SQL Server 的扩展版本，增加了编程功能和数据库管理功能，使得开发者和数据库管理员能…...

编程日记 2025/9/9 11:59:39

seacmsv9注入管理员账号密码+orderby+limit

seacmsv9注入管理员账号密码安装海洋CMS（seacms） 将upload文件夹里的文件全部上传至网页服务器后，执行以下操作: 请运行http://域名/install/index.php进行程序安装 SQL语句尝试注入 http://127.0.0.1/upload/comment/api/index.php?g…...

编程日记 2025/9/13 22:00:48

智能生活综合平台需求规格说明书

一、引言 1.1 编写目的本需求规格说明书旨在明确智能生活综合平台的功能、性能、用户界面等方面的需求，为平台的开发、测试和部署提供详细的指导，确保平台能够满足用户在社交、购物、教育、医疗、政务等多个领域的智能生活需求，提升用户的…...

编程日记 2025/9/8 21:18:28

应用的负载均衡

概述负载均衡（Load Balancing） 调度后方的多台机器，以统一的接口对外提供服务，承担此职责的技术组件被称为“负载均衡”。负载均衡器将传入的请求分发到应用服务器和数据库等计算资源。负载均衡是计算机网络中一种用于优化资源利…...

编程日记 2025/9/14 20:45:37

TDengine 中的数据类型

简介数据类型是数据库产品中一个非常重要的概念，它决定着能处理不同类型数据的范围。 TDengine 支持了所有通用的数据类型，同时还支持了一些特色数据类型，如地理坐标，未来准备支持 decimal 数据类型，方便银行等场景中…...

编程日记 2025/9/11 16:10:38

网络运维学习笔记（DeepSeek优化版）005网工初级（HCIA-Datacom与CCNA-EI）链路层发现协议与VLAN技术

文章目录一、链路层发现协议1.1 思科CDP协议1.2 华为LLDP协议二、VLAN（Virtual Local Area Network，虚拟局域网）技术详解2.1 基本概念2.2 技术特性2.3 接口工作原理2.3.1 Access模式2.3.2 Trunk模式 2.4 厂商配置对比思科配置华为配置 2.5 …...

编程日记 2025/9/11 15:34:05

51 哈希表的实现

目录一、哈希介绍 （一）直接定值法 （二）哈希冲突 （三）负载因子 （四）将关键字转为整数 （五）哈希函数 1、除法散列法 / 除留余数法 2、乘法散列法&#…...

编程日记 2025/9/8 15:04:58

使用Python实现机器学习小案例：构建房价预测模型

背景在日常生活中，很多人都希望了解某个区域的房价，特别是在购房时。如果我们能够根据一些已知的房屋特征（如面积、卧室数量、距离市中心的距离等）来预测房价，那将大大提高购房决策的效率。在本文中，我们将通过Python实现一个简单的房价预测模型，并帮助你理解机器学习…...

编程日记 2025/9/13 13:01:01

Layui页面粘贴的方法

一: 在Controller层注解的注意点 : 1.先写一个大的 RequestMapping () () 里面的的是 : (这些你写的那个实体类的方法,在这取名是什么比如用户类 user) 2. 在Controller层需要写一个 Controller的注解 3. Autowired 就相当与之前new的全局的serviceImpl 的方法 4.在…...

编程日记 2025/9/11 9:38:56

js：根据后端返回的数组取出每一个数组的keyword字段然后拼接成一个逗号分隔的字符串

问： 现在有一个el-select， 后端接口返回数据为keyword:xxx,referenceNum:1,tagId:132sf32fasdfaf组成的数组， 现在select是多选， 但是但我选择多个下拉框选项后，后端需要前端返回的数据tagIds字段需要时一个字符串…...

编程日记 2025/9/14 9:37:30

ES 客户端 API 二次封装思想

ES 客户端 API 二次封装思想网页端 ： ip5601 索引创建数据新增数据查询数据删除因为json串会出现在代码中，为了让用户更容易去添加数据所以去封装它。思想：为了让json串变得更加容易添加，封装最主要是为了简化正文的…...

编程日记 2025/9/8 18:01:08

《Kettle保姆级教学-日志写入数据库（通过修改kettle.properties一劳永逸）》

目录一、配置转换属性二、修改kettle.properties文件一、配置转换属性双击空白处，进入配置页面执行转换可以看到日志已写入数据库二、修改kettle.properties文件第一步的方式只能对某个转换/作业生效，怎么做到所有的转换/作业都可以生效呢&…...

编程日记 2025/9/12 2:17:37

SQL注入练习

目录一、如何绕过 information schema 字段过滤注入二、如何绕过 order by 语句过滤注入三、seacmsv9 实现报错注入数据一、如何绕过 information schema 字段过滤注入 1、使用其他系统表，不同数据库有各自的系统表，可替代information_schema。 …...

编程日记 2025/9/14 20:21:25

【大模型】量化、剪枝、蒸馏

大模型的量化、剪枝和蒸馏是三种常用的模型优化技术，旨在减少模型的复杂性，降低计算资源消耗，并加速推理过程。下面是每种技术的详细介绍： 1. 量化（Quantization） 量化是将浮点数表示的模型参数&#xff…...

编程日记 2025/9/11 21:58:52

Feign 类型转换问题解析：如何正确处理 `ResponseEntity＜byte[]＞` 返回值

在微服务架构中，Feign 是一种常见的用于服务间调用的客户端，它允许我们通过声明式接口来调用远程服务。使用 Feign 时，我们通常通过接口方法的返回类型来接收服务的响应体。然而，某些情况下，我们会遇到 Feign 无法正确解析响应体类型的问题，尤其是当服务返回一个如 Respo…...

编程日记 2025/9/9 3:27:22

最快安装ESP8266 ESP832 开发板·Arduino环境的方法

直接去官网找这种exe然后直接运行就好他会自动识别安装请点击此处下载插件安装文件（提取码：49c1） 去官网可以找到最新的，但是这种方法有个弊端你更新不了，所以还要添加链接到首选项 http://arduino.esp8266.com/st…...

编程日记 2025/9/9 15:02:10

【工具变量】公司企业数字领导力（2004-2023年）

数据简介：企业数字化领导力是指在数字经济时代，领导者通过战略性地使用数字资产、引领组织变革，使企业在数字化环境中获得持续成功的能力。对于上市公司而言，这种领导力尤为重要，因为它直接关系到企业的战略方向、市场…...

编程日记 2025/9/11 15:23:17

LeetCode 动态规划环形子数组的最大和

环形子数组的最大和给定一个长度为 n 的环形整数数组 nums ，返回 nums 的非空子数组的最大可能和。环形数组意味着数组的末端将会与开头相连呈环状。形式上， nums[i] 的下一个元素是 nums[(i 1) % n] ， nums[i] 的前一个元素是 nums[(…...

编程日记 2025/9/14 7:28:14

毕业项目推荐：基于yolov8/yolo11的野生菌菇检测识别系统（python+卷积神经网络）

文章目录概要一、整体资源介绍技术要点功能展示：功能1 支持单张图片识别功能2 支持遍历文件夹识别功能3 支持识别视频文件功能4 支持摄像头识别功能5 支持结果文件导出（xls格式）功能6 支持切换检测到的目标查看二、数据集三、算法介绍1. YO…...

编程日记 2025/9/11 23:03:30

基于开源鸿蒙(OpenHarmony)的【智能家居综合应用】系统

基于开源鸿蒙OpenHarmony的智能家居综合应用系统 1. 智能安防与门禁系统1) 系统概述2) 系统架构3）关键功能实现4）安全策略5）总结 2.环境智能调节系统1）场景描述2）技术实现3）总结 3.健康管理与睡眠监测1&…...

编程日记 2025/9/9 7:12:46

C语言【指针篇】（三）

C语言【指针篇】（三） 前言正文1. 数组名的理解2. 使用指针访问数组3. 一维数组传参的本质4. 冒泡排序5. 二级指针6. 指针数组7. 指针数组模拟二维数组总结前言本文主要基于前面对指针的掌握，进一步学习：数组名的理解、使用指针…...

编程日记 2025/9/10 19:44:11

支持向量机（SVM）

（一）导入 SVM 相关库

（二） 修改模型初始化

（三） 比较

朴素贝叶斯分类器

SVM分类器

相关文章：

（二）修改模型初始化

（三）比较