机器学习入门
人工智能小案例:
请使用科学上网工具打开链接
案例一:https://quickdraw.withgoogle.com/
案例二:https://pjreddie.com/darknet/yolo/
案例三:https://deepdreamgenerator.com/
人工智能的发展历程:
图灵测试:
测试者与被测试者(一个人和一台机器)隔开的情况下,通过一些装置(如键盘)向被测试者随意提问。多次测试(一般为5min之内),如果有超过30%的测试者不能确定被测试者是人还是机器 ,那么这台机器就通过了测试,并被认为具有人类智能。
达特茅斯会议 ——人工智能的起点
时间:1956年8月,地点:美国汉诺斯小镇
参与人物:约翰·麦卡锡 马文·闵斯基(人工智能与认知学专家) 克劳德·香农(信息论的创始人) 艾伦·纽厄尔(计算机科学家) 赫伯特·西蒙(诺贝尔经济学奖得主)
众科学家聚在一起,讨论着一个完全不食人间烟火的主题。人工智能这个名字就是在这个时间产生的。因此,1956年也就称为人工智能元年。
第一个黄金时期(1956-20世纪70年代)
美国国防部赞助MIT222万美金,之后每年300万美金;
1963年斯坦福第一个AI实验室成立
第二个黄金时期(1956-20世纪70年代)
日本的第五代计算机项目拨款8.5亿美金;
1986,误差反向传播(BP)算法诞生
第一个低谷时期(20世纪70年代至80年代初)
James Lighthill:《Artificial Intelligence:A general survey》
专家系统:“知识期”
第二个低谷期(20世纪80年代至90年代初)
IBM与Apple普通台式机性能超过“智能计算机”
1991,日本的第五代计算机宣告失效
真正发展起来:
1980年代是正式成形期,1990-2010是蓬勃发展期,2012年之后是深度学习期。
人工智能的主要分支:
计算机视觉
语音识别:面临的难题—“鸡尾酒会效应”
百度语音识别:距离小于1m,中文字准率是97%
支持耳语、长语音、中英文混合及方言
文本挖掘/分类:
任务:句法分析、情绪分析、垃圾信息检测
比如,分析用户对外卖订单的评价,
机器翻译:
以前的翻译很垃圾,2014年开发的神经机器翻译(NMT)才让机器翻译很不错
机器人:工业机器人(机械臂)、家庭机器人(聊天、讲故事、打扫卫生、机器人女友)
2.机器学习算法分类
监督学习(Supervised Learning):从给定的训练数据集中学习出一个函数,当新的数据到来时,根据这个函数预测结果。训练集通常由人工标注。
——————————————————————————————————————————
问题1:
特征值:猫/狗的图片 目标值:猫/狗 类别(离散型数据)
—>分类问题
问题2:
特征值:房屋的各个属性信息(朝向、面积、楼层)… 目标值:房屋价格(连续性数据)
—>回归问题
——————————————————————————————————————————
无监督学习(Unsupervised Learning):与监督学习相比,训练集是无人为标注的结果。
——————————————————————————————————————————
问题3:
特征值:人物的各个属性信息 目标值:无
——————————————————————————————————————————
总结:
监督学习
定义:输入数据是有特征值和目标值所组成,函数的输出可以是一个连续的值(称为回归),或是输出有限个函数值(称作分类)。
分类问题算法:k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归
回归问题算法:线性回归、岭回归
聚类问题算法:
降维问题算法:
无监督学习
定义:利用无标签的数据学习数据的分布或数据与数据之间的关系被称为无监督学习,即输入数据是由输入特征值所组成。
算法:聚类k-means
有监督学习和无监督学习的最大区别在于数据是否有标签。
无监督学习最常应用的场景是聚类(clustering)和降维(Dimension Reduction)
聚类:就是根据“数据的相似性”将数据分为多类的过程。评估两个不同样本之间的“相似性”,通常使用的方法就是计算两个样本之间的“距离”。使用不同的方法计算样本间的距离会关系到聚类结果的好坏。
常用的距离计算方法:
~欧氏距离:欧氏距离是最常用的一种距离度量方法,源于欧氏空间中两点的距离。
欧氏距离的计算公式:
~曼哈顿距离:曼哈顿距离也称为“城市街区距离”,类似于在城市之中驾车行驶,从一个十字路口到另外一个十字路口的距离。
曼哈顿距离的计算公式:
~马氏距离:马氏距离表示数据的协方差距离,是一种尺度无关的度量方式。也就是说马氏距离会先将样本点的各个属性标准化,再计算样本间的距离。
马氏距离的计算公式:
s为协方差矩阵
~夹角余弦:余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个样本差异的大小。余弦值越接近1,说明两个向量夹角越接近0度,表明两个向量越相似。
夹角余弦的计算公式:
~Sklearn vs. 聚类:scikit-learn库(简称sklearn库)提供的常用聚类算法函数包含再sklearn.cluster这个模块中,如:K-Means,近邻传播算法,DBSCAN,等。
以同样的数据集应用于不同的算法,可能会得到不同的结果,算法所耗费的事件也不尽相同,这是由算法的特性决定的。
下图是调用sklearn库的标准函数对不同数据集执行的聚类结果
降维:降维就是再保证数据所具有的代表性特性或者分布的情况下,将高维数据转化为地位数据的过程。
降维算法:sklearn库提供7种降维算法,降维过程可以理解为对数据集的组成成分进行分解(decomposition)的过程,因此sklearn为降维模块命名为decomposition,在对降维算法调用需要使用sklearn.decomposition模块。
强化学习(Reinforcement Learning,增强学习): 通过观察,来学习执行什么样的动作,获得最好的回报,每个动作都会对环境有所影响,学习对象根据观察到的周围的环境的反馈来做出判断。
半监督学习(Semi-supervised Learning):介于监督学习和无监督学习之间的一类学习方法
深度学习(Deep Learning):利用深层神经网络模型,抽象数据的表示特征的一种方法。
3.机器学习开发流程
1)获取数据
2)数据处理
3)特征工程
4)机器学习算法进行训练 — 模型
5)模型评估
流程图:
4.学习框架和资料介绍
机器学习库和框架:
深度学习框架:Scikit-Learn(传统的机器学习算法),TensorFlow (Google),pytorch(FaceBook),Caf fe2(FaceBook),theano(TensorFlow前身),Chainer(pytorch前身)
书籍资料推荐:
机器学习 —”西瓜书“ 周志华
统计学习方法 — 李航
深度学习 —”花书“
视频课程推荐:
前百度首席科学家,斯坦福教授,在线教育平台Coursera的联合创始人吴恩达录制的在线机器学习课程
斯坦福大学的《CS231N》课程主要介绍深度学习在计算机视觉领域的应用
AlphaGo的主要开发者,GOOGLE DeepMind的团队的David Silver珠江的有关强化学习,深度强化学习的原理及其应用技术的课程
5.数据集
可用数据集源:
sklearn
kaggle(https://www.kaggle.com/datasets)
UCI(https://archive.ics.uci.edu/ml/index.php)
Scikit-Learn包含的常用数据集:
Scikit- Learn工具介绍
安装依赖库:Numpy,scipy,joblib
安装方法:pip install sklearn
Scikit-Learn包含的内容
scikit-learn数据集API介绍
sklearn.datasets
(*代表某个数据集的名字)
datasets.load_*() ——> 获取小规模数据集,数据包含在datasets里
获取小数据集示例:
sklearn.datasets.load_iris()
加载并返回鸢尾花数据集,鸢尾花数据集采集的是鸢尾花的测量数据以及其所属的类别。测量数据包括:萼片长度、萼片宽度、花瓣长度、花瓣宽度。
类别共分为三类:Iris Setosa,Iris Versocolour,Iris Virginica。该数据集可用于多分类问题。
名称 | 数量 |
---|---|
类别 | 3 |
特征 | 4 |
样本数量 | 150 |
每个类别 数据 | 50 |
sklearn.datasets.load_boston()
可选参数:return_X_y,默认为False,表示以字典形式返回数据全部信息(包括data和target);若为True,则以(data,target)形式返回数据。
加载并返回波士顿房价数据集,波士顿数据集包含506组数据,每条数据包含房屋以及房屋周围的详细信息。其中包括城镇犯罪率、一氧化氮浓度、住宅平均房间数、到中心区域的加权平均距离以及自住房平均房价等。因此,波士顿房价数据集能够应用到回归问题上。
名称 | 数量 |
---|---|
目标类别 | 5-50 |
特征 | 13 |
样本数量 | 506 |
datasets.fetch_*(data_home=None) ——>获取大规模数据集,需要从网络上下载,函数的第一个参数是data_home,表示数据集下载的目录,默认是 ~/scikit_learn_data/
获取大规模数据集示例:
sklearn.datasets.fetch_20newsgroups(data_home=None,subset=“train”)
subset:“train"或者"test”,“all”,可选,选择要加载的数据集
训练集的"训练",测试机的"测试",两者的"全部"
sklearn数据集返回值介绍
load和fetch返回的数据类型datasets.base.Bunch(字典格式:键值对)
data:特征数据数组(特征值),是(n_samples*n_features)的二维numpy.ndarray数组。
target:标签数组(目标值), 是n_samples的一维numpy.ndarray数组
DESCR:数据描述
feature_names:特征名
target_names:标签名
data.base.Bunch(继承自字典)
dict[“key”] = value
dict.key = value
6.数据集的划分
训练数据:用于训练、构建模型
测试数据:在模型检测时使用,用于评估模型是否有效
测试集:20%~30%个样本
API:sklearn.model_selection.train_test_split(*arrays,*options)
参数:
x 数据集的特征值
y 数据集的目标值
test_size 测试集的大小,一般为float,如果为0.2,则训练集有80%,测试集有20%,test_size默认在20%-30%
random_state 随机数种子,不同的种子会造成不同的随机采样结果。相同的种子采样结果相同。
返回值:
训练集特征值(通常用x_train来接受返回值),测试集特征值(x_test),训练集目标值(y_train),测试集目标值(y_test)
demo:
7.特征工程
定义:是使用专业背景知识和技巧处理数据,使得特征技能在机器学习算法上发挥更好的作业的过程。
意义:会直接影响机器学习的效果
工具:sklearn 特征工程 pandas 数据清洗、数据处理
特征抽取/特征提取:
定义:将任意数据(如文本或图像)转换为可用于机器学习的数字特征,也叫特征值化
特征提取API:sklearn.feature_extraction
字典特征提取
sklearn.feature_extraction.DictVectorizer(sparse=True…)
vector 数学:向量 物理:矢量
矩阵 matrix 二维数组
向量 vector 一维数组
父类:转换器类
DictVectorizer.fit_transform(X) X:字典或包含字典的迭代器返回值:返回 sparse(稀疏) 矩阵
DictVectorizer.get_feature_names() 返回特征名称
demo:
运行结果(sparse矩阵):
区别:不显示0,节省内存,提高加载效率
当实例化DictVectorizer时,默认sparse=True,设为False后,运行结果如下:
区别:显示0
文本特征提取
单词 作为 特征
特征:特征词
方法1:统计每一个文档中的特征词出现的个数
sklearn.feature_extraction.text.CountVectorizer(stop_words=[])
stop_words 停用词—>停用词表 将停用词添加到列表中,则不统计停用词出现频率
CountVectorizer.fit_transform(X) X:文本或者包含文本字符窜的可迭代对象 返回值:返回sparse词频矩阵
from sklearn.feature_extraction.text import CountVectorizerdef count_demo():"""文本特征提取:CountVectorizer:return:"""data = ['life is short, i like like python', 'life is too long i dislike python']# 实例化一个转换器类transfer = CountVectorizer()# 调用fit_transformdata_new = transfer.fit_transform(data)# data_new默认为sparse矩阵,CountVectorizer不支持内部参数sparse,如果要返回一个二维矩阵,调用sparse内toarray方法print("data_new:\n", data_new.toarray())print("特征名字:", transfer.get_feature_names())return Noneif __name__ == '__main__':count_demo()
结果:
如果将上面的英文替换为中文,则需要将词与词之间加上一个空格,否则将视短语为单词,统计出现频率。
如何自动地为词与词之间加上空格?需要使用python第三方库 jieba
from sklearn.feature_extraction.text import CountVectorizer
import jiebadef cut_word(text):"""进行中文分词:"我爱北京天安门" ——>"我 爱 北京 天安门":param text::return:"""# jieba.cut()方法返回一个生成器对象,将生成器对象强制转换为列表,然后用join方法转换为以空格分隔的字符串。return " ".join(list(jieba.cut(text)))def count_chinese_demo2():"""中文文本特征提取,自动分词:return:"""# 要进行特征工程的文本数据data = ['奈何桥上最后一次回眸,把对红尘的最后一丝留恋化成那苍白双颊的两行清泪。泪入孟婆汤,驻首三生石,千世的冰封,万年的孤寂,那一刻全部回归于寂静。奈何前世的离别,奈何今生的相见。浮生若梦,百折千回。','后悔是一种耗费精神的情绪,后悔是比损失更大的损失,比错误更大的错误,所以不要后悔。','我最信任的人,用背叛,教会了我不要轻易相信任何人。世界上最远的距离,不是爱,不是恨,而是熟悉的人,渐渐变得陌生。']data_new = []for x in data:# 将分词后的中文文本添加到列表中data_new.append(cut_word(x))# 实例化一个转换器类,设置无意义的停用词transfer = CountVectorizer(stop_words=["不是", "不要", "一次", "一丝"])# 调用fit_transform得到一个sparse矩阵data_final = transfer.fit_transform(data_new)# 将sparse矩阵转换为一个二维数组并打印print("data_new:\n", data_final.toarray())print("特征词:\n", transfer.get_feature_names())return Noneif __name__ == '__main__':count_chinese_demo2()
结果:(部分)
关键词:在某一个类别的文章中,出现的次数很多,但是在其他类别的文章中出现很少。
问题:
方法2:计算tf-idf这样的指标,找到一篇文章中的词的重要程度,有利于文章的分类。
Tf-idf文本特征提取(机器学习中进行文章分类经常用到TF-IDF)
TF-IDF的主要思想是:如果某一个词或短语在一篇文章中出现的概率高,并且在其它文章中很少出现。则认为此词或者短语具有很好的类别区分能力,适合用来分类。
TF-IDF作用:用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。
TF —> 词频(term(词语、术语) frequency(频率),tf),即指的是某一个给定的词语在该文件中出现的频率。
IDF —> 逆向文档频率(inverse(反向的) document frequency,idf),即是一个词语普遍重要性的度量,某一个特定词语的idf,可以由总文件数目除以包含该词语之文件的数目,再将得到的商除以10为底的对数得到。
举例:
假设一个语料库含有1000篇文章,出现关键字”非常“的文章有100篇,出现关键字”经济“的文章有10篇,在文章A中含有100个词语,其中出现了10次”经济“,在文章B中含有100个词语,其中出现了10次”非常“,求文章A和文章B的tf、idf。
A:tf = 10/100 = 0.1 idf = log 10 1000/10 = 2 TF-IDF = 0.1 * 2 = 0.2
B:tf = 10/100 = 0.1 idf = log 10 1000/100 = 1 TF-IDF = 0.1 * 1 = 0.1
对数?
2 * 3 = 8
log 2 8 = 3
求tf-idf的公式:
最终求出的结果(TF-IDF)可以理解为重要程度。
如何在sklearn中使用TF-IDF?
API:sklearn.feature_extraction.text.TfidfVectorizer(stop_words=None…)
返回词的权重矩阵
TfidfVectorizer.fit_transform(X) X:文本或者包含文本字符串的可迭代对象
返回值:返回sparse矩阵
调用sparse类的toarray方法返回二维数组
将上面使用CountVectorizer进行文本特征提取的代码中的转换器类改为TfidfVectorizer即可
权重大的词表示重要程度高,该词更具有分类意义
图像特征提取
暂无学习
特征预处理
定义:通过一些转换函数将特征数据转换成更加适合算法模型的特征数据的过程
包含内容:数值型数据的无量纲化 方法:1.归一化 2.标准化
特征处理API:sklearn.preprocessing
为什么要进行归一化/标准化?
特征的单位或者大小相差较大,或者某特征的方差相比其他的特征要大出几个数量级,容易影响(支配)目标结果,使得一些算法无法学习到其它的特征
无量纲化(即希望不同规格的数据转换为同一规格),之所以进行无量纲化就是因为量纲不统一,导致里程数的数值会非常大,而消耗时间比的数组非常小,为了让特征同等重要,所以要进行归一化/标准化,数学上叫做无量纲化。
举例:下面有三个特征值分别是 里程数、公升数、消耗时间比,后两者因为数值较小,所以对最终的结果基本没有影响,为了使得这三个特征值同等重要,所以要进行归一化/标准化
归一化:
定义:对原始的数据进行变换把数据映射到(默认为[0,1])之间
公式:
数据:
计算特征1值为90的归一化值:x’ = (90-60)/(90-60) = 1 x’’ = 1 * (1 - 0) + 0 = 1 即归一化值x’’=1。
如何在sklearn中使用归一化方法?
API:sklearn.preprocessing.MinMaxScaler(feature_range=(0,1)…)
MinMax:因为归一化是根据最大值和最小值求出来的;Scaler:放缩器
MinMaxScaler:按照最小值、最大值来进行放缩,放缩范围就是feature_range,默认为0-1。
feature_range=(,):归一化的范围
MinMaxScaler.fit_transform(X) X:numpy.array格式的数据[n_samples, n_feature] —> 二维数组,行为样本,即(有几个样本就有几行),列为特征,即(有几个特征就有几列)。
返回值:转换后的形状相同的array(原先几行几列就返回相同行列的ndarray)
示例:
数据:
dating.txt
说明:(附件数据部分截图,包括里程数、公升数、消耗时间比和目标值),即上面的约会对象数据,由于每个特征下的数据差值参差不齐,所以对这些数据进行归一化处理,使得每个特征同等重要。
代码:
from sklearn.preprocessing import MinMaxScaler
import pandas as pddef minmax_demo():"""归一化:return:"""# 1.获取数据data = pd.read_csv("dating.txt")data = data.iloc[:, :3]# 2.实例化一个转换器类transfer = MinMaxScaler(feature_range=(0,1))# 3.调用fit_transform(),进行归一化处理data_new = transfer.fit_transform(data)print("data_new:\n", data_new)return Noneif __name__ == '__main__':minmax_demo()
结果:
总结:归一化使得原始数据映射到一个固定范围的区间内,这样使得每个特征同等重要。
缺点:
归一化的结果是根据最大值和最小值求出来的,如果最大值或者最小值异常,那么归一化的值也不会太准,所以这种方法鲁棒性(稳定性、健壮性)较差,只适合传统精确小数据场景。
解决这一问题(缺陷)的方法:
标准化:
定义:通过对原始数据进行变换把数据变换到均值为0,标准差为1范围内。
公式:
(原始数据减去这一列的平均值(mean),然后再除以标准差(σ))
标准差:衡量离散(集中)程度
对于归一化来说:如果出现异常点,影响到了最大值和最小值,那么结果显然会发生改变
对于标准化来说:如果出现异常点,由于具有一定数据量,小量的异常点对于平均值和标准差的影响并不大,所以标准化比较稳定。
如何在sklearn中使用标准化方法?
API:sklearn.preprocessing.StandardScaler()
处理之后,对每列来说,所有的数据都聚集在均值为0附近,标准差为1。
StandardScaler.fit_transform(X) X:numpy.array格式的数据[n_sample, n_features]
返回值:转换后的形状相同的array
示例:
代码如上归一化代码,使用同样的数据集,导入StandardScaler,改变转化器类。
结果:
总结:对数据进行无量纲化处理一般选择使用标准化方法
应用场景:在已有样本足够多的情况下比较稳定,适合现代嘈杂大数据场景。
特征降维
定义:降维是指在某些限定条件下,降低随机变量(特征)个数,得到**一组“不相关”**主变量的过程
特征降维要求特征与特征之间不相关
相关特征:
相对湿度与降雨量之间的相关
降维的两种方法:
1)特征选择
定义:数据中包含冗余或者相关变量(或称特征、属性、指标等),旨在从原有特征中找出主要特征。
特征选择API:sklearn.feature_selection
比如:如果下图特征中有 是否有爪子 这一项特征,所有的鸟基本上都有这一特征,那么这个特征就是冗余数据。
特征选择的两种方法:
Filter过滤式:
低方差特征过滤:如果一组特征方差比较小,说明特征值接近(即该特征为冗余数据,没有意义),那么选择过滤掉这组特征。
API:sklearn.feature_selection.VarianceThreshold(threshold=0.0)
Variance—方差 Threshold—(阈值)起点值
threshold= 设置一个起点值,一组特征的方差如果低于这个起点值,就删掉,默认方差为0
Variance.fit_transform(X) X:numpy.array格式的数据[n_samples, n_features]
返回值:训练集方差低于threshold的特征将被删除,默认值是保留所有非零方差特征,即删除所有样本具有相同值的特征。
示例:
数据:对某些股票的指标特征之间进行一个筛选,除去"index"、“date”、"return"列不考虑(不是所需要指标)
附件:
百度网盘 提取码:love
附件部分截图:
总共9个特征(不包括index、date、return)
代码:
from sklearn.feature_selection import VarianceThreshold
import pandas as pddef variance_demo():"""低方差特征过滤:return:"""# 1.获取数据data = pd.read_csv("factor_returns.csv")# 去掉"index"、"date"、"return"列data = data.iloc[:, 1:-2]# 2.实例化一个转换器类,设置方差阈值为10,方差低于这个值的特征将被删除transfer = VarianceThreshold(threshold=10)# 3.调用fit_transform()data_new = transfer.fit_transform(data)print("data_new:\n", data_new, data_new.shape)return Noneif __name__ == '__main__':variance_demo()
结果:
可以看到,特征数量由原来的9个变为7个,即低于方差阈值的两个特征被删除。
相关系数:特征与特征之间的相关程度
皮尔逊相关系数(Pearson Correlation Coefficient):反映变量之间相关关系密切程度的统计指标
Correlation—相关 Coefficient—系数
公式:
皮尔逊相关系数计算过程:
比如说,计算年广告费投入与月平均销售额
那么之间的相关系数怎么计算?
n代表样本数量,设广告投入为x,月均销售额为y,求出x乘y的加和,x的加和、y的加和、x平方的加和y平方的加和
代入上述皮尔逊公式,最终计算出相关系数(r)的结果:
那么相关系数的值代表什么意义?
相关系数的值介于-1与+1之间,即-1≤r≤+1。其性质如下:
当r>0时,表示两变量正相关,r<0时,两变量负相关
当|r|=1时,表示两变量为完全相关,当r=0时,表示两变量间无相关关系
当0<|r|<1,表示两变量存在一定程度的相关,且|r|越接近1,两变量间线性关系越密切;|r|越接近于0,表示两变量的线性关系越弱
一般可按三级划分:|r|<0.4为低度相关,0.4≤|r|<0.7为显著性相关;0.7≤|r|<1为高度线性相关
所以上述计算的结果表明,广告投入费与月平均销售额具有高度的正相关关系。
如何去使用皮尔逊相关系数来计算?
API:scipy.stats.pearsonr(x, y)
x:(N,) array_like
y:(N,) array_like
返回值:(Pearson’s correlation coefficient, p-value)
示例:
对之前进行过特征选择的股票案例进行财务指标相关性计算。
代码:
from scipy.stats import pearsonr
import pandas as pddef pearsonr_demo():"""皮尔逊相关系数计算:return: """# 1.获取数据data = pd.read_csv("factor_returns.csv")data = data.iloc[:, 1:-2]# 2.对股票的相关指标进行皮尔逊相关系数计算,得到相关系数值r1 = pearsonr(data['pe_ratio'], data['pb_ratio'])print("pe_ratio和pb_ratio之间的相关性:\n", r1)r2 = pearsonr(data['revenue'], data['total_expense'])print("revenue和total_expense之间的相关性:\n", r2)if __name__ == '__main__':pearsonr_demo()
结果:
特征与特征之间相关性很高:
1)选取其中一个
2)加权求和
3)主成分分析:自动将相关性很强的特征处理掉
Embeded嵌入式:
决策树:
正则化:
深度学习:
2)主成分分析(PCA)
定义:将高维数据转化为低维数据,在此过程中可能会舍弃原有数据,创造新的变量。
作用:是数据维数压缩,尽可能降低原数据的维数(复杂度),损失少量信息。
应用:回归分析或者聚类分析当中
如何用相机最好的对一个立体的物体二维表示(将三维降到二维),主成分分析就是尽可能的减少降维时数据的损失,第四张图片最能看出一个物体的信息。
(PCA的公式、计算过程暂不了解)
API:sklearn.decomposition.PCA(n_components=None)
decomposition—分解(降维)
P—principal—主要的 C—component—成分 A—analysis—分析
将数据分解为较低维数空间
n_components:
小数:表示保留百分之多少的信息
整数:减少到多少特征(如果将三维的数据降到二维,那么n_components=2)
PCA.fit_transform(X) X:要进行降维处理的数据,numpy array格式[n_samples, n_fearures]
返回值:转换后指定维度的array
示例1:
数据:[[2, 8, 4, 5], [6, 3, 8, 8], [5, 4, 9, 1]] 三行四列,四个特征
代码:
from sklearn.decomposition import PCAdef pca_demo():"""PCA降维:return:"""data = [[2, 8, 4, 5], [6, 3, 8, 8], [5, 4, 9, 1]]# 1.实例化一个转换器类,指定n_components=3(整数),即降到3个特征,指定n_components=0.95(小数),则保留95%的特征transfer1 = PCA(n_components=3)transfer2 = PCA(n_components=0.95)# 2.调用fit_transformdata_new1 = transfer1.fit_transform(data)data_new2 = transfer2.fit_transform(data)print("n_composition=3的data_new1:\n", data_new1)print("n_composition=0.95的data_new2:\n", data_new2)return Noneif __name__ == '__main__':pca_demo()
结果:
示例2:探究用户对物品类别的喜好细分降维(Kaggle上的一个比赛)
数据:instacart
链接:https://pan.baidu.com/s/1xeMaS9b8-A9cWI_McF8-zw
提取码:love
aisle—过道,英语中用过道来代表一个个商品的类别
aisles.csv:商品所属具体物品类别
字段:
aisle_id | aisle |
---|
order_products_prior.csv:订单与商品信息
字段:
order_id | product_id | add_to_cart_order | reordered |
---|
orders.csv:用户的订单信息
字段:
order_id | user_id | eval_set | order_number | order_dow | order_hour_of_day | days_since_prior_order |
---|
products.csv:商品信息
字段:
product_id | product_name | aisle_id | department_id |
---|
通过对表的分析,发现用户ID(user_id)在orders.csv文件中,而物品种类(aisle)在aisles.csv文件中,只有通过发现表与表中的共同键并且一步步关联合并表,才能使得user_id和aisle出现在同一张表中,从而分析出用户对不同物品种类的喜好。
# 总体思路
# 1.获取数据
# 2.合并表
# 3.找到user_id和aisle之间的关系
# 4.pca降维import pandas as pd
# 1.获取数据
order_products = pd.read_csv("instacart/order_products__prior.csv")
products = pd.read_csv("instacart/products.csv")
orders = pd.read_csv("instacart/orders.csv")
aisles = pd.read_csv("instacart/aisles.csv")# 2.合并表
# 合并aisles和products,aisle和product_id就关联了
tab1 = pd.merge(aisles, products, on=["aisle_id", "aisle_id"])# 合并tab1和order_products,aisle和order_id就关联了
tab2 = pd.merge(tab1, order_products, on=["product_id", "product_id"])# 合并tab2和orders,aisle和user_id就关联了
tab3 = pd.merge(tab2, orders, on=["order_id", "order_id"])# 3.找到user_id和aisle之间的关系
table = pd.crosstab(tab3["user_id"], tab3["aisle"])
table的结果如下:0代表没有购买,会发现有大量的冗余数据,因此要进行特征降维
# 由于数据量特别大,这里只处理一万条用户的数据
data = table[:10000]
# 4.PCA降维
from sklearn.decomposition import PCA
# 1)实例化一个转换器类
transfer = PCA(n_components=0.95)
# 2)调用fit_transorm
data_new = transfer.fit_transform(data)
结果:
可以看到,物品种类由之前的134个降到了42个,而且保留了95%的信息。
学习大纲:
关于jupyter可能出现的问题:
jupyter运行后显示空白的问题解决:
卸载之前的jupyter notebook:pip uninstall jupyter-core(注意卸载的是jupyter-core)
然后重新安装:pip install jupyter
安装过程中出现这个错误:
ERROR: notebook 6.0.3 has requirement tornado>=5.0, but you’ll have tornado 4.5.3 which is incompatible.
说明jupyter notebook 6.0.3必须要求tornado版本>=5.0,版本之间的不兼容导致出现运行jupyter不显示文件的问题
重装tornado即可:pip install tornado
ERROR: pyspider 0.3.10 has requirement tornado<=4.5.3,>=3.2, but you’ll have tornado 6.0.4 which is incompatible.
安装完tornado后,又出现pyspider0.3.10必须要求3.2<tornado版本<=4.5.3
。。。pyspider截止到20200716最新版本为0.3.10没有更新,如果要用只好建虚拟环境了安装tornado和pyspider的对应版本。
jupyter默认打开文件路径的更改方法:
在家目录下找到.jupyter,看看里面是否有jupyter_notebook_config.py
如果没有,打开cmd,输入jupyter notebook --generate-config生成这个配置文件,然后打开文件,修改c.NotebookApp.notebook_dir = ‘’,去掉前面的#,单引号内输入想要默认打开的文件路径
如:
保存后,重新启动jupyter notebook即可。
如若内容造成侵权/违法违规/事实不符,请联系编程学习网邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
相关文章
- 浅谈可视化设计-数据时代的美味“烹饪师”(上篇)
目录: 1. 什么是大屏数据可视化 2. 设计流程介绍 3. 结合情感打造二维设计美感 4. 构建空间感&二维与三位的融合 5. 小结还记得大学学设计的时候学院里流传了一句话:“有百分之八十的设计师都幻想着成为一名厨师。” 我之前从未细品过这句话的缘由,只觉得是同学们之间的…...
2024/4/28 14:27:44 - 有用的一些网站
1、统计之都https://cosx.org/2、漫谈机器学习算法http://database.51cto.com/art/201407/444810.htm3、nuclear normhttps://math.stackexchange.com/questions/701062/derivative-of-the-nuclear-norm-with-respect-to-its-argumenthttps://math.stackexchange.com/questions…...
2024/4/7 1:14:56 - MySQL主从复制(Linux)
一、准备工作 1、准备两台Linux系统主机(实验系统CentOS7 * 2) 1.1、直接使用虚拟机克隆已创建好的CentOS7虚拟机(对应虚拟机软件:VMware Workstation Pro 15) 2、在虚拟机上安装MySQL(对应版本MySQL5.7 for Linux ) 2.1、安装MySQL5.7教程:前往安装 注意:两台虚拟机M…...
2024/4/28 3:23:52 - 机器学习之分类算法
如果目标值为 类别, 则属于分类问题,使用分类算法 1、sklearn转换器和预估器(估计器) 转换器 —特征工程的父类 1)实例化(实例化的是一个转换器类(Transformer)) 2)调用fit_transform(对于文档建立分类词频矩阵,不能同时调用) fit_transform(X) 方法是由 fit() 方…...
2024/4/28 0:45:11 - 如何为游戏插上人工智能的翅膀?
导读:AI技术已经成为提升游戏整体体验的利器,如何让中小游戏企业也能获得这个利器?2018年的电影《头号玩家》满足了很多玩家对游戏的完美想象。电影中的游戏用到了很多AI黑科技,让人们每天沉浸在精彩的虚拟世界中不能自拔。现实生活中的游戏虽然没有那么炫酷和沉浸,但AI技…...
2024/4/28 1:03:47 - hw小技巧
小弟也第一次参加hw,经过5天hw,确实也学到了许多的东西,但就本次分享而言,我分享一些我认为在hw里面值得注意的东西以及一些小技巧 一.信息收集 信息收集这个多西当然都是老生常谈了,你收集的东西越多,能打的方向也就越多,当然,hw给你打的资源的格式一般为单位名称,系统…...
2024/4/28 5:21:26 - 八.SpringCloud源码剖析-Eureka Server初始化流程
系列文章目录 一.SpringCloud源码剖析-Eureka核心API 二.SpringCloud源码剖析-Eureka Client 初始化过程 三.SpringCloud源码剖析-Eureka服务注册 四.SpringCloud源码剖析-Eureka服务发现 五.SpringCloud源码剖析-Eureka Client服务续约 六.SpringCloud源码剖析-Eureka Client取…...
2024/4/28 6:30:43 - div水平垂直居中的六种方法
div水平垂直居中的六种方法在平时,我们经常会碰到让一个div框针对某个模块上下左右都居中(水平垂直居中),其实针对这种情况,我们有多种方法实现。方法一:绝对定位方法:不确定当前div的宽度和高度,采用 transform: translate(-50%,-50%); 当前div的父级添加相对定位(pos…...
2024/4/28 12:04:25 - 关于搜索建议词的分析以及相应的优化方案
1. 背景 不管是全文搜索引擎,还是垂直搜索系统中,当用户在搜索🔍输入框中输入几个字的时候,会自动下来一些词去自动补全用户可能要搜的词语,这部分的功能,我们称作搜索建议器的功能(英文叫做"suggest")。本文将介绍下目前主流的搜索建议器的做法,并且给出了…...
2024/4/22 7:36:49 - AOP使用
@Aspect @Component public class ServiceLogAspect {public static final Logger log =LoggerFactory.getLogger(ServiceLogAspect.class);/*** AOP 通知:* 1. 前置通知: 在方法调用之前进行执行* 2. 后置通知: 在方法正常调用之后执行* 3. 环绕通知: 在方法调用前后进行通…...
2024/4/28 5:45:34 - 九月事务总结
自从疫情之后,在家其实啥也没学,在农村也就觉得自己的生活也就这样了,想着大学上完找个人嫁了就行了,但是在家玩游戏总是有一种罪恶感,总是觉得自己少了点什么东西,好像是没有灵魂的躯壳,我家里学习的环境其实特别不好,根本没地方学习,妈妈老是叫我帮她忙,作饭,扫地…...
2024/4/28 17:26:34 - 1. Java及JVM简介
文章目录Java及JVM简介1. Java-跨平台的语言2. JVM-跨语言的平台3. 字节码4. 多语言混合编程5. Java发展的重大事件6. 虚拟机与Java虚拟机6.1 虚拟机6.2 Java虚拟机6.3 JVM的位置☆ Java及JVM简介如果我们把Java核心类库的 API 比做数学公式的话,那么Java虚拟机的知识就好比公…...
2024/4/27 23:12:39 - Seata解析-TC处理全局事务和分支事务原理详解之分支状态报告请求和全局事务报告请求
本文基于seata 1.3.0版本本文接文章《Seata解析-TC处理全局事务和分支事务原理详解之全局事务开启和分支事务注册》继续介绍TC对请求的处理。本文将介绍分支状态报告请求和全局事务报告请求。 文章目录一、分支状态报告请求二、全局事务报告请求1、提交全局事务2、回滚全局事务…...
2024/4/28 11:51:06 - 整合thymeleaf+spring-security
整合thymeleaf+spring-security 学习记录 thymeleaf+spring-security整合`thymeleaf+spring-security` 学习记录动态登陆状态跟据权限动态显示:我的`SecurityConfig` :报错:我的 `UserController`登陆页面(`login.html`)相关源码(`HttpSecurity.java`)的注释: <!--在pom.xml…...
2024/4/28 8:53:00 - 过滤器,监听器,拦截器
最近被这几个概念搞的很混,刚好今天有时间就缕一缕。 下面都是我参考过的博客: 参考-1-springBoot(6)—过滤器,监听器,拦截器 参考-2-springboot 整合 ServletRequestListener监听器 参考-3-过滤器,拦截器,监听器的配置与说明以下个人总结,纯属个人笔记,有问题请指出 过…...
2024/4/26 5:28:23 - Javaweb基础学习总结(1) —— 一些需要掌握的基本概念
1.基本概念 1.1 前言 web开发web:即网页,所以web开发就是网页开发 web(网页)资源分为两种静态web/网页HTML+CSS+JavaScript(伪动态) 提供给所有人看,数据、内容始终不会发生变化,比如某些官网动态web/网页提供给所有人看,数据、内容始终会发生变化,每个人在不同事件和地点…...
2024/4/24 5:34:07 - 编程语言这么多,偏偏C语言成了大学的必修课!就因为二级吗?
“我不是学计算机的,为啥要学C语言?”如果把学C语言的精力用来学学其它与专业相关度更高的东西,是不是会更好呢?既然如此,干嘛还学C语言呢?大学里除了要拿到“毕业证”和“学位证”以外,还要过“四级”和“二级”,否则可能会被扣发两证,或找工作受阻,难以“落户”等。…...
2024/4/24 10:22:28 - 进击的小程序:品牌自营GMV同比增长210%,这些行业增速最快……
今年已过大半,回顾2020,日活达4亿的小程序商业表现如何?又释放了哪些关键能力? 2020腾讯全球数字生态大会微信专场上,微信团队首次盘点了今年以来,小程序的商业化表现和关键能力,并带来几个重要信号:小程序正加速完善自身商业化闭环的能力,小程序生态也将进入到一个开…...
2024/4/24 5:36:07 - 骑手困在系统里,网友困在回应里,而王兴正在刷饭否
文 | 陈浩然来源 | 螳螂财经(ID:TanglangFin)9月8日下午,一篇《外卖骑手,困在系统里》的文章刷屏。美团小哥告诉记者:“平台算法引导逆行”、“按直线距离规划送餐时间,完不成就罚款”,引爆了全网的愤怒。但你永远叫不醒一个装睡的人,更何况铁憨憨饿了么先醒了。9日凌晨…...
2024/4/26 4:30:07 - 微型计算机基础理论——计算机中的数制及其应用
微型计算机基础概论一、前言二、微型计算机系统计算机的发展历程1.电子管计算机时代(1946~1956年)2.晶体管计算机时代(1957~1964年)3.中小规模集成电路计算机时代 (1965~1970年)4.大、超大规模集成电路计算机时代 (1971年至今)计算机系统组成硬件系统主机系统微处理器(…...
2024/4/21 6:29:01
最新文章
- 机器人操作系统ROS2学习—编译工作空间colcon build报错问题
在ROS2中,工作空间创建完成后,会经常需要编译工作空间。在工作空间dev_ws 下打开一个终端,通过指令Colcon build来编译工作空间。 1、这个过程有可能会出现如下错误: "colconbuild:Duplicate package names not supported" 根据…...
2024/4/28 20:43:01 - 梯度消失和梯度爆炸的一些处理方法
在这里是记录一下梯度消失或梯度爆炸的一些处理技巧。全当学习总结了如有错误还请留言,在此感激不尽。 权重和梯度的更新公式如下: w w − η ⋅ ∇ w w w - \eta \cdot \nabla w ww−η⋅∇w 个人通俗的理解梯度消失就是网络模型在反向求导的时候出…...
2024/3/20 10:50:27 - 第十三届蓝桥杯大赛软件赛省赛C/C++ 大学 B 组 题解
VP比赛链接 : 数据加载中... - 蓝桥云课 1 . 九进制 转 十进制 直接模拟就好了 #include <iostream> using namespace std; int main() {// 请在此输入您的代码int x 22*92*81*9;cout << x << endl ;return 0; } 2 . 顺子日期 枚举出每个情况即可 : …...
2024/4/23 6:37:37 - 技术与安全的交织
引言 介绍数字化转型对企业出海策略的影响,强调在全球市场中成功的关键因素之一是有效利用网络技术,如SOCKS5代理、代理IP,以及确保网络安全。 第一部分:网络技术的基础 SOCKS5代理 定义和工作原理 SOCKS5代理与网络匿名性的关系…...
2024/4/25 10:10:11 - 416. 分割等和子集问题(动态规划)
题目 题解 class Solution:def canPartition(self, nums: List[int]) -> bool:# badcaseif not nums:return True# 不能被2整除if sum(nums) % 2 ! 0:return False# 状态定义:dp[i][j]表示当背包容量为j,用前i个物品是否正好可以将背包填满ÿ…...
2024/4/28 4:04:40 - 【Java】ExcelWriter自适应宽度工具类(支持中文)
工具类 import org.apache.poi.ss.usermodel.Cell; import org.apache.poi.ss.usermodel.CellType; import org.apache.poi.ss.usermodel.Row; import org.apache.poi.ss.usermodel.Sheet;/*** Excel工具类** author xiaoming* date 2023/11/17 10:40*/ public class ExcelUti…...
2024/4/28 12:01:04 - Spring cloud负载均衡@LoadBalanced LoadBalancerClient
LoadBalance vs Ribbon 由于Spring cloud2020之后移除了Ribbon,直接使用Spring Cloud LoadBalancer作为客户端负载均衡组件,我们讨论Spring负载均衡以Spring Cloud2020之后版本为主,学习Spring Cloud LoadBalance,暂不讨论Ribbon…...
2024/4/28 16:34:55 - TSINGSEE青犀AI智能分析+视频监控工业园区周界安全防范方案
一、背景需求分析 在工业产业园、化工园或生产制造园区中,周界防范意义重大,对园区的安全起到重要的作用。常规的安防方式是采用人员巡查,人力投入成本大而且效率低。周界一旦被破坏或入侵,会影响园区人员和资产安全,…...
2024/4/28 18:31:47 - VB.net WebBrowser网页元素抓取分析方法
在用WebBrowser编程实现网页操作自动化时,常要分析网页Html,例如网页在加载数据时,常会显示“系统处理中,请稍候..”,我们需要在数据加载完成后才能继续下一步操作,如何抓取这个信息的网页html元素变化&…...
2024/4/28 12:01:03 - 【Objective-C】Objective-C汇总
方法定义 参考:https://www.yiibai.com/objective_c/objective_c_functions.html Objective-C编程语言中方法定义的一般形式如下 - (return_type) method_name:( argumentType1 )argumentName1 joiningArgument2:( argumentType2 )argumentName2 ... joiningArgu…...
2024/4/28 12:01:03 - 【洛谷算法题】P5713-洛谷团队系统【入门2分支结构】
👨💻博客主页:花无缺 欢迎 点赞👍 收藏⭐ 留言📝 加关注✅! 本文由 花无缺 原创 收录于专栏 【洛谷算法题】 文章目录 【洛谷算法题】P5713-洛谷团队系统【入门2分支结构】🌏题目描述🌏输入格…...
2024/4/28 12:01:03 - 【ES6.0】- 扩展运算符(...)
【ES6.0】- 扩展运算符... 文章目录 【ES6.0】- 扩展运算符...一、概述二、拷贝数组对象三、合并操作四、参数传递五、数组去重六、字符串转字符数组七、NodeList转数组八、解构变量九、打印日志十、总结 一、概述 **扩展运算符(...)**允许一个表达式在期望多个参数࿰…...
2024/4/28 16:07:14 - 摩根看好的前智能硬件头部品牌双11交易数据极度异常!——是模式创新还是饮鸩止渴?
文 | 螳螂观察 作者 | 李燃 双11狂欢已落下帷幕,各大品牌纷纷晒出优异的成绩单,摩根士丹利投资的智能硬件头部品牌凯迪仕也不例外。然而有爆料称,在自媒体平台发布霸榜各大榜单喜讯的凯迪仕智能锁,多个平台数据都表现出极度异常…...
2024/4/27 21:08:20 - Go语言常用命令详解(二)
文章目录 前言常用命令go bug示例参数说明 go doc示例参数说明 go env示例 go fix示例 go fmt示例 go generate示例 总结写在最后 前言 接着上一篇继续介绍Go语言的常用命令 常用命令 以下是一些常用的Go命令,这些命令可以帮助您在Go开发中进行编译、测试、运行和…...
2024/4/28 9:00:42 - 用欧拉路径判断图同构推出reverse合法性:1116T4
http://cplusoj.com/d/senior/p/SS231116D 假设我们要把 a a a 变成 b b b,我们在 a i a_i ai 和 a i 1 a_{i1} ai1 之间连边, b b b 同理,则 a a a 能变成 b b b 的充要条件是两图 A , B A,B A,B 同构。 必要性显然࿰…...
2024/4/27 18:40:35 - 【NGINX--1】基础知识
1、在 Debian/Ubuntu 上安装 NGINX 在 Debian 或 Ubuntu 机器上安装 NGINX 开源版。 更新已配置源的软件包信息,并安装一些有助于配置官方 NGINX 软件包仓库的软件包: apt-get update apt install -y curl gnupg2 ca-certificates lsb-release debian-…...
2024/4/28 4:14:21 - Hive默认分割符、存储格式与数据压缩
目录 1、Hive默认分割符2、Hive存储格式3、Hive数据压缩 1、Hive默认分割符 Hive创建表时指定的行受限(ROW FORMAT)配置标准HQL为: ... ROW FORMAT DELIMITED FIELDS TERMINATED BY \u0001 COLLECTION ITEMS TERMINATED BY , MAP KEYS TERMI…...
2024/4/27 13:52:15 - 【论文阅读】MAG:一种用于航天器遥测数据中有效异常检测的新方法
文章目录 摘要1 引言2 问题描述3 拟议框架4 所提出方法的细节A.数据预处理B.变量相关分析C.MAG模型D.异常分数 5 实验A.数据集和性能指标B.实验设置与平台C.结果和比较 6 结论 摘要 异常检测是保证航天器稳定性的关键。在航天器运行过程中,传感器和控制器产生大量周…...
2024/4/27 13:38:13 - --max-old-space-size=8192报错
vue项目运行时,如果经常运行慢,崩溃停止服务,报如下错误 FATAL ERROR: CALL_AND_RETRY_LAST Allocation failed - JavaScript heap out of memory 因为在 Node 中,通过JavaScript使用内存时只能使用部分内存(64位系统&…...
2024/4/28 12:00:58 - 基于深度学习的恶意软件检测
恶意软件是指恶意软件犯罪者用来感染个人计算机或整个组织的网络的软件。 它利用目标系统漏洞,例如可以被劫持的合法软件(例如浏览器或 Web 应用程序插件)中的错误。 恶意软件渗透可能会造成灾难性的后果,包括数据被盗、勒索或网…...
2024/4/28 12:00:58 - JS原型对象prototype
让我简单的为大家介绍一下原型对象prototype吧! 使用原型实现方法共享 1.构造函数通过原型分配的函数是所有对象所 共享的。 2.JavaScript 规定,每一个构造函数都有一个 prototype 属性,指向另一个对象,所以我们也称为原型对象…...
2024/4/27 22:51:49 - C++中只能有一个实例的单例类
C中只能有一个实例的单例类 前面讨论的 President 类很不错,但存在一个缺陷:无法禁止通过实例化多个对象来创建多名总统: President One, Two, Three; 由于复制构造函数是私有的,其中每个对象都是不可复制的,但您的目…...
2024/4/28 7:31:46 - python django 小程序图书借阅源码
开发工具: PyCharm,mysql5.7,微信开发者工具 技术说明: python django html 小程序 功能介绍: 用户端: 登录注册(含授权登录) 首页显示搜索图书,轮播图࿰…...
2024/4/28 8:32:05 - 电子学会C/C++编程等级考试2022年03月(一级)真题解析
C/C++等级考试(1~8级)全部真题・点这里 第1题:双精度浮点数的输入输出 输入一个双精度浮点数,保留8位小数,输出这个浮点数。 时间限制:1000 内存限制:65536输入 只有一行,一个双精度浮点数。输出 一行,保留8位小数的浮点数。样例输入 3.1415926535798932样例输出 3.1…...
2024/4/27 20:28:35 - 配置失败还原请勿关闭计算机,电脑开机屏幕上面显示,配置失败还原更改 请勿关闭计算机 开不了机 这个问题怎么办...
解析如下:1、长按电脑电源键直至关机,然后再按一次电源健重启电脑,按F8健进入安全模式2、安全模式下进入Windows系统桌面后,按住“winR”打开运行窗口,输入“services.msc”打开服务设置3、在服务界面,选中…...
2022/11/19 21:17:18 - 错误使用 reshape要执行 RESHAPE,请勿更改元素数目。
%读入6幅图像(每一幅图像的大小是564*564) f1 imread(WashingtonDC_Band1_564.tif); subplot(3,2,1),imshow(f1); f2 imread(WashingtonDC_Band2_564.tif); subplot(3,2,2),imshow(f2); f3 imread(WashingtonDC_Band3_564.tif); subplot(3,2,3),imsho…...
2022/11/19 21:17:16 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机...
win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”问题的解决方法在win7系统关机时如果有升级系统的或者其他需要会直接进入一个 等待界面,在等待界面中我们需要等待操作结束才能关机,虽然这比较麻烦,但是对系统进行配置和升级…...
2022/11/19 21:17:15 - 台式电脑显示配置100%请勿关闭计算机,“准备配置windows 请勿关闭计算机”的解决方法...
有不少用户在重装Win7系统或更新系统后会遇到“准备配置windows,请勿关闭计算机”的提示,要过很久才能进入系统,有的用户甚至几个小时也无法进入,下面就教大家这个问题的解决方法。第一种方法:我们首先在左下角的“开始…...
2022/11/19 21:17:14 - win7 正在配置 请勿关闭计算机,怎么办Win7开机显示正在配置Windows Update请勿关机...
置信有很多用户都跟小编一样遇到过这样的问题,电脑时发现开机屏幕显现“正在配置Windows Update,请勿关机”(如下图所示),而且还需求等大约5分钟才干进入系统。这是怎样回事呢?一切都是正常操作的,为什么开时机呈现“正…...
2022/11/19 21:17:13 - 准备配置windows 请勿关闭计算机 蓝屏,Win7开机总是出现提示“配置Windows请勿关机”...
Win7系统开机启动时总是出现“配置Windows请勿关机”的提示,没过几秒后电脑自动重启,每次开机都这样无法进入系统,此时碰到这种现象的用户就可以使用以下5种方法解决问题。方法一:开机按下F8,在出现的Windows高级启动选…...
2022/11/19 21:17:12 - 准备windows请勿关闭计算机要多久,windows10系统提示正在准备windows请勿关闭计算机怎么办...
有不少windows10系统用户反映说碰到这样一个情况,就是电脑提示正在准备windows请勿关闭计算机,碰到这样的问题该怎么解决呢,现在小编就给大家分享一下windows10系统提示正在准备windows请勿关闭计算机的具体第一种方法:1、2、依次…...
2022/11/19 21:17:11 - 配置 已完成 请勿关闭计算机,win7系统关机提示“配置Windows Update已完成30%请勿关闭计算机”的解决方法...
今天和大家分享一下win7系统重装了Win7旗舰版系统后,每次关机的时候桌面上都会显示一个“配置Windows Update的界面,提示请勿关闭计算机”,每次停留好几分钟才能正常关机,导致什么情况引起的呢?出现配置Windows Update…...
2022/11/19 21:17:10 - 电脑桌面一直是清理请关闭计算机,windows7一直卡在清理 请勿关闭计算机-win7清理请勿关机,win7配置更新35%不动...
只能是等着,别无他法。说是卡着如果你看硬盘灯应该在读写。如果从 Win 10 无法正常回滚,只能是考虑备份数据后重装系统了。解决来方案一:管理员运行cmd:net stop WuAuServcd %windir%ren SoftwareDistribution SDoldnet start WuA…...
2022/11/19 21:17:09 - 计算机配置更新不起,电脑提示“配置Windows Update请勿关闭计算机”怎么办?
原标题:电脑提示“配置Windows Update请勿关闭计算机”怎么办?win7系统中在开机与关闭的时候总是显示“配置windows update请勿关闭计算机”相信有不少朋友都曾遇到过一次两次还能忍但经常遇到就叫人感到心烦了遇到这种问题怎么办呢?一般的方…...
2022/11/19 21:17:08 - 计算机正在配置无法关机,关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机...
关机提示 windows7 正在配置windows 请勿关闭计算机 ,然后等了一晚上也没有关掉。现在电脑无法正常关机以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!关机提示 windows7 正在配…...
2022/11/19 21:17:05 - 钉钉提示请勿通过开发者调试模式_钉钉请勿通过开发者调试模式是真的吗好不好用...
钉钉请勿通过开发者调试模式是真的吗好不好用 更新时间:2020-04-20 22:24:19 浏览次数:729次 区域: 南阳 > 卧龙 列举网提醒您:为保障您的权益,请不要提前支付任何费用! 虚拟位置外设器!!轨迹模拟&虚拟位置外设神器 专业用于:钉钉,外勤365,红圈通,企业微信和…...
2022/11/19 21:17:05 - 配置失败还原请勿关闭计算机怎么办,win7系统出现“配置windows update失败 还原更改 请勿关闭计算机”,长时间没反应,无法进入系统的解决方案...
前几天班里有位学生电脑(windows 7系统)出问题了,具体表现是开机时一直停留在“配置windows update失败 还原更改 请勿关闭计算机”这个界面,长时间没反应,无法进入系统。这个问题原来帮其他同学也解决过,网上搜了不少资料&#x…...
2022/11/19 21:17:04 - 一个电脑无法关闭计算机你应该怎么办,电脑显示“清理请勿关闭计算机”怎么办?...
本文为你提供了3个有效解决电脑显示“清理请勿关闭计算机”问题的方法,并在最后教给你1种保护系统安全的好方法,一起来看看!电脑出现“清理请勿关闭计算机”在Windows 7(SP1)和Windows Server 2008 R2 SP1中,添加了1个新功能在“磁…...
2022/11/19 21:17:03 - 请勿关闭计算机还原更改要多久,电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机怎么办...
许多用户在长期不使用电脑的时候,开启电脑发现电脑显示:配置windows更新失败,正在还原更改,请勿关闭计算机。。.这要怎么办呢?下面小编就带着大家一起看看吧!如果能够正常进入系统,建议您暂时移…...
2022/11/19 21:17:02 - 还原更改请勿关闭计算机 要多久,配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以...
配置windows update失败 还原更改 请勿关闭计算机,电脑开机后一直显示以以下文字资料是由(历史新知网www.lishixinzhi.com)小编为大家搜集整理后发布的内容,让我们赶快一起来看一下吧!配置windows update失败 还原更改 请勿关闭计算机&#x…...
2022/11/19 21:17:01 - 电脑配置中请勿关闭计算机怎么办,准备配置windows请勿关闭计算机一直显示怎么办【图解】...
不知道大家有没有遇到过这样的一个问题,就是我们的win7系统在关机的时候,总是喜欢显示“准备配置windows,请勿关机”这样的一个页面,没有什么大碍,但是如果一直等着的话就要两个小时甚至更久都关不了机,非常…...
2022/11/19 21:17:00 - 正在准备配置请勿关闭计算机,正在准备配置windows请勿关闭计算机时间长了解决教程...
当电脑出现正在准备配置windows请勿关闭计算机时,一般是您正对windows进行升级,但是这个要是长时间没有反应,我们不能再傻等下去了。可能是电脑出了别的问题了,来看看教程的说法。正在准备配置windows请勿关闭计算机时间长了方法一…...
2022/11/19 21:16:59 - 配置失败还原请勿关闭计算机,配置Windows Update失败,还原更改请勿关闭计算机...
我们使用电脑的过程中有时会遇到这种情况,当我们打开电脑之后,发现一直停留在一个界面:“配置Windows Update失败,还原更改请勿关闭计算机”,等了许久还是无法进入系统。如果我们遇到此类问题应该如何解决呢࿰…...
2022/11/19 21:16:58 - 如何在iPhone上关闭“请勿打扰”
Apple’s “Do Not Disturb While Driving” is a potentially lifesaving iPhone feature, but it doesn’t always turn on automatically at the appropriate time. For example, you might be a passenger in a moving car, but your iPhone may think you’re the one dri…...
2022/11/19 21:16:57