数据挖掘-利用多个机器学习模型实现泰坦尼克号生存预测

2025-03-03 1 0

泰塔尼克号生存预测

在数据挖掘比赛中，模型往往不是最重要的，建模之前的数据处理才是决定成绩的关键

那就开始学习数据预处理，作为小白的话就从最基础的这个项目学起吧

开整！！

数据分析及处理

import pandas as pd

train_df = pd.read_csv('./titanic/train.csv')
test_df = pd.read_csv('./titanic/test.csv')
combine = [train_df, test_df]

print(round(train_df.describe(percentiles=[.5, .6, .7, .75, .8, .9, .99]),2))

首先我们看看数据大概特征

数据挖掘-利用多个机器学习模型实现泰坦尼克号生存预测插图

可以看到Age有缺省值

最终存活率有38%

使用train_df.describe(include=['O'])可以看到

数据挖掘-利用多个机器学习模型实现泰坦尼克号生存预测插图1

大多数乘客是从S港口进入的，大部分为男性

接下来看看特征与幸存Survived的相关性如何

Pclass与Survived

train_df[['Pclass','Survived']].groupby(['Pclass'], as_index=False).mean().sort_values(by='Survived', ascending=False)

数据挖掘-利用多个机器学习模型实现泰坦尼克号生存预测插图2

可以看到船舱等级越高生存下来的几率越大，说明Pclass是重要的特征

Sex与Survived

train_df[['Sex','Survived']].groupby(['Sex'], as_index=False).mean().sort_values(by='Survived', ascending=False)

数据挖掘-利用多个机器学习模型实现泰坦尼克号生存预测插图3

可以看到女性生存下来的几率很高，说明Sex是重要特征

SibSp,Parch与Survived

train_df[['SibSp','Survived']].groupby(['SibSp'], as_index=False).mean().sort_values(by='Survived',ascending=False)

train_df[['Parch','Survived']].groupby(['Parch'], as_index=False).mean().sort_values(by='Survived',ascending=False)

数据挖掘-利用多个机器学习模型实现泰坦尼克号生存预测插图4

这两个特征中有一些和Survied关系度为0

Ticket,Cabin与Survived

Ticket 票号包含较高重复率(22%),且与生存率没有太多关系，可以删掉

Cabin含有太多缺失值，没有参考价值，删掉

Embarked与Survived

train_df[['Parch','Survived']].groupby(['Parch'], as_index=False).mean().sort_values(by='Survived',ascending=False)

数据挖掘-利用多个机器学习模型实现泰坦尼克号生存预测插图5

Embarked，从最开始就分析到，从不同港口等船到人生存率不同，要作为重要特征

从现有特征中提取新特征

看到表中每个人名中都存在称呼，如Miss，mir等等，猜测与生存率存在一定关系

称呼

那就把它对应提取出来

# 使用正则表达式提取Title特征
for dataset in combine:
    dataset['Title'] = dataset.Name.str.extract('([A-Za-z]+)\.', expand=False)

pd.crosstab(train_df['Title'], train_df['Sex']).sort_values(by='female', ascending=False)

combine是将训练集和测试集的总和

数据挖掘-利用多个机器学习模型实现泰坦尼克号生存预测插图6

可以看到称呼的大致分布，但有些称呼太少啦，不利于等会儿做分类

将稀少的称呼合并成一个

for dataset in combine:
    dataset['Title'] = dataset['Title'].replace(['Lady', 'Countess','Capt', 'Col',
                                                 'Don', 'Dr', 'Major', 'Rev', 'Sir', 'Jonkheer', 'Dona'], 'Rare')

    dataset['Title'] = dataset['Title'].replace(['Mlle', 'Ms'], 'Miss')
    dataset['Title'] = dataset['Title'].replace('Mme', 'Mrs')

print(train_df[['Title', 'Survived']].groupby(['Title'], as_index=False).mean())

数据挖掘-利用多个机器学习模型实现泰坦尼克号生存预测插图7

这里有个注意的是，这些值都是字符串，不利于训练模型，那就改成数值

title_mapping = {"Mr": 1, "Miss": 2, "Mrs": 3, "Master": 4, "Rare": 5}
for dataset in combine:
    dataset['Title'] = dataset['Title'].map(title_mapping) 
    dataset['Title'] = dataset['Title'].fillna(0)

既然做到这里了，那就顺便把性别也改一下

for dataset in combine:
    dataset['Sex'] = dataset['Sex'].map( {'female': 1, 'male': 0} ).astype(int)

家庭

这是一个没想到的创新点

结合SibSp和Parch特征创建一个新特征FamilySize，意为包括兄弟姐妹、配偶、父母、孩子和自己的所有家人数量

for dataset in combine:
    dataset['FamilySize'] = dataset['SibSp'] + dataset['Parch'] + 1

train_df[['FamilySize', 'Survived']].groupby(['FamilySize'], as_index=False).mean().sort_values(by='Survived', ascending=False)

做合并操作的同时看看其与Survived的关系

数据挖掘-利用多个机器学习模型实现泰坦尼克号生存预测插图8

可以看到，这是一个重要特征

这里解释一下，为什么+1，因为整个家庭包括自己

新特征IsAlone

新特征IsAlone，取值为0表示不是独自一人，取值为1表示独自一人

这也是想不到的点

for dataset in combine:
    dataset['IsAlone'] = 0
    dataset.loc[dataset['FamilySize'] == 1, 'IsAlone'] = 1

train_df[['IsAlone', 'Survived']].groupby(['IsAlone'], as_index=False).mean()

数据挖掘-利用多个机器学习模型实现泰坦尼克号生存预测插图9

这里大佬将IsAlone替代了家庭这个特征，不知道为啥这样

新特征Age*Pclass

这个是让我最理解不了的

创建一个新特征Age*Pclass，以此来结合Age和Pclass变量

我试着画了一下它们的关系图数据挖掘-利用多个机器学习模型实现泰坦尼克号生存预测插图10

age和pclass的组合会和生存率有一定相关性

所以直接将两者想乘来体现这个相关性

优化特征数据

分箱处理一般在建立分类模型时，需要对连续变量离散化，特征离散化后，模型会更稳定，降低了模型过拟合的风险

OK，新学到一个防止过拟合的方法

Age

train_df['AgeBand'] = pd.cut(train_df['Age'], 5) # 将年龄分割为5段,等距分箱
train_df[['AgeBand', 'Survived']].groupby(['AgeBand'], as_index=False).mean().sort_values(by='AgeBand', ascending=True)

分箱处理的同时看看不同年龄段的生存率

数据挖掘-利用多个机器学习模型实现泰坦尼克号生存预测插图11

AgeBand是一个范围，还是要转换成数值

for dataset in combine:
    dataset.loc[ dataset['Age'] <= 16, 'Age'] = 0
    dataset.loc[(dataset['Age'] > 16) & (dataset['Age'] <= 32), 'Age'] = 1
    dataset.loc[(dataset['Age'] > 32) & (dataset['Age'] <= 48), 'Age'] = 2
    dataset.loc[(dataset['Age'] > 48) & (dataset['Age'] <= 64), 'Age'] = 3
    dataset.loc[ dataset['Age'] > 64, 'Age'] = 4

数据挖掘-利用多个机器学习模型实现泰坦尼克号生存预测插图12

Fare

注意到，Fare也要做分箱处理

使用plt.hist(train_df['Fare'])先看看其大致分布

数据挖掘-利用多个机器学习模型实现泰坦尼克号生存预测插图13

train_df['FareBand'] = pd.qcut(train_df['Fare'], 4)  # 根据样本分位数进行分箱，等频分箱
train_df[['FareBand', 'Survived']].groupby(['FareBand'], as_index=False).mean().sort_values(by='FareBand', ascending=True)

qcut这个函数要提一下：qcut()是 Pandas 提供的一个函数，用于根据样本的分位数将数据进行等频分箱（即每个箱子的样本数大致相同）。根据中位数来的

四分位数（Quartiles）

四分位数是将数据分成四个相等部分的三个数值（即切分点）。
第一四分位数（Q1）：数据中位数以下的中位数，表示数据的第 25%。
第二四分位数（Q2）：数据的中位数，表示数据的第 50%。
第三四分位数（Q3）：数据中位数以上的中位数，表示数据的第 75%。
四分位距（IQR）：第三四分位数和第一四分位数的差值，即 IQR = Q3 - Q1，用于衡量数据的离散程度。

数据挖掘-利用多个机器学习模型实现泰坦尼克号生存预测插图14

同样的需要将这个范围改为int值

for dataset in combine:
    dataset.loc[ dataset['Fare'] <= 7.91, 'Fare'] = 0
    dataset.loc[(dataset['Fare'] > 7.91) & (dataset['Fare'] <= 14.454), 'Fare'] = 1
    dataset.loc[(dataset['Fare'] > 14.454) & (dataset['Fare'] <= 31), 'Fare']   = 2
    dataset.loc[ dataset['Fare'] > 31, 'Fare'] = 3
    dataset['Fare'] = dataset['Fare'].astype(int)

填补缺省值

登船港口特征Embarked，有三种可能取值 S、Q、C

最开始的分析中看到，其是存在缺省的，缺得也不多，三个，面对这种情况采用采用众数填补缺失值

freq_port = train_df.Embarked.dropna().mode()[0] #计算众数
for dataset in combine:
    dataset['Embarked'] = dataset['Embarked'].fillna(freq_port)

for dataset in combine:
    dataset['Embarked'] = dataset['Embarked'].map( {'S': 0, 'C': 1, 'Q': 2} ).astype(int)

同样要转换成数值

测试集中Fare也存在一个缺省值，用中位数填充

test_df['Fare'].fillna(test_df['Fare'].dropna().median(), inplace=True)

最后处理得到的两张表如

Survived Pclass Sex Age Fare Embarked Title IsAlone Age*Pclass
0 0 3 0 1 0 0 1 0 3
1 1 1 1 2 3 1 3 0 2
2 1 3 1 1 1 0 2 1 3
3 1 1 1 2 3 0 3 0 2
4 0 3 0 2 1 0 1 1 6
5 0 3 0 1 1 2 1 1 3
6 0 1 0 3 3 0 1 1 3
7 0 3 0 0 2 0 4 0 0
8 1 3 1 1 1 0 3 0 3
9 1 2 1 0 2 1 3 0 0

PassengerId Pclass Sex Age Fare Embarked Title IsAlone Age*Pclass
0 892 3 0 2 0 2 1 1 6
1 893 3 1 2 0 0 3 0 6
2 894 2 0 3 1 2 1 1 6
3 895 3 0 1 1 0 1 1 3
4 896 3 1 1 1 0 3 0 3
5 897 3 0 0 1 0 1 1 0
6 898 3 1 1 0 2 2 1 3
7 899 2 0 1 2 0 1 0 2
8 900 3 1 1 0 1 3 1 3
9 901 3 0 1 2 0 1 0 3

构建模型并预测结果

终于把最头大的数据处理搞定了，接下来就是套模型了

模型学了就用，我把学过的都试一下

数据处理代码

先把前面数据处理的完整代码给出来

import warnings
warnings.filterwarnings("ignore") #忽略警告信息

# 数据处理清洗包
import pandas as pd
import numpy as np
import random as rnd

# 可视化包
import seaborn as sns
import matplotlib.pyplot as plt


# 机器学习算法相关包
from sklearn.linear_model import LogisticRegression, Perceptron, SGDClassifier
from sklearn.svm import SVC, LinearSVC
from sklearn.neighbors import KNeighborsClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier

# 设置显示选项
pd.set_option('display.max_rows', None)  # 显示所有行
pd.set_option('display.max_columns', None)  # 显示所有列
pd.set_option('display.width', None)  # 自动调整宽度，防止内容被截断
pd.set_option('display.max_colwidth', None)  # 显示完整列内容


train_df = pd.read_csv('./titanic/train.csv')
test_df = pd.read_csv('./titanic/test.csv')
train_df = train_df.drop(['Ticket', 'Cabin'], axis=1)
test_df = test_df.drop(['Ticket', 'Cabin'], axis=1)
combine = [train_df, test_df]

print(train_df.head())

for dataset in combine:
    dataset['Title'] = dataset.Name.str.extract('([A-Za-z]+)\.', expand=False)


for dataset in combine:
    dataset['Title'] = dataset['Title'].replace(['Lady', 'Countess','Capt', 'Col',
                                                 'Don', 'Dr', 'Major', 'Rev', 'Sir', 'Jonkheer', 'Dona'], 'Rare')
    dataset['Title'] = dataset['Title'].replace(['Mlle', 'Ms'], 'Miss')
    dataset['Title'] = dataset['Title'].replace('Mme', 'Mrs')


title_mapping = {"Mr": 1, "Miss": 2, "Mrs": 3, "Master": 4, "Rare": 5}
for dataset in combine:
    dataset['Title'] = dataset['Title'].map(title_mapping)
    dataset['Title'] = dataset['Title'].fillna(0)



train_df = train_df.drop(['Name', 'PassengerId'], axis=1)
test_df = test_df.drop(['Name'], axis=1)
combine = [train_df, test_df]

for dataset in combine:
    dataset['Sex'] = dataset['Sex'].map( {'female': 1, 'male': 0} ).astype(int)



train_df['AgeBand'] = pd.cut(train_df['Age'], 5)#这部是为了找出划分线，将年龄分为5个区间
for dataset in combine:
    dataset.loc[ dataset['Age'] <= 16, 'Age'] = 0
    dataset.loc[(dataset['Age'] > 16) & (dataset['Age'] <= 32), 'Age'] = 1
    dataset.loc[(dataset['Age'] > 32) & (dataset['Age'] <= 48), 'Age'] = 2
    dataset.loc[(dataset['Age'] > 48) & (dataset['Age'] <= 64), 'Age'] = 3
    dataset.loc[ dataset['Age'] > 64, 'Age'] = 4
    dataset["Age"] = dataset["Age"].fillna(dataset["Age"].median())


train_df = train_df.drop(['AgeBand'], axis=1)  # 删除刚刚训练集中为了找划分线而加入的AgeBand特征
combine = [train_df, test_df]

for dataset in combine:
    dataset['FamilySize'] = dataset['SibSp'] + dataset['Parch'] + 1

for dataset in combine:
    dataset['IsAlone'] = 0
    dataset.loc[dataset['FamilySize'] == 1, 'IsAlone'] = 1

train_df = train_df.drop(['Parch', 'SibSp', 'FamilySize'], axis=1)
test_df = test_df.drop(['Parch', 'SibSp', 'FamilySize'], axis=1)
combine = [train_df, test_df]


for dataset in combine:
    dataset['Age*Pclass'] = dataset.Age * dataset.Pclass

freq_port = train_df.Embarked.dropna().mode()[0]
for dataset in combine:
    dataset['Embarked'] = dataset['Embarked'].fillna(freq_port)

for dataset in combine:
    dataset['Embarked'] = dataset['Embarked'].map( {'S': 0, 'C': 1, 'Q': 2} ).astype(int)

# 测试集中Fare有一个缺失值，用中位数进行填补
test_df['Fare'].fillna(test_df['Fare'].dropna().median(), inplace=True)
train_df['FareBand'] = pd.qcut(train_df['Fare'], 4)  # 根据样本分位数进行分箱，等频分箱，这步操作同上是为了找出划分线

for dataset in combine:
    dataset.loc[ dataset['Fare'] <= 7.91, 'Fare'] = 0
    dataset.loc[(dataset['Fare'] > 7.91) & (dataset['Fare'] <= 14.454), 'Fare'] = 1
    dataset.loc[(dataset['Fare'] > 14.454) & (dataset['Fare'] <= 31), 'Fare']   = 2
    dataset.loc[ dataset['Fare'] > 31, 'Fare'] = 3
    dataset['Fare'] = dataset['Fare'].astype(int)

train_df = train_df.drop(['FareBand'], axis=1)
combine = [train_df, test_df]

print(train_df.head(10))
print(test_df.head(10))

模型选择

先给出测试的代码吧，累了，这次主要着重于数据预处理，调参数就不细细弄了，就试了几种模型，最好的是随机森林

用了逻辑回归模型，支持向量机模型， KNN，朴素贝叶斯分类器，感知机，线性SVC，决策树，随机森林

import warnings
warnings.filterwarnings("ignore") #忽略警告信息

# 数据处理清洗包
import pandas as pd
import numpy as np
import random as rnd

# 可视化包
import seaborn as sns
import matplotlib.pyplot as plt


# 机器学习算法相关包
from sklearn.linear_model import LogisticRegression, Perceptron, SGDClassifier
from sklearn.svm import SVC, LinearSVC
from sklearn.neighbors import KNeighborsClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier

# 设置显示选项
pd.set_option('display.max_rows', None)  # 显示所有行
pd.set_option('display.max_columns', None)  # 显示所有列
pd.set_option('display.width', None)  # 自动调整宽度，防止内容被截断
pd.set_option('display.max_colwidth', None)  # 显示完整列内容


# 数据预处理
train_df = pd.read_csv('./titanic/train.csv')
test_df = pd.read_csv('./titanic/test.csv')
train_df = train_df.drop(['Ticket', 'Cabin'], axis=1)
test_df = test_df.drop(['Ticket', 'Cabin'], axis=1)
combine = [train_df, test_df]



for dataset in combine:
    dataset['Title'] = dataset.Name.str.extract('([A-Za-z]+)\.', expand=False)


for dataset in combine:
    dataset['Title'] = dataset['Title'].replace(['Lady', 'Countess','Capt', 'Col',
                                                 'Don', 'Dr', 'Major', 'Rev', 'Sir', 'Jonkheer', 'Dona'], 'Rare')
    dataset['Title'] = dataset['Title'].replace(['Mlle', 'Ms'], 'Miss')
    dataset['Title'] = dataset['Title'].replace('Mme', 'Mrs')


title_mapping = {"Mr": 1, "Miss": 2, "Mrs": 3, "Master": 4, "Rare": 5}
for dataset in combine:
    dataset['Title'] = dataset['Title'].map(title_mapping)
    dataset['Title'] = dataset['Title'].fillna(0)



train_df = train_df.drop(['Name', 'PassengerId'], axis=1)
test_df = test_df.drop(['Name'], axis=1)
combine = [train_df, test_df]

for dataset in combine:
    dataset['Sex'] = dataset['Sex'].map( {'female': 1, 'male': 0} ).astype(int)



train_df['AgeBand'] = pd.cut(train_df['Age'], 5)#这部是为了找出划分线，将年龄分为5个区间
for dataset in combine:
    dataset.loc[ dataset['Age'] <= 16, 'Age'] = 0
    dataset.loc[(dataset['Age'] > 16) & (dataset['Age'] <= 32), 'Age'] = 1
    dataset.loc[(dataset['Age'] > 32) & (dataset['Age'] <= 48), 'Age'] = 2
    dataset.loc[(dataset['Age'] > 48) & (dataset['Age'] <= 64), 'Age'] = 3
    dataset.loc[ dataset['Age'] > 64, 'Age'] = 4
    dataset["Age"] = dataset["Age"].fillna(dataset["Age"].median())
print(test_df.head(10))

train_df = train_df.drop(['AgeBand'], axis=1)  # 删除刚刚训练集中为了找划分线而加入的AgeBand特征
combine = [train_df, test_df]

for dataset in combine:
    dataset['FamilySize'] = dataset['SibSp'] + dataset['Parch'] + 1

for dataset in combine:
    dataset['IsAlone'] = 0
    dataset.loc[dataset['FamilySize'] == 1, 'IsAlone'] = 1

train_df = train_df.drop(['Parch', 'SibSp', 'FamilySize'], axis=1)
test_df = test_df.drop(['Parch', 'SibSp', 'FamilySize'], axis=1)
combine = [train_df, test_df]


for dataset in combine:
    dataset['Age*Pclass'] = dataset.Age * dataset.Pclass

freq_port = train_df.Embarked.dropna().mode()[0]
for dataset in combine:
    dataset['Embarked'] = dataset['Embarked'].fillna(freq_port)

for dataset in combine:
    dataset['Embarked'] = dataset['Embarked'].map( {'S': 0, 'C': 1, 'Q': 2} ).astype(int)

# 测试集中Fare有一个缺失值，用中位数进行填补
test_df['Fare'].fillna(test_df['Fare'].dropna().median(), inplace=True)
train_df['FareBand'] = pd.qcut(train_df['Fare'], 4)  # 根据样本分位数进行分箱，等频分箱，这步操作同上是为了找出划分线

for dataset in combine:
    dataset.loc[ dataset['Fare'] <= 7.91, 'Fare'] = 0
    dataset.loc[(dataset['Fare'] > 7.91) & (dataset['Fare'] <= 14.454), 'Fare'] = 1
    dataset.loc[(dataset['Fare'] > 14.454) & (dataset['Fare'] <= 31), 'Fare']   = 2
    dataset.loc[ dataset['Fare'] > 31, 'Fare'] = 3
    dataset['Fare'] = dataset['Fare'].astype(int)

train_df = train_df.drop(['FareBand'], axis=1)
combine = [train_df, test_df]

print(train_df.head(10))
print(test_df.head(10))


# 模型训练
X_train = train_df.drop("Survived", axis=1)
Y_train = train_df["Survived"]
X_test  = test_df.drop("PassengerId", axis=1).copy()# 训练要求训练集和测试集特征种类和数量一致

# 逻辑回归模型
logreg = LogisticRegression()
logreg.fit(X_train, Y_train)
Y_pred = logreg.predict(X_test)  # logreg.predict_proba(X_test)[:,1]
acc_log = round(logreg.score(X_train, Y_train) * 100, 2)
print("逻辑回归模型准确率: ", acc_log)

# 可视化重要特征
coefficients = logreg.coef_[0]
features = X_train.columns
coef_df = pd.DataFrame({'Feature': features, 'Coefficient': coefficients})
coef_df['Absolute Coefficient'] = coef_df['Coefficient'].abs()
coef_df = coef_df.sort_values(by='Absolute Coefficient', ascending=False)
plt.figure(figsize=(8, 6))
sns.barplot(x='Absolute Coefficient', y='Feature', data=coef_df.head(10))
plt.tight_layout()
plt.show()


# 支持向量机模型
svc = SVC()
svc.fit(X_train, Y_train)
Y_pred = svc.predict(X_test)
acc_svc = round(svc.score(X_train, Y_train) * 100, 2)
print("支持向量机模型准确率: ", acc_svc)

# KNN
knn = KNeighborsClassifier(n_neighbors = 3)
knn.fit(X_train, Y_train)
Y_pred = knn.predict(X_test)
acc_knn = round(knn.score(X_train, Y_train) * 100, 2)
print("KNN模型准确率: ", acc_knn)

# 朴素贝叶斯分类器
gaussian = GaussianNB()
gaussian.fit(X_train, Y_train)
Y_pred = gaussian.predict(X_test)
acc_gaussian = round(gaussian.score(X_train, Y_train) * 100, 2)
print("朴素贝叶斯分类器准确率: ", acc_gaussian)

# 感知机
perceptron = Perceptron()
perceptron.fit(X_train, Y_train)
Y_pred = perceptron.predict(X_test)
acc_perceptron = round(perceptron.score(X_train, Y_train) * 100, 2)
print("感知机模型准确率: ", acc_perceptron)

# 线性SVC
linear_svc = LinearSVC()
linear_svc.fit(X_train, Y_train)
Y_pred = linear_svc.predict(X_test)
acc_linear_svc = round(linear_svc.score(X_train, Y_train) * 100, 2)
print("线性SVC模型准确率: ", acc_linear_svc)



# 决策树
decision_tree = DecisionTreeClassifier()
decision_tree.fit(X_train, Y_train)
Y_pred = decision_tree.predict(X_test)
acc_decision_tree = round(decision_tree.score(X_train, Y_train) * 100, 2)
print("决策树模型准确率: ", acc_decision_tree)

# 随机森林
random_forest = RandomForestClassifier(n_estimators=100)
random_forest.fit(X_train, Y_train)
Y_pred = random_forest.predict(X_test)
random_forest.score(X_train, Y_train)
acc_random_forest = round(random_forest.score(X_train, Y_train) * 100, 2)
print("随机森林模型准确率: ", acc_random_forest)

submission = pd.DataFrame({
        "PassengerId": test_df["PassengerId"],
        "Survived": Y_pred
    })
submission.to_csv('./submission.csv', index=False)

相关文章：

  1. AI比赛大杀器XGBoost结合ast抽象语法树批量识别恶意php文件
  2. AI比赛大杀器XGBoost结合ast抽象语法树批量识别恶意php文件
  3. CNN之垃圾邮件识别
  4. Word2Vec+LSTM+Attention恶意评论识别
  5. 研发安全 | 输入验证安全设计剖析

4A评测 - 免责申明

本站提供的一切软件、教程和内容信息仅限用于学习和研究目的。

不得将上述内容用于商业或者非法用途，否则一切后果请用户自负。

本站信息来自网络，版权争议与本站无关。您必须在下载后的24个小时之内，从您的电脑或手机中彻底删除上述内容。

如果您喜欢该程序，请支持正版，购买注册，得到更好的正版服务。如有侵权请邮件与我们联系处理。敬请谅解！

程序来源网络，不确保不包含木马病毒等危险内容，请在确保安全的情况下或使用虚拟机使用。

侵权违规投诉邮箱：4ablog168#gmail.com（#换成@）

4A测评
网络安全
0 0

相关文章

当心别人删了你的大模型
深度解析流量转发
钓鱼PDF泛滥：260个域名传播Lumma窃取程序，伪装验证码成陷阱
大语言模型训练集中发现超1.2万个API密钥和密码
Word2Vec+LSTM+Attention恶意评论识别
CNN之垃圾邮件识别

发布评论