-
2018-06-27 14:40:37
当这些 a,b,c 为这些值 时,是不会有弹出框的dddddddddd
var a=false; var b=0; var c=null; if(a){ alert('dddddddddd'); };
这样就揪出来一个问题 也就是 if 的条件判断 并不是 用 ==true 来判断是否为真的,js 的if 判断实际上是 Boolean(a) ==true 来判断的,先将 a 转化为Boolean 对象 ,然后判断 这个布尔对象是true 还是false,空 数组类型 转化为Boolean 是为 true的,所以以后小心使用直接 if(对象)这种形式
Java if判断句 if语句使用布尔表达式或布尔值作为分支条件来进行分支控制 ==true更多相关内容 -
各种语言常用的一句话判断代码
2020-10-27 13:35:33提供各种语言常用的一句话判断代码:一句话就能判断是不是含有中文、一句话就能判断是不是纯数字、一句话就能判断是不是闰年、一句话就能判断记录分多少页 -
nlp肯定句与否定句判断
2018-08-28 15:34:06Python语言,基于神经网络(pybrain)分类肯定句与否定句,开放了训练代码和样本数据,供读者自行修改样本进行训练 -
文言文复习之被动句省略句判断句实用PPT课件.pptx
2021-10-08 08:11:53文言文复习之被动句省略句判断句实用PPT课件.pptx -
文言文复习之被动句省略句判断句实用PPT学习教案.pptx
2021-10-08 08:10:00文言文复习之被动句省略句判断句实用PPT学习教案.pptx -
文言文句式之判断句.doc
2021-10-10 20:34:09文言文句式之判断句.doc -
文言文句式之判断句.docx
2021-10-06 09:57:51文言文句式之判断句.docx -
文言文 特殊句式 ——判断句被动句PPT课件.pptx
2021-10-08 08:09:59文言文 特殊句式 ——判断句被动句PPT课件.pptx -
文言文 特殊句式 ——判断句被动句PPT学习教案.pptx
2021-10-08 08:07:34文言文 特殊句式 ——判断句被动句PPT学习教案.pptx -
判断句实用PPT课件PPT课件.pptx
2021-10-07 12:39:41判断句实用PPT课件PPT课件.pptx -
文言文中的判断句PPT课件.pptx
2021-10-08 08:10:46文言文中的判断句PPT课件.pptx -
古代汉语的判断句PPT学习教案.pptx
2021-10-05 00:55:30古代汉语的判断句PPT学习教案.pptx -
2020高考语文一轮复习 判断句被动句教学指导书教案.doc
2021-10-13 12:56:262020高考语文一轮复习 判断句被动句教学指导书教案.doc -
古代汉语的判断句(讲).doc
2021-02-04 10:32:34古代汉语的判断句,考研必备! 句子根据谓语表示的语法意义,分为描写句、叙述句、判断句。 -
文言文特殊句式一判断句PPT课件.pptx
2021-10-08 08:13:41文言文特殊句式一判断句PPT课件.pptx -
文言文中的判断句PPT学习教案.pptx
2021-10-08 08:08:27文言文中的判断句PPT学习教案.pptx -
文言文特殊句式一判断句PPT学习教案.pptx
2021-10-08 08:12:25文言文特殊句式一判断句PPT学习教案.pptx -
2016年高考语文文言文特殊句式大全一判断句素材
2021-08-19 13:13:472016年高考语文文言文特殊句式大全一判断句素材 -
孔克仁句容人无标志判断句段考文言文PPT课件.pptx
2021-10-07 19:58:40孔克仁句容人无标志判断句段考文言文PPT课件.pptx -
知识讲解_文言特殊句式之判断句、省略句、被动句、宾语前置句2[定义].pdf
2021-10-14 13:03:51知识讲解_文言特殊句式之判断句、省略句、被动句、宾语前置句2[定义].pdf -
python怎么判断素数
2021-01-19 23:44:21质数(Prime number),又称素数,指在大于1的自然数中,除了1和该数自身外,无法被其他...在循环体里面,每次循环当然就是要判断当次除法是否是整除,这里可以使用求模运算,也就是取余,当余数为0时,该数就不是 -
问句识别:基于Xgboost的中文疑问句判断模型
2018-04-13 19:11:35output = '是疑问句' if tag else '不是疑问句' print(output) 三、其他 1、Xgboost参数解释: https://www.cnblogs.com/mfryf/p/6293814.html 2、具体源码可以在我的github上找到: ...一、前言
关于Xgboost:
xgboost是大规模并行boosted tree的工具,它是目前最快最好的开源boosted
tree工具包,比常见的工具包快10倍以上。在数据科学方面,有大量kaggle选手选用它进行数据挖掘比赛,其中包括两个以上kaggle比赛的夺冠方案。在工业界规模方面,xgboost的分布式版本有广泛的可移植性,支持在YARN,
MPI, Sungrid Engine等各个平台上面运行,并且保留了单机并行版本的各种优化,使得它可以很好地解决于工业界规模的问题。网上有不少介绍的文章,这里就此略过,直奔主题,写一篇炼丹文。
二、实战
1、语料
(1)语料格式
content,label 在么,1 你好,0 ...
左边为文本,右边为标签,从这里也可以看出来,疑问句判别问题可以简单的作为一个二分类问题来解决。
(2)语料预处理
tokenizer = jieba.Tokenizer() corpus['tokens'] = corpus.content.apply(lambda x: list(tokenizer.cut(x)))
从本地读取语料后,进行简单的分词处理
(3)特征工程
vectorizer = TfidfVectorizer(smooth_idf=True, analyzer=analyzer, ngram_range=(1, 1), min_df=1, norm='l1') sparse_vector = vectorizer.fit_transform(train.tokens.apply(lambda x: ' '.join(x)).tolist())
这里对分词后的语料进行TFIDF特征抽取,构造训练矩阵。
2、模型
(1)模型参数
模型参数使用k折交叉验证进行对比,确定
for i, param in enumerate(param_grid): cv_result = xgb.cv(param, self.train_matrix, num_boost_round=self.num_boost_round, # max iter round nfold=self.nfold, stratified=self.stratified, metrics=self.metrics, # metrics focus on early_stopping_rounds=self.early_stopping_rounds) # stop when metrics not get better
最终得到表现最好的一组参数及相应的迭代次数等
(2)模型训练
_, best_param, best_iter_round = self.model_param_select() self.model = xgb.train(dtrain=self.train_matrix, params=best_param, num_boost_round=best_iter_round)
与交叉验证寻找最佳参数不用,训练模型时使用全部的数据进行训练
(3)模型结果
Param select 0, auc: 0.9793438, iter_round: 207, params: {'objective': u'binary:logistic', 'subsample': 0.5, 'eta': 0.1, 'max_depth': 4, 'silent': 1}, now best auc: 0.9793438 Param select 1, auc: 0.9799142, iter_round: 350, params: {'objective': u'binary:logistic', 'subsample': 0.7, 'eta': 0.1, 'max_depth': 4, 'silent': 1}, now best auc: 0.9799142 Param select 2, auc: 0.9802402, iter_round: 280, params: {'objective': u'binary:logistic', 'subsample': 1.0, 'eta': 0.1, 'max_depth': 4, 'silent': 1}, now best auc: 0.9802402 ... Param select 24, auc: 0.97926, iter_round: 694, params: {'objective': u'binary:logistic', 'subsample': 0.5, 'eta': 0.02, 'max_depth': 6, 'silent': 1}, now best auc: 0.980495 Param select 25, auc: 0.9803058, iter_round: 824, params: {'objective': u'binary:logistic', 'subsample': 0.7, 'eta': 0.02, 'max_depth': 6, 'silent': 1}, now best auc: 0.980495 Param select 26, auc: 0.980129, iter_round: 880, params: {'objective': u'binary:logistic', 'subsample': 1.0, 'eta': 0.02, 'max_depth': 6, 'silent': 1}, now best auc: 0.980495
最终可以看到,模型的auc在0.980495得到最佳的参数,保存模型。
3、实例
from interrogative.api import * train() tag = recognize(u'今天 来 点 兔子 吗') output = '是疑问句' if tag else '不是疑问句' print(output)
三、其他
1、Xgboost参数解释:https://www.cnblogs.com/mfryf/p/6293814.html
2、具体源码可以在我的github上找到:https://github.com/lpty/nlp_base -
判断比喻句和非比喻句的方法.pdf
2021-10-12 03:05:55判断比喻句和非比喻句的方法.pdf -
Python-问题句子相似度计算即给定客服里用户描述的两句话用算法来判断是否表示了相同的语义
2019-08-10 06:04:13问题句子相似度计算,即给定客服里用户描述的两句话,用算法来判断是否表示了相同的语义 -
Linux一句命令之判断是否连上互联网
2019-01-05 22:30:23主要使用ping命令测试: ... ...如果是连接到互联网即返回输出,否则不输出,以此来判断。...可以看到使用ping一个互联网网址并判断ping的输出,通过"min"字段来比较是否具备连接上互联网的功能。主要使用ping命令测试:
ping www.baidu.com -c 1 | tail -n 1 | grep min
执行命令:
-
如果是连接到互联网即返回输出,否则不输出,以此来判断。
root@ubuntu:~$ ping www.baidu.com -c 1 | tail -n 1 | grep min rtt min/avg/max/mdev = 7.631/7.631/7.631/0.000 ms
单纯执行ping命令:
strong@ubuntu:~$ ping www.baidu.com -c 1 PING www.a.shifen.com (14.215.177.39) 56(84) bytes of data. 64 bytes from 14.215.177.39: icmp_seq=1 ttl=128 time=5.33 ms --- www.a.shifen.com ping statistics --- 1 packets transmitted, 1 received, 0% packet loss, time 0ms rtt min/avg/max/mdev = 5.336/5.336/5.336/0.000 ms
总结:
-
ping的-c 1命令为ping一次;
-
'tail -n 1'为获取从行尾开始的最后一行;
-
'grep min'为获取内容是否包含"min"字符串;
-
可以看到使用ping一个互联网网址并判断ping的输出,通过"min"字段来比较是否具备连接上互联网的功能。
-
-
题解:判断句子是否为全字母句
2021-07-11 10:26:42给你一个仅由小写英文字母组成的字符串 sentence ,请你判断sentence 是否为 全字母句 。 如果是,返回 true ;否则,返回 false 。 二、简单思路 class Solution { public boolean checkIfPangram(String ...一、题目大意
全字母句 指包含英语字母表中每个字母至少一次的句子。
给你一个仅由小写英文字母组成的字符串 sentence ,请你判断 sentence 是否为 全字母句 。
如果是,返回 true ;否则,返回 false 。
二、简单思路
class Solution { public boolean checkIfPangram(String sentence) { boolean f = false; for(char a = 'a';a<='z';a++){ if(sentence.indexOf(a)>=0){ continue; } else{ return false; } } return true; } }
三、巧妙思路
int型有32位,算法使用了其中的26位,
每一位对应一个字母,然后使用了或运算,
(注意,巧妙地实现了哈希,而且方便了检测)
比如出现了一个字母a,那么(c - 'a') 的ascII值为0,此时1向左移动零位,即第一位为1,以此类推 —> 第五行代码的逻辑。
而0x3ffffff的意思是,一个f在16进制中表示15,15转换为2进制为1111,即4位,所以6个f一共是24位;3转换为2进制为11,即2位,所以24+2=26位,也就代表了26个字母;
^表示异或运算,1 ^ 1 = 0,也就是说如果res前26位都为1的话,res ^ 0x3ffffff 的值将为 0; 故而返回true,否则返回false。
class Solution { public boolean checkIfPangram(String sentence) { int res = 0; for ( char c : sentence.toCharArray()) { res |= 1 << (c - 'a'); if ((res ^ 0x3ffffff) == 0) { return true; } } return false; } }