决策树、SVM、随机森林在评定信用等级上的应用

2024-01-10 21:50
文章标签 应用 决策树 随机 森林 svm 评定 信用等级

本文主要是介绍决策树、SVM、随机森林在评定信用等级上的应用，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

以下为我们这次的数据集信息，分别是各类特征和信用评定Label，属于二分类问题。

本文章想通过比较决策树、SVM和随机森林在该数据集上的表现

在这里插入图片描述

导入数据，查看缺失值

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

data =pd.read_excel('./GermanCredit.xls', sheet_name='Data')  #读取xls文件的Data sheet
data.head()

num_features = ['DURATION','AMOUNT','INSTALL_RATE','AGE','NUM_CREDITS','NUM_DEPENDENTS']
cat_features = data.columns.drop(num_features + ['OBS#'])

data.isnull().sum()
# 都没有缺失值

OBS#                0
CHK_ACCT            0
DURATION            0
HISTORY             0
NEW_CAR             0
USED_CAR            0
FURNITURE           0
RADIO/TV            0
EDUCATION           0
RETRAINING          0
AMOUNT              0
SAV_ACCT            0
EMPLOYMENT          0
INSTALL_RATE        0
MALE_DIV            0
MALE_SINGLE         0
MALE_MAR_or_WID     0
CO-APPLICANT        0
GUARANTOR           0
PRESENT_RESIDENT    0
REAL_ESTATE         0
PROP_UNKN_NONE      0
AGE                 0
OTHER_INSTALL       0
RENT                0
OWN_RES             0
NUM_CREDITS         0
JOB                 0
NUM_DEPENDENTS      0
TELEPHONE           0
FOREIGN             0
RESPONSE            0
dtype: int64

将连续特征离散化

发现DURATION是贷款期限，分布在4-72个月之间，而且分布是一个看似左偏的正态分布，做一个hist图看得更清楚！

plt.hist(data['DURATION'])

在这里插入图片描述

(array([171., 262., 337.,  57.,  86.,  17.,  54.,   2.,  13.,   1.]),array([ 4. , 10.8, 17.6, 24.4, 31.2, 38. , 44.8, 51.6, 58.4, 65.2, 72. ]),<a list of 10 Patch objects>)

取五分位数，将DURATION特征转化成cat_features做离散化处理

x<20 dua_rank = 1
20<x<40 dua_rank = 2
40<x<60 dua_rank = 3
60<x<72 dua_rank = 4
并且创造一个新特征 dua_rank 添加在new_data中,也可以用sklearn.KBinsDiscretizer进行分箱处理

dua_rank = []
duration = data['DURATION']
for i in duration:if i <=20:dua_rank.append(1)elif i<= 40:dua_rank.append(2)elif i < 60:dua_rank.append(3)else:dua_rank.append(4)

可以看出，大部分的duration分布在rank1、2的区间内

plt.hist(dua_rank,bins = 4)

(array([554., 365.,  67.,  14.]),array([1.  , 1.75, 2.5 , 3.25, 4.  ]),<a list of 4 Patch objects>)

在这里插入图片描述

new_data = data.copy()
new_data['dua_rank'] = dua_rank

new_data.head()
OBS#CHK_ACCTDURATIONHISTORYNEW_CARUSED_CARFURNITURERADIO/TVEDUCATIONRETRAINING...OTHER_INSTALLRENTOWN_RESNUM_CREDITSJOBNUM_DEPENDENTSTELEPHONEFOREIGNRESPONSEdua_rank
01064000100...0012211011
121482000100...0011210003
233124000010...0011120011
340422001000...0001220013
450243100000...0002220002

5 rows × 33 columns

plt.hist(data['AMOUNT'])

(array([445., 293.,  97.,  80.,  38.,  19.,  14.,   8.,   5.,   1.]),array([  250. ,  2067.4,  3884.8,  5702.2,  7519.6,  9337. , 11154.4,12971.8, 14789.2, 16606.6, 18424. ]),<a list of 10 Patch objects>)

在这里插入图片描述

我们也将AMOUNT特征分为1-10级，用十分位点作为评分标准

同样可以用sklearn.KBinsDiscretizer进行分箱离散化

percent = np.percentile(data['AMOUNT'], [i * 10 for i in range(1,10)])

amount_rank = []
for i in data['AMOUNT']:if i < percent[0]:amount_rank.append(1)elif i < percent[1]:amount_rank.append(2)elif i <percent[2]:amount_rank.append(3)elif i < percent[3]:amount_rank.append(4)elif i < percent[4]:amount_rank.append(5)elif i < percent[5]:amount_rank.append(6)elif i < percent[6]:amount_rank.append(7)elif i < percent[7]:amount_rank.append(8)elif i < percent[8]:amount_rank.append(9)else:amount_rank.append(10)
new_data['amount_rank'] = amount_rank

data['INSTALL_RATE'].value_counts()

4    476
2    231
3    157
1    136
Name: INSTALL_RATE, dtype: int64
INSTSLL_RATE 分期付款率占可支配收入的百分比可以直接看作一个离散变量,不作处理
AGE 变量做离散化处理，原理同上的特征处理
data['AGE'].describe()

count    1000.000000
mean       35.546000
std        11.375469
min        19.000000
25%        27.000000
50%        33.000000
75%        42.000000
max        75.000000
Name: AGE, dtype: float64

percent = np.percentile(data['AGE'], [25, 50, 75])
age_rank = []
for i in data['AGE']:if i <= percent[0]:age_rank.append(1)elif i <= percent[1]:age_rank.append(2)elif i <= percent[2]:age_rank.append(3)else:age_rank.append(4)
new_data['age_rank'] = age_rank      

new_data.head()
OBS#CHK_ACCTDURATIONHISTORYNEW_CARUSED_CARFURNITURERADIO/TVEDUCATIONRETRAINING...OWN_RESNUM_CREDITSJOBNUM_DEPENDENTSTELEPHONEFOREIGNRESPONSEdua_rankamount_rankage_rank
01064000100...1221101124
121482000100...1121000391
233124000010...1112001154
340422001000...01220013104
450243100000...0222000294

5 rows × 35 columns

data['NUM_CREDITS'].describe()

count    1000.000000
mean        1.407000
std         0.577654
min         1.000000
25%         1.000000
50%         1.000000
75%         2.000000
max         4.000000
Name: NUM_CREDITS, dtype: float64
num_credits 表示持有的信用卡的数目，范围在1-3 ，也可以不用处理
plt.hist(data['NUM_CREDITS'],bins = 4)

(array([633., 333.,  28.,   6.]),array([1.  , 1.75, 2.5 , 3.25, 4.  ]),<a list of 4 Patch objects>)

在这里插入图片描述

data['NUM_DEPENDENTS'].describe()

count    1000.000000
mean        1.155000
std         0.362086
min         1.000000
25%         1.000000
50%         1.000000
75%         1.000000
max         2.000000
Name: NUM_DEPENDENTS, dtype: float64
也只有两个类， 我也不需要处理
plt.hist(data['NUM_DEPENDENTS'],bins = 2)

(array([845., 155.]), array([1. , 1.5, 2. ]), <a list of 2 Patch objects>)

在这里插入图片描述

将刚刚做处理的num_features 删除掉,用rank特征代替
new_data.drop(['AGE','AMOUNT','DURATION'], axis = 1,inplace=True)
将不具有大小关系的特征进行one-hot encoding 以消除其大小的含义

所以我们将 HISTORY , JOB 特征 进行独热编码

history = data['HISTORY']
new_history = pd.get_dummies(history,prefix='histor')
job = data['JOB']
new_job = pd.get_dummies(job, prefix= 'job')
new_data = pd.concat([new_data, new_history, new_job], axis = 1)
new_data.drop(['HISTORY', 'JOB'], axis = 1,inplace=True)

new_data
OBS#CHK_ACCTNEW_CARUSED_CARFURNITURERADIO/TVEDUCATIONRETRAININGSAV_ACCTEMPLOYMENT...age_rankhistor_0histor_1histor_2histor_3histor_4job_0job_1job_2job_3
01000010044...4000010010
12100010002...1001000010
23300001003...4000010100
34000100003...4001000010
45010000002...4000100010
..................................................................
995996300100003...2001000100
996997001000002...3001000001
997998300010004...3001000010
998999000010002...1001000010
9991000101000010...1000010010

1000 rows × 39 columns

new_data.info

<bound method DataFrame.info of      OBS#  CHK_ACCT  NEW_CAR  USED_CAR  FURNITURE  RADIO/TV  EDUCATION  \
0       1         0        0         0          0         1          0   
1       2         1        0         0          0         1          0   
2       3         3        0         0          0         0          1   
3       4         0        0         0          1         0          0   
4       5         0        1         0          0         0          0   
..    ...       ...      ...       ...        ...       ...        ...   
995   996         3        0         0          1         0          0   
996   997         0        0         1          0         0          0   
997   998         3        0         0          0         1          0   
998   999         0        0         0          0         1          0   
999  1000         1        0         1          0         0          0   RETRAINING  SAV_ACCT  EMPLOYMENT  ...  age_rank  histor_0  histor_1  \
0             0         4           4  ...         4         0         0   
1             0         0           2  ...         1         0         0   
2             0         0           3  ...         4         0         0   
3             0         0           3  ...         4         0         0   
4             0         0           2  ...         4         0         0   
..          ...       ...         ...  ...       ...       ...       ...   
995           0         0           3  ...         2         0         0   
996           0         0           2  ...         3         0         0   
997           0         0           4  ...         3         0         0   
998           0         0           2  ...         1         0         0   
999           0         1           0  ...         1         0         0   histor_2  histor_3  histor_4  job_0  job_1  job_2  job_3  
0           0         0         1      0      0      1      0  
1           1         0         0      0      0      1      0  
2           0         0         1      0      1      0      0  
3           1         0         0      0      0      1      0  
4           0         1         0      0      0      1      0  
..        ...       ...       ...    ...    ...    ...    ...  
995         1         0         0      0      1      0      0  
996         1         0         0      0      0      0      1  
997         1         0         0      0      0      1      0  
998         1         0         0      0      0      1      0  
999         0         0         1      0      0      1      0  [1000 rows x 39 columns]>

from sklearn import tree
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import GridSearchCV
import graphviz
from sklearn.svm import SVC

x = new_data.drop(['RESPONSE'], axis = 1)
y = new_data.loc[:,['RESPONSE']]
train_x, test_x, train_y, test_y = train_test_split(x, y, test_size = 0.2, random_state = 777)

决策树分类器

采用GridSearchCV进行可选参数的遍历，选出一个最优模型，以后的决策树，SVM，随机森林都采用这个方法进行遍历调参，选出最优参数和最优模型

model = DecisionTreeClassifier(criterion='gini',max_depth=4,min_samples_split=4,max_features=6)
params = {'criterion':['gini','entropy'],'max_depth': range(1,30),'min_samples_split': range(2,10),'min_samples_leaf' : range(1,6),
}
cv = GridSearchCV(model,param_grid= params,n_jobs= -1,verbose=1,scoring='accuracy', cv = 5)
cv.fit(data.iloc[:,:-1], data.iloc[:,-1])

Fitting 5 folds for each of 2320 candidates, totalling 11600 fits[Parallel(n_jobs=-1)]: Using backend LokyBackend with 4 concurrent workers.
[Parallel(n_jobs=-1)]: Done 1348 tasks      | elapsed:    2.4s
[Parallel(n_jobs=-1)]: Done 8248 tasks      | elapsed:   15.7s
[Parallel(n_jobs=-1)]: Done 11600 out of 11600 | elapsed:   22.5s finishedGridSearchCV(cv=5, error_score='raise-deprecating',estimator=DecisionTreeClassifier(class_weight=None,criterion='gini', max_depth=4,max_features=6,max_leaf_nodes=None,min_impurity_decrease=0.0,min_impurity_split=None,min_samples_leaf=1,min_samples_split=4,min_weight_fraction_leaf=0.0,presort=False, random_state=None,splitter='best'),iid='warn', n_jobs=-1,param_grid={'criterion': ['gini', 'entropy'],'max_depth': range(1, 30),'min_samples_leaf': range(1, 6),'min_samples_split': range(2, 10)},pre_dispatch='2*n_jobs', refit=True, return_train_score=False,scoring='accuracy', verbose=1)

model1 = cv.best_estimator_
cv.best_params_,cv.best_score_

({'criterion': 'gini','max_depth': 5,'min_samples_leaf': 2,'min_samples_split': 5},0.734)

影响决策树决策的特征重要性的可视化

发现最重要的特征为 CHK_ACCT、DURATION、AGE、HISTORY
plt.figure(figsize= (9,6))
plt.bar(data.iloc[:,:-1].columns, model1.feature_importances_)
plt.xticks(rotation = 90)
plt.show()

在这里插入图片描述

cv.fit(x, y)
model2 = cv.best_estimator_
cv.best_params_,cv.best_score_

Fitting 5 folds for each of 2320 candidates, totalling 11600 fits[Parallel(n_jobs=-1)]: Using backend LokyBackend with 4 concurrent workers.
[Parallel(n_jobs=-1)]: Done 1328 tasks      | elapsed:    3.0s
[Parallel(n_jobs=-1)]: Done 7928 tasks      | elapsed:   18.5s
[Parallel(n_jobs=-1)]: Done 11600 out of 11600 | elapsed:   27.5s finished({'criterion': 'gini','max_depth': 5,'min_samples_leaf': 2,'min_samples_split': 2},0.728)

model2

DecisionTreeClassifier(class_weight=None, criterion='gini', max_depth=5,max_features=6, max_leaf_nodes=None,min_impurity_decrease=0.0, min_impurity_split=None,min_samples_leaf=2, min_samples_split=2,min_weight_fraction_leaf=0.0, presort=False,random_state=None, splitter='best')

将预处理过的特征 进行决策树分析，发现 CHK_ACCT仍是最重要的影响特征，其他特征并没有表现出来，模型的表现也不如未处理的数据

plt.figure(figsize= (9,6))
plt.bar(x.columns, model2.feature_importances_)
plt.xticks(rotation = 90)
plt.show()

在这里插入图片描述

决策树的可视化

graph_data = tree.export_graphviz(model2,out_file = None,feature_names=x.columns,filled= True, rounded= True)
graph = graphviz.Source(graph_data,)
graph

在这里插入图片描述

SVM分类器

可以看出SVM在全是离散型变量的数据集的预测上表现的并不是很好，不如决策树，accuracy 在为预处理的数据集和 经过离散处理的数据集上都只有0.7和0.65的表现
model = SVC()
params = {'C':range(1,10)}
cv = GridSearchCV(model,param_grid=params, verbose = 1,cv = 5,scoring='accuracy',n_jobs=-1)
cv.fit(x, y)
model1 = cv.best_estimator_
cv.best_score_

Fitting 5 folds for each of 9 candidates, totalling 45 fits[Parallel(n_jobs=-1)]: Using backend LokyBackend with 4 concurrent workers.
[Parallel(n_jobs=-1)]: Done  38 out of  45 | elapsed:    1.3s remaining:    0.2s
[Parallel(n_jobs=-1)]: Done  45 out of  45 | elapsed:    1.5s finished
F:\Anaconda3\lib\site-packages\sklearn\utils\validation.py:724: DataConversionWarning: A column-vector y was passed when a 1d array was expected. Please change the shape of y to (n_samples, ), for example using ravel().y = column_or_1d(y, warn=True)
F:\Anaconda3\lib\site-packages\sklearn\svm\base.py:193: FutureWarning: The default value of gamma will change from 'auto' to 'scale' in version 0.22 to account better for unscaled features. Set gamma explicitly to 'auto' or 'scale' to avoid this warning."avoid this warning.", FutureWarning)0.653

cv.fit(data.iloc[:,:-1], data.iloc[:,-1])
model2 = cv.best_estimator_
cv.best_score_

[Parallel(n_jobs=-1)]: Using backend LokyBackend with 4 concurrent workers.Fitting 5 folds for each of 9 candidates, totalling 45 fits[Parallel(n_jobs=-1)]: Done  38 out of  45 | elapsed:    1.6s remaining:    0.2s
[Parallel(n_jobs=-1)]: Done  45 out of  45 | elapsed:    1.8s finished
F:\Anaconda3\lib\site-packages\sklearn\svm\base.py:193: FutureWarning: The default value of gamma will change from 'auto' to 'scale' in version 0.22 to account better for unscaled features. Set gamma explicitly to 'auto' or 'scale' to avoid this warning."avoid this warning.", FutureWarning)0.7

随机森林分类器

可以看出集成类分类器会有更好的表现，在预处理的数据集上表现为0.759，未处理的数据集上表现为 0.773
from sklearn.ensemble import RandomForestClassifier

model = RandomForestClassifier(n_estimators=500, random_state=2)
params = {'n_estimators':range(1,1000)
}
cv = GridSearchCV(model, param_grid=params ,verbose = 1,n_jobs=-1, scoring='accuracy')
cv.fit(x,y)
rfc1= cv.best_estimator_
F:\Anaconda3\lib\site-packages\sklearn\model_selection\_split.py:1978: FutureWarning: The default value of cv will change from 3 to 5 in version 0.22. Specify it explicitly to silence this warning.warnings.warn(CV_WARNING, FutureWarning)
[Parallel(n_jobs=-1)]: Using backend LokyBackend with 4 concurrent workers.Fitting 3 folds for each of 999 candidates, totalling 2997 fits[Parallel(n_jobs=-1)]: Done  75 tasks      | elapsed:    3.7s
[Parallel(n_jobs=-1)]: Done 526 tasks      | elapsed:   30.7s
[Parallel(n_jobs=-1)]: Done 776 tasks      | elapsed:  1.1min
[Parallel(n_jobs=-1)]: Done 1126 tasks      | elapsed:  2.3min
[Parallel(n_jobs=-1)]: Done 1576 tasks      | elapsed:  4.5min
[Parallel(n_jobs=-1)]: Done 2126 tasks      | elapsed:  8.2min
[Parallel(n_jobs=-1)]: Done 2776 tasks      | elapsed: 14.1min
[Parallel(n_jobs=-1)]: Done 2997 out of 2997 | elapsed: 16.4min finished
F:\Anaconda3\lib\site-packages\sklearn\model_selection\_search.py:715: DataConversionWarning: A column-vector y was passed when a 1d array was expected. Please change the shape of y to (n_samples,), for example using ravel().self.best_estimator_.fit(X, y, **fit_params)

rfc = cv.best_estimator_
rfc

RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',max_depth=None, max_features='auto', max_leaf_nodes=None,min_impurity_decrease=0.0, min_impurity_split=None,min_samples_leaf=1, min_samples_split=2,min_weight_fraction_leaf=0.0, n_estimators=673,n_jobs=None, oob_score=False, random_state=2, verbose=0,warm_start=False)

cv.best_score_

0.759

cv.fit(data.iloc[:,:-1],y.iloc[:,-1])
rfc2= cv.best_estimator_

F:\Anaconda3\lib\site-packages\sklearn\model_selection\_split.py:1978: FutureWarning: The default value of cv will change from 3 to 5 in version 0.22. Specify it explicitly to silence this warning.warnings.warn(CV_WARNING, FutureWarning)
[Parallel(n_jobs=-1)]: Using backend LokyBackend with 4 concurrent workers.Fitting 3 folds for each of 999 candidates, totalling 2997 fits[Parallel(n_jobs=-1)]: Done  75 tasks      | elapsed:    4.0s
[Parallel(n_jobs=-1)]: Done 423 tasks      | elapsed:   21.4s
[Parallel(n_jobs=-1)]: Done 673 tasks      | elapsed:   49.5s
[Parallel(n_jobs=-1)]: Done 1023 tasks      | elapsed:  1.9min
[Parallel(n_jobs=-1)]: Done 1473 tasks      | elapsed:  4.0min
[Parallel(n_jobs=-1)]: Done 2023 tasks      | elapsed:  7.5min
[Parallel(n_jobs=-1)]: Done 2673 tasks      | elapsed: 13.2min
[Parallel(n_jobs=-1)]: Done 2997 out of 2997 | elapsed: 16.5min finished

cv.best_score_ #

0.773

总结

1、在决策树，随机森林，SVM上，经过预处理的数据反而准确率不及源数据，可能造成的原因是，处理后将原数据的某些特点抹掉了，使模型欠拟合
2、SVM在大部分特征是0、1特征的数据集上表现不如树模型
3、随机森林这类集成模型表现好于单模型，但需要计算资源较多，耗时长。
4、影响贷款最重要的特征是CHK_ACCT，即支票帐户状态。
5、随机森林和决策树这种树类模型在实际应用中更具可解释性。

总体变现并不是很好，之后想再试一试 xgboost 和 LightGBM这类boosting集成树模型

这篇关于决策树、SVM、随机森林在评定信用等级上的应用的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/592184。

相关文章

中文分词jieba库的使用与实景应用（一）

中文分词jieba库的使用与实景应用（一）

知识星球：https://articles.zsxq.com/id_fxvgc803qmr2.html 目录 一.定义： 精确模式（默认模式）： 全模式： 搜索引擎模式： paddle 模式（基于深度学习的分词模式）： 二 自定义词典 三.文本解析   调整词出现的频率 四. 关键词提取 A. 基于TF-IDF算法的关键词提取 B. 基于TextRank算法的关键词提取
阅读更多...
水位雨量在线监测系统概述及应用介绍

水位雨量在线监测系统概述及应用介绍

在当今社会，随着科技的飞速发展，各种智能监测系统已成为保障公共安全、促进资源管理和环境保护的重要工具。其中，水位雨量在线监测系统作为自然灾害预警、水资源管理及水利工程运行的关键技术，其重要性不言而喻。 一、水位雨量在线监测系统的基本原理 水位雨量在线监测系统主要由数据采集单元、数据传输网络、数据处理中心及用户终端四大部分构成，形成了一个完整的闭环系统。 数据采集单元：这是系统的“眼睛”，
阅读更多...
csu 1446 Problem J Modified LCS （扩展欧几里得算法的简单应用）

csu 1446 Problem J Modified LCS （扩展欧几里得算法的简单应用）

这是一道扩展欧几里得算法的简单应用题，这题是在湖南多校训练赛中队友ac的一道题，在比赛之后请教了队友，然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意：把题意转变下就变成了：求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点：求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个
阅读更多...
hdu1394(线段树点更新的应用)

hdu1394(线段树点更新的应用)

题意：求一个序列经过一定的操作得到的序列的最小逆序数 这题会用到逆序数的一个性质，在0到n-1这些数字组成的乱序排列，将第一个数字A移到最后一位，得到的逆序数为res-a+(n-a-1) 知道上面的知识点后，可以用暴力来解 代码如下： #include<iostream>#include<algorithm>#include<cstring>#include<stack>#in
阅读更多...
zoj3820(树的直径的应用)

zoj3820(树的直径的应用)

题意：在一颗树上找两个点，使得所有点到选择与其更近的一个点的距离的最大值最小。 思路：如果是选择一个点的话，那么点就是直径的中点。现在考虑两个点的情况，先求树的直径，再把直径最中间的边去掉，再求剩下的两个子树中直径的中点。 代码如下： #include <stdio.h>#include <string.h>#include <algorithm>#include <map>#
阅读更多...
【区块链 + 人才服务】可信教育区块链治理系统 | FISCO BCOS应用案例

【区块链 + 人才服务】可信教育区块链治理系统 | FISCO BCOS应用案例

伴随着区块链技术的不断完善，其在教育信息化中的应用也在持续发展。利用区块链数据共识、不可篡改的特性， 将与教育相关的数据要素在区块链上进行存证确权，在确保数据可信的前提下，促进教育的公平、透明、开放，为教育教学质量提升赋能，实现教育数据的安全共享、高等教育体系的智慧治理。 可信教育区块链治理系统的顶层治理架构由教育部、高校、企业、学生等多方角色共同参与建设、维护，支撑教育资源共享、教学质量评估、
阅读更多...
AI行业应用(不定期更新)

AI行业应用(不定期更新)

ChatPDF 可以让你上传一个 PDF 文件，然后针对这个 PDF 进行小结和提问。你可以把各种各样你要研究的分析报告交给它，快速获取到想要知道的信息。https://www.chatpdf.com/
阅读更多...
【区块链 + 人才服务】区块链集成开发平台 | FISCO BCOS应用案例

【区块链 + 人才服务】区块链集成开发平台 | FISCO BCOS应用案例

随着区块链技术的快速发展，越来越多的企业开始将其应用于实际业务中。然而，区块链技术的专业性使得其集成开发成为一项挑战。针对此，广东中创智慧科技有限公司基于国产开源联盟链 FISCO BCOS 推出了区块链集成开发平台。该平台基于区块链技术，提供一套全面的区块链开发工具和开发环境，支持开发者快速开发和部署区块链应用。此外，该平台还可以提供一套全面的区块链开发教程和文档，帮助开发者快速上手区块链开发。
阅读更多...
【C++高阶】C++类型转换全攻略：深入理解并高效应用

【C++高阶】C++类型转换全攻略：深入理解并高效应用

📝个人主页🌹：Eternity._ ⏩收录专栏⏪：C++ “ 登神长阶 ” 🤡往期回顾🤡：C++ 智能指针 🌹🌹期待您的关注 🌹🌹 ❀C++的类型转换 📒1. C语言中的类型转换📚2. C++强制类型转换⛰️static_cast🌞reinterpret_cast⭐const_cast🍁dynamic_cast 📜3. C++强制类型转换的原因📝
阅读更多...
基于 YOLOv5 的积水检测系统：打造高效智能的智慧城市应用

基于 YOLOv5 的积水检测系统：打造高效智能的智慧城市应用

在城市发展中，积水问题日益严重，特别是在大雨过后，积水往往会影响交通甚至威胁人们的安全。通过现代计算机视觉技术，我们能够智能化地检测和识别积水区域，减少潜在危险。本文将介绍如何使用 YOLOv5 和 PyQt5 搭建一个积水检测系统，结合深度学习和直观的图形界面，为用户提供高效的解决方案。 源码地址： PyQt5+YoloV5 实现积水检测系统 预览： 项目背景
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2