Matplotlib 是 Python 的绘图库，它能让使用者很轻松地将数据图形化，并且提供多样化的输出格式。​​图表类型​​​​函数​​​​关键参数​​​​参数解释​​​​折线图​​plt.plot()markerlinestylecolor​​marker​​: 数据点标记样式（'o'圆形、's'方形、'*'星号等）​​linestyle​​: 线条样式（'-'实线、'--'虚线、':'点线等

本文介绍了网络爬虫的基础概念与应用。主要内容包括：1）爬虫定义与分类，分为通用、聚焦、增量式和深层网络爬虫四种类型；2）核心工作原理，涉及HTTP请求过程、响应结构和网页基础；3）常见爬取策略如宽度优先（BFS）和深度优先（DFS）遍历；4）Python中Requests库的使用方法，包括请求发送、响应处理和异常捕获。文章通过百度网页爬取实例，展示了网络爬虫从发送请求到获取响应的完整流程，为初学者

图像分类是指将不同图像划分到对应类别标签，核心目标是实现最小分类误差，即让模型对图像类别的判断尽可能准确。

本文介绍了使用PyTorch实现CIFAR-10图像分类的关键步骤：1）导入必要的深度学习库；2）构建包含卷积层、池化层和全连接层的CNN网络；3）设置数据预处理（标准化、张量转换）和数据加载器；4）配置交叉熵损失函数和SGD优化器；5）实现模型训练循环（前向传播、反向传播、参数更新）；6）评估模型性能并计算准确率。重点讲解了PyTorch核心组件使用、GPU加速、多进程处理等技术细节，为图像分类

图像分割是深度学习在计算机视觉领域的重要任务，核心目标是预测目标轮廓，本质是对图像中每一个像素进行细粒度分类，将不同属性的像素划分到对应类别，实现从 “整图识别” 到 “像素级区分” 的突破。

图像分类是指将不同图像划分到对应类别标签，核心目标是实现最小分类误差，即让模型对图像类别的判断尽可能准确。

衡量 “预测为正的样本中，真正为正的比例”，关注 “少误判”；公式：Precision=TP+FPTP​例：模型预测 100 个 “车”，其中 80 个是真车（TP=80），20 个是误判（FP=20），则 Precision=80/(80+20)=0.8。：衡量 “真实为正的样本中，被正确预测的比例”，关注 “少漏检”；公式：Recall=TP+FNTP​例：图像中实际有 100 辆车（TP+F

图像分类是指将不同图像划分到对应类别标签，核心目标是实现最小分类误差，即让模型对图像类别的判断尽可能准确。

本文总结了数据预处理中缺失值处理和标准化方法：1) Pandas缺失值处理包括isnull()检测、dropna()删除和fillna()填充；2) Sklearn的SimpleImputer提供均值/中位数/常数/众数填补策略；3) 标准化方法包括MinMaxScaler归一化和StandardScaler标准差标准化；4) 特征编码技术如独热编码和序号编码；5) 数据二值化通过阈值将数值转换为

Robots​Robots协议（Robots Exclusion Protocol）：称作爬虫协议、机器人协议，全称是网络爬虫排除标准（Robots Exclusion Protocol），用来告诉爬虫和搜索引擎可以抓取哪些页面。它通常是一个叫做robots.txt文件。​核心功能​：​​​访问控制​​：屏蔽敏感目录（如后台/admin/、用户数据/user/​​资源优化​​：禁止抓取大文件（如图