混淆矩阵(Confusion Matrix)是机器学习中用于评估分类模型性能的重要工具，它以一种清晰直观的方式展示了模型预测结果与实际结果的对比情况。​​TP（真正例）​​：模型预测为正，实际也为正（模型预测正确）​​FP（假正例）​​：模型预测为正，但实际为负（模型预测错误，误报）​​FN（假负例）​​：模型预测为负，但实际为正（模型预测错误，漏报）​​TN（真负例）​​：模型预测为负，实际也为

数据可视化是指将抽象数据转换为直观图形的过程，通过图表、图形等视觉元素来表达数据。在大数据时代，各行业产生的数据量巨大，传统以表格呈现数据的方法已难以高效传达信息。数据可视化利用人类对图形的直观感知，将复杂数据转化为易于理解的图形和图表，帮助用户更快速地获取信息。核心意义：可视化使数据更加直观，降低理解门槛，人们能更容易发现数据中的模式和趋势。通过图形呈现，观察者可以快速抓住数据的重点，深入挖掘背

输入数据是一段文本，如下：2. Split 阶段（数据分割阶段）输入数据被切分为更小的部分，每个部分对应一行文本。作用：将输入数据分配给不同的 Mapper 任务，实现并行处理。3. Mapper Phase（映射阶段）每个 Mapper 任务读取一个输入块，应用用户定义的 Map 函数。Map 函数会将输入文本解析为单词，并为每个单词输出一个键值对（Key-Value Pair），形式为 。例如

若实体间联系是1:n，则在n端关系模型中加入1端的主键和关系的属性。若实体间联系是m:n，则把联系转换为关系模式，并且加入两端的主键组合为新的主键和关系的属性。①若实体间联系是1:1，可以在两个实体类型转换成的两个关系模式中任意一个关系模式的属性中加入另一个关系模式的主键和联系类型的属性。③若实体间联系是m:n，则将联系类型转换成关系模式，其属性为两端实体类型的键加上联系类型的属性，而主键为两端实

以下命令只会在执行这个特定的 git clone 命令时不使用代理，而不会影响全局的代理设置。取消全局的 http.proxy 配置。对单个Git命令临时取消代理设置。失败是因为的Ctrl+C取消了。

vscode下载安装和拓展包的安装

where表示的条件可以分为两部分，一部分是题目真正想查询的结果，另一部分是多表连接的条件，where语句强调的是条件，也就是选择，章节一中说到。如果题目要求用等值连接，或者题目给出的关系代数表达式用的等值连接，那么画图也要用等值连接。最后则剩下关系表的连接，表的连接在语法树中笛卡尔积，符号用 x 表示。关系R上的投影是从R中选择出若干属性列组成新的关系。在对应关系模式前，添加题目查询所需的列属性

逻辑结构​​：描述数据元素之间的逻辑关系（如线性、树、图等），与存储方式、元素内容、个数等无关。​：相互之间存在一种或多种特定关系的数据元素的集合，包括逻辑结构、存储结构及运算。用任意存储单元存储数据元素，通过指针表示逻辑关系，逻辑相邻的元素物理上不一定相邻。​：数据元素之间的逻辑关系，与存储无关，分为集合、线性、树形、图状等。线性结构​​（如线性表、栈、队列）和 ​​非线性结构​​（如树、图）​

在 llama.cpp 下创建 llama-quantize 文件夹并将 Release 粘贴进 llama-quantize 文件夹。或者 下载.zip解压。注意llama.cpp需要与训练代码同目录。进入 train.py 所在路径 python train.py。①打开 PowerShell 或命令提示符。②进入训练后生成的 model 目录。⑤生成的可执行文件应位于。③部署模型到ollam

使用 Pydantic 定义一个数据模型 QuestionRequest，用来描述客户端请求的 JSON 数据格式。模型中只有一个字段 question，类型为字符串。当客户端发送请求时，FastAPI 会自动将请求体解析为这个数据模型，并验证其中的数据是否满足定义的格式和类型要求。如果数据格式不符合，会自动返回错误响应。model="ollama/model_name", # 指定要使用的 AI