定义：模型正确预测的样本数占总样本数的比例解读左上子图中，蓝色线（训练准确率）最终稳定在 0.9 以上，说明模型在训练集上判断正确的比例超过 90%橙色线（验证准确率）也接近 0.9，说明模型在新数据上的泛化能力不错两条线的差距不大，说明模型没有明显过拟合准确率：给模型打个 “总体分”，看大概靠不靠谱；损失：看模型 “学习过程” 和 “预测细腻度”，指导训练；精确率：盯着 “别冤枉好人”（少误诊）

用react+spring boot搭建后台

过滤法（Filter：特征选择独立于数据挖掘任务，按照特征的发散程度或者特征与目标变量之间的相关性对各个特征进行评分，然后设定阈值选出评分较高的特征子集。包装法（Wrapper：特征选择和数据挖掘算法相关，直接使用数据挖掘模型在特征子集上的评价结果衡量该子集的优劣，然后采用一定的启发式方法在特征空间中搜索，直至选择出最优的特征子集。嵌入法（Embedded。

MyBatis 需要明确知道如何将 Java 对象转换为 JDBC 类型，以便正确地传递给数据库。虽然 MyBatis 默认使用预编译语句（PreparedStatement），但明确。：在大多数情况下，MyBatis 可以自动推断参数类型，因此 jdbcType。时，MyBatis 需要知道用哪种 JDBC 类型的。是一种参数类型映射配置，主要用于解决。等特殊数据库类型，需要通过。可以进一步确保

简单说，verify就是：用和签发时相同的算法 + 密钥，重新生成签名，对比令牌里的签名（防篡改）；同时检查令牌里的过期时间（防过期）。只有这两项（以及其他你配置的规则）都通过，才认为令牌合法，返回true；否则返回false。可以理解成：把 JWT 当成一张 “身份证”，verify先看身份证上的 “防伪标记”（签名）对不对 → 防篡改。再看 “有效期” 过没过期 → 防过期。都没问题，才承认这

处理一个报告：用了线程，因为实验报告每部分字比较多，所以 按报告结构分成4个部分提交的，从结果看，一个学生7份报告费时10分钟~~~我们通过reports = [] # 存储所有实验报告，

评估结果总结=====")print(f"评估样本数只考虑有有效边界框的结果计算关键指标print(f"平均平均重合度中位数中间水平标准差波动程度准确率（模型预测肺炎且实际有肺炎的比例）print(f"模型预测准确率肺炎绘制IoU分布直方图（看大多数样本的表现）label=f'平均值分布直方图')交并比(IoU)')频数')绘制预测概率与IoU的关系（看模型自信度和准确性是否相关）预测概率与IoU

在一枚指纹上，所有的汗孔可以看作是一个有特定分布的点集，因此，汗孔匹配可以看作一个点集匹配过程。汗孔识别的优点在于算法简单，很容易实现，但其缺点也很明显，汗孔过于细微，需要很好的采集设备才能显示清楚，同时，汗孔会受到诸如汗渍、灰尘等的干扰而变得模糊。设有两幅待匹配的图像，对它们分别进行傅里叶变换得到，将两个频谱相乘得到其相关谱，显而易见，若二幅图像相似，其频谱亦相似，则其错的峰值或者相关系数会比较

状态机优于流程判断服务拆分优于单体堆代码AI 算法必须工程化、可替换稳定性设计要早于性能优化前端只负责展示，流程由后端统一调度。

如何用工程化手段，把一个不稳定、强约束的硬件 SDK，变成一个稳定、可扩展的服务能力关键不在于写了多少代码，而在于：严格遵守 SDK 的线程模型用队列对抗并发用事件泵对抗“假异步”用分层架构隔离复杂性这套思路不仅适用于佳能相机，也同样适用于其他工业相机、扫描仪、串口设备等硬件集成场景。