多项式曲线拟合MATLABcensus.mat数据

最小二乘法(2)——多项式函数能够拟合非线性问题原理   一个复杂的多项式可以“过拟合”任意数据,言外之意是多项式函数可以接近于任何函数,这是什么道理呢? 泰勒公式   欲理解多项式函数的过拟合,必先理解泰勒公式。   泰勒公式是一种计算近似值的方法,它是一个用函数某点的信息描述在该点附近取值的公式。已知函数在某一点的各阶导数值的情况之下,泰勒公式可以用这些导数值做系数构建一个多项式来逼近函数在这一点的邻域中的值。   如果f(x)在x0... 阅读详情

多项式曲线拟合

0.题目背景

针对MATLAB提供的census.mat数据,用多项式拟合方法进行曲线拟合,确定其数学模型,并给出拟合过程及分析。

1. 相关性分析

  • 原理

    • 协方差矩阵
      • c o r r c o e f ( X , Y ) = [ C o v ( X , X ) C o v ( X , Y ) C o v ( Y , X ) C o v ( Y , Y ) ] corrcoef(X,Y) = \left[\begin{matrix}Cov(X,X) & Cov(X,Y) \\ Cov(Y,X) &Cov(Y,Y) \end{matrix}\right] corrcoef(X,Y)=[Cov(X,X)Cov(Y,X)​Cov(X,Y)Cov(Y,Y)​]
      • 数字越接近于1 说明相关性越强
  • 分析过程及部分代码

    • 散点图绘制
    plot(cdate,pop,'om')  
    title('U.S. Population from 1790 to 1990');  
    xlabel('Census Year');  
    ylabel('Population (millions)');  
    
    • 计算协方差矩阵
    >> corrcoef(cdate,pop)
      
        ans =
    
          1.0000    0.9597
          0.9597    1.0000
    
  • 结论

    1. 从图像上可以直观地看出原始样本数据具有较强的相关性
    2. 协方差矩阵系数都接近于1,进一步证明数据的强相关性

2. 多项式拟合

  • 原理

    • Feature scaling(特征缩放)–Standardization(标准化)
      • 对不同特征维度的伸缩变换的目的是使得不同度量之间的特征具有可比性,对目标函数的影响体现在**几何分布上,同时不改变原始数据的分布。**

      • 特征标准化使数据中每个特征的值具有零均值(当减去分子中的均值时)和单位方差。该方法广泛用于许多机器学习算法(例如,支持向量机、逻辑回归和人工神经网络)中的归一化。

        ​ X ∗ = X − X ˉ σ \Large X^*= \frac{X-\bar{X}}{\sigma} X∗=σX−Xˉ​

      • (cdate-mean(cdate))./std(cdate); 
        //代码演示
        
      • 工具箱内勾选"Center and Scale"

    • 通过Curve Fitting Tool工具箱绘制拟合图像和残差图
  • 部分代码和图像

    • 初始化数据
    • %% Initialization.
      
      % Initialize arrays to store fits and goodness-of-fit.
      fitresult = cell( 2, 1 );
      gof = struct( 'sse', cell( 2, 1 ), ...
        'rsquare', [], 'dfe', [], 'adjrsquare', [], 'rmse', [] );
      
      
    • 拟合曲线(注:这里只贴出poly2的源码)
      %% Fit: 'poly2'.
      [xData, yData] = prepareCurveData( cdate, pop );
      
      % Set up fittype and options.
      ft = fittype( 'poly2' );
      
      % Fit model to data.
      [fitresult{1}, gof(1)] = fit( xData, yData, ft, 'Normalize', 'on' );
      
      % Create a figure for the plots.
      figure( 'Name', 'poly2' );
      
      % Plot fit with data. 
      subplot( 2, 1, 1 );
      h = plot( fitresult{1}, xData, yData );
      legend( h, 'pop vs. cdate', 'poly2', 'Location', 'NorthEast' );
      % Label axes
      xlabel cdate
      ylabel pop
      grid on
      
      % Plot residuals.
      subplot( 2, 1, 2 );
      h = plot( fitresult{1}, xData, yData, 'residuals' );
      legend( h, 'poly2 - residuals', 'Zero Line', 'Location', 'NorthEast' );
      
      % Label axes
      xlabel cdate
      ylabel pop
      grid on
      
    • poly2~poly6,exp2的拟合曲线及残差图

3. 拟合优度分析

  • 原理

    1. SSE(残差平方和): the Sum of Square due to Error

      S S   r e s   = ∑ i = 1 n ( y i − y ^ ) 2 = e i 2 SS~res~ = \sum_{i=1}^{n}{(y_i-\hat{y})^2} = e_i^2 SS res =∑i=1n​(yi​−y^​)2=ei2​

      该参数越接近于0,表示曲线拟合越成功

    2. RMSE(均方根误差、标准差):Root mean squared error

      R M S E = M S E = S S E n = 1 n ∑ i = 1 n ( y i − y i ˉ ) 2 RMSE = \sqrt{MSE} = \sqrt{\frac{SSE}{n}} = \sqrt{\frac{1}{n}\sum_{i=1}^{n} {(y_i-\bar{y_i})^2}} RMSE=MSE ​=nSSE​ ​=n1​∑i=1n​(yi​−yi​ˉ​)2 ​

      每个误差对 RMSE 的影响与平方误差的大小成正比;因此较大的误差对 RMSE 的影响非常大,所以RMSE 对异常值很敏感。

    MSE(均方差、方差):Mean squared error

    数理统计中均方误差是指参数估计值与参数值之差平方的期望值,记为MSE。MSE是衡量**“平均误差”**的一种较方便的方法,**MSE可以评价数据的变化程度,MSE的值越小,说明预测模型描述实验数据具有更好的精确度。**预测数据和原始数据对应点误差平方和的均值

    M S E = S S E n MSE = \frac{SSE}{n} MSE=nSSE​

    1. R-square( R 2 R^2 R2)(决定系数):Coefficient of determination

      ​ R2 即判定系数,也称为拟合优度 // **区分于相关系数r和 ρ   x y   \rho~xy~ ρ xy **​

      ​ 拟合优度越大,自变量对因变量的解释程度越高,自变量引起的变动占总变动的百分比就越高。观察点在回归直线附近越密集。取值范围:0-1.

    ​ R 2 = 1 − S S   r e s   S S   t o t   \Large R_2 = 1-\frac{SS~res~}{SS~tot~} R2​=1−SS tot SS res ​
    在这里插入图片描述

    S S   r e g   = ∑ i = 1 n ( y ^ − y ˉ ) 2 SS~reg~ = \sum_{i=1}^{n}{(\hat{y}-\bar{y})^2} SS reg =∑i=1n​(y^​−yˉ​)2

    S S   r e s   = ∑ i = 1 n ( y i − y ^ ) 2 = e i 2 SS~res~ = \sum_{i=1}^{n}{(y_i-\hat{y})^2} = e_i^2 SS res =∑i=1n​(yi​−y^​)2=ei2​

    S S   t o t   = ∑ i = 1 n ( y i − y ˉ ) 2 SS~tot~ = \sum_{i=1}^{n}{(y_i-\bar{y})^2} SS tot =∑i=1n​(yi​−yˉ​)2

    回归平方和:SSR(Sum of Squares for regression) = ESS (explained sum of squares)

    残差平方和:SSE(Sum of Squares for Error) = RSS(residual sum of squares)

    总离差平方和:SST(Sum of Squares for total) = TSS(total sum of squares)

    **SSE+SSR=SST **

    RSS+ESS=TSS

    1. $R^2adj $ (校正决定系数): adjust R-square

      ​ R2 评价拟合模型的好坏具有一定的局限性,即使向模型中增加的变量没有统计学意义,R2值仍会增大。因此需对其进行校正,从而形成了校正的决定系数(Adj R2) 。与R2 不同的是,当模型中增加的变量没有统计学意义时,Adj R2会减小,因此Adj R2 是衡量所建模型好坏的重要指标之一,Adj R^2 越大,模型拟合得越好。

    校正决定系数(Adj R2)引入了样本数量和特征数量,公式如下:

    ​ R 2   a d j   = 1 − ( 1 − R 2 ) ( n − 1 ) n − p − 1 R^2~adj~ = 1 - \frac{(1-R^2)(n-1)}{n-p-1} R2 adj =1−n−p−1(1−R2)(n−1)​

  • 分析过程及部分代码

    • 拟合人口普查数据的目的是预测出未来人口数
      • 对于poly6来说,数据明显超出了我们想要得到的结果,因此ploy6舍去
      • 注: 其余拟合图像均有着合理的预测结果,在此不再赘述.
    • 过拟合判断

      得到拟合结果后, 若计算出来的最高项系数过0(Zero Crossing)并且在0附近,则表明这个系数对于真实的多项式拟合没有任何的帮助, 即发生了过拟合(overfitting)

      • 观察到poly5的数据**p1,p2,p3与0非常接近的且p3<0,**证明ploy5拟合曲线发生了过拟合,故ploy5舍去

      • 注: 其余拟合参数均无上述情况,在此不再赘述.

    • 工具箱计算部分数据如下表:
      Fit NameSSERMSER-squareDFEAdj R-sq
      poly6106.92762.7640.99913140.998764
      poly5144.16613.1000.99883150.998444
      poly4145.96893.0200.99882160.998523
      poly3149.76872.9680.99879170.998574
      poly2159.02932.9720.99871180.99857
      exp2475.94915.2910.99615170.995468
      • 由表可得
      1. SSE最大的为exp2,拟合效果极差,exp2舍去

      2. 对比剩余曲线,其R2 和 Adj R2 近似相等,故对比RMSE

        Fit NameSSERMSER-squareDFEAdj R-sq
        poly3149.76872.9680.99879170.998574
        poly2159.02932.9720.99871180.99857
        poly4145.96893.0200.99882160.998523
        • 显然poly3>poly2>poly4,ploy2和ploy4舍去

4.数学模型

​ 由以上分析,拟合次数为3时多项式系数分别为 0.921,25.183,73.859,61.744可得到最终的三阶多项式拟合的美国人口增长数学模型

​ f ( x ) = 0.921 x 3 + 25.183 x 2 + 73.859 x + 61.744 \Large f(x) = 0.921x^3 + 25.183x^2 + 73.859x + 61.744 f(x)=0.921x3+25.183x2+73.859x+61.744

源码贴在这里了,有的图懒得贴了,想要具体看图的也在GitHub里面
感兴趣的 朋友可以++star

https://github.com/Player-ghq/usst_matlab

多项式拟合:最小二乘、拉格朗日插值、牛顿插值 多项式拟合的目的是在众多的样本点中找出满足样本点分布的多项式。它基于多项式函数的性质,可以表示为 y=w0+w1x+w2x2+…+wnxn 的形式,其中 y 是因变量(输出), x 是自变量(输入), w0,w1,…,wn 是多项式的系数。在数据分析中,多项式拟合可以帮助理解和预测变量之间的关系。例如,在经济学中,可以使用多项式拟合来预测股票价格或销售额的变化趋势。在信号处理领域,多项式拟合可用于去除噪声或平滑信号。通过拟合信号的主要趋势,可以减少随机噪声的影响。 阅读详情

相关推荐

INMP441麦克风与ESP32的I2S音频采集实战指南

本文提供了INMP441数字麦克风与ESP32开发板通过I2S接口进行高质量音频采集的完整实战指南。详细讲解了硬件连接、软件配置、数据读取及基础处理,并分享了常见的避坑技巧与性能优化建议,帮助开发者快速构建物联网音频应用。

weixin_28396629的博客 599

【Matlab】曲线拟合

调用格式:[P,S,mu]=polyfit(X,Y,m)[P,S]=polyfit(X,Y,m)P=polyfit(X,Y,m)参数解释:根据样本数据X和Y,产生一个m次多项式系数向量P及其在采样点误差数据S,mu是一个二元向量,mu(1)是mean(X),而mu(2)是std(X)。 当还需要进行线性回归分析时,可以再利用corrcoef函数获取相关系数。在matlab的regress函数中置信区间bint、rint以及stats后面三个值全都为无穷大,这说明数据不服从线性关系,应考虑用非线性拟合函数来拟

LJR的博客 9万+

超大规模AI集群跨数据中心互联:Scale-Across技术实现与部署实践

分布式系统通过将计算任务分散到多个节点协同执行,实现算力的横向扩展。其核心原理在于网络通信、数据同步和资源调度机制的技术协同。在AI基础设施领域,分布式架构能有效突破单数据中心算力瓶颈,支撑万亿参数大模型训练。特别是面对长距离传输时延和带宽稳定性挑战,需要采用RDMA、确定性网络等关键技术。Scale-Across作为分布式系统的高级形态,通过跨地域多数据中心互联,构建逻辑统一的AI算力池,为超大规模AI训练和全球推理服务提供核心支撑。本文聚焦AI集群跨数据中心互联的技术路径,涵盖全栈优化、网络自治等实践方

chouxuyi9789的博客 401

MATLAB 利用三点进行函数曲线拟合 + 如何评价拟合曲线好坏

根据以下帖子整理: 一、用函数方式实现曲线拟合 http://www.cnblogs.com/linkr/p/3632032.html https://blog.csdn.net/sinat_20265495/article/details/50043833 如何确定拟合的多项式阶数的N? https://blog.csdn.net/it_beecoder/article/details...

Mo181111的博客 3万+

Codex 100个真实案例 - 用AI批量清洗Excel脏数据(10万行3分钟搞定)

每个做数据分析的人都被"脏数据"折磨过——空值、重复行、日期格式五花八门、手机号多一位少一位……手动清洗几千行就已经让人崩溃,更别提10万行了。本文将展示如何用 Codex 生成一套完整的 Python pandas 数据清洗工具,从读取Excel/CSV、识别脏数据、自动清洗、生成清洗报告,到可视化对比清洗前后的数据质量,全程自然语言驱动,10万行数据3分钟搞定!

yueyeguzhuo的专栏 89

OpenClaw一人公司落地案例:本地商家营销智能体月赚3万的秘密

角色:本地商家营销专家## 核心目标为商家生成高转化率的抖音营销策略,最大化 ROI。## 输入数据- 商家名称: "XX奶茶店"- 过去 30 天视频播放量: 12,000- 客单价: 28 元- 竞品平均播放量: 15,000- 市场趋势: rising## 策略生成规则1. **内容类型**:根据客单价推荐- < 30 元:美食探店 + 优惠券- > 30 元:场景化故事 + 会员权益2. **发布时间**:根据历史数据- 18:00-20:00 高峰期。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 543

线性模型(二)之多项式拟合

  多项式拟合(polynominal curve fitting)是一种线性模型,模型和拟合参数的关系是线性的。多项式拟合的输入是一维的,即x=xx=x\textbf{x} = x,这是多项式拟合和线性回归问题的主要区别之一。   多项式拟合的目标是构造输入xxx的MMM阶多项式函数,使得该多项式能够近似表示输入xxx和输出yyy的关系,虽然实际上xxx和yyy的关系并不一定是多项式,但使用足...

keep forward, go, go, go 2万+

SAP_PP模块中MRP中信号灯简介

一、信号灯的作用二、常见的信号灯颜色及含义三、信号灯的来源四、常见场景示例示例1:物料满足所有需求示例2:生产订单已延迟示例3:缺料或未产生计划订单五、相关事务码参考六、如何应对红色或黄色信号灯?七、前台操作说明在 SAP PP 模块中,**MRP(物料需求计划)运行结果中的“信号灯”是一种非常直观的可视化提示工具,用于帮助用户快速识别物料计划是否存在异常或需要关注的问题。这些信号灯通常出现在MD04(库存/需求清单)、MD05(单物料MRP清单)、MD07(MRP列表)**等事务代码的界面中。

我小时候很黑的博客 657

Matlab智能仿真——多项式拟合(含保姆级注释)

Matlab小白教学(智能仿真)——多项式拟合,通过例程学习

pjydpj的博客 1617

VAY 是 SAP 自动科目确定(OBYC-GBB)中的科目修改码,专用于带科目分配对象的销售订单发货场景,核心是触发 “Dr 成本要素科目(如销售费用 / 特定成本对象) Cr 库存商品” 的分录,

摘要:VAY是SAP中用于带科目分配对象(如成本中心、WBS)的销售订单发货的科目修改码,与标准VAX场景不同,它生成"借成本要素科目/贷库存商品"的分录。配置路径为OBYC-GBB-VAY,需确保借方科目为成本要素。典型业务场景包括免费样品、项目专用发货等。常见问题包括VAY未触发或科目记账错误,需检查销售订单科目分配、移动类型设置及OBYC配置。特殊场景建议单独配置科目以便费用分析。

金牌架构师 1258

python基础知识补充

1. jupyter notebook 解释 2. ipython 魔法命令 3. latex in Markdown cell(在markdown里面编写数学公式) 4. jupyter notebook功能扩展:安装Nbextension 5. python解释与运行 6. 垃圾回收(计数机制与分代回收机制) 7. 名字空间与局部作用域L和全局作用域G 8. 小整数缓存区与字符驻留 9. Statement &Expression 10. 调试

weixin_43178406的博客 1万+

Matlab-函数拟合

文章目录0. 评价指标1. 工具箱拟合——cftool2. 万能拟合 ——nlinfit3. 多项式拟合 ——polyfit参考 0. 评价指标 一、SSE(和方差) 该统计参数计算的是拟合数据和原始数据对应点的误差的平方和,计算公式如下 SSE越接近于0,说明模型选择和拟合更好,数据预测也越成功。接下来的MSE和RMSE因为和SSE是同出一宗,所以效果一样 二、MSE(均方差) 该统计参数是预...

quanwei的博客 2万+

用AI科研绘图全新升级!借助谷歌新发布模型Nano Banana pro实测一键绘制机制图与技术路线图,直接告别文字乱码与低画质

之前有同仁反馈,用Nano Banana画科研插图的时候,要么文字部分容易乱码,要么抓不住关键内容,画出来的效果反复修改后,还是达不到理想的效果。终于在Gemini 3发布没几天,万众期待的大香蕉模型也成功升级到了Pro版本,官方名称叫“Gemini 3 Pro Image”,实际上也就是我们说的Nano Banana 2。这次的Nano Banana Pro模型,不仅可以直出4K高清图,还能自定义比例,推理能力和中文文字的稳定性也得到了提升。

智能AI让学术科研更容易 1892

数学建模之拟合与插值

求一条曲线,使样本点均在此曲线的上下的不远处,所求的曲线叫为拟合曲线,它可以反映样本的总体分布,不至于出现局部较大的波动(龙格现象),能更好地反映出逼近函数的特性,在对给出的实验数据作曲线拟合时,使求得的逼近函数和已知函数之间的偏差的平方和达到最小,这就是最小二乘法的原理。为系数,表示截距和斜率。分布为一条拟合曲线。

weixin_45876289的博客 1120

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

回归问题评估模型的三个指标

我们通常都会训练多个模型,可以通过下面几个方法来评估模型的好坏

张欣的博客 5687

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

MATLAB基础语法之拟合算法

前言 load data1 plot(x,y,'o') % 给x和y轴加上标签 xlabel('x的值') ylabel('y的值') n = size(x,1); k = (n*sum(x.*y)-sum(x)*sum(y))/(n*sum(x.*x)-sum(x)*sum(x)) b = (sum(x.*x)*sum(y)-sum(x)*sum(x.*y))/(n*sum(x.*x)-sum(x)*sum(x)) hold on % 继续在之前的图形上来画图形 grid on % 显示网格线 % .

qq_33001335的博客 1763

机器学习(一)——线性回归

在详细了解线性回归的所有知识点之前,我们先来了解一下线性回归的重要性。 理论层面的重要性 Linear Regression:是回归问题的基础 Logistic Regression:是分类问题的基础 可扩展性:使用基函数来解决非线性问题 应用层面的重要性——在工业中最广泛应用的模型 高效易用(简单、易训练) 可解释性强(参数直接反应特征强弱) 适合预估(概率形式) 资源丰富(开源资料、文档、文献、论文) 建立模型基本形式 数据集一共有 p 个数据点,每个数据点有 d 个描述的维度 xi=

hhhcbw的博客,欢迎各位来访 7167

机器学习笔试题精选

来源 | AI有道(公众号ID:redstonewill)机器学习是一门理论性和实战性都比较强的技术学科。在应聘机器学习相关工作岗位时,我们常常会遇到各种各样的机器学习问...

AI科技大本营 5197

数学建模学习笔记(6):拟合算法

拟合优度用于评价线性拟合的结果,定义拟合优度R²=SSR/SST。拟合优度越接近1,拟合效果越好。这里用拟合优度评价拟合结果而不是SSE,是因为考虑到量纲的影响。当数据样本点非常多时,使用高次多项式插值会产生严重的龙格现象,而使用低次分段插值得到的函数表达式又过于复杂,因此拟合算法的思想就是找出一条尽可能满足误差最小的简单曲线,而这条曲线不必经过所有的样本点。线性拟合是指对参数为线性,即各个参数只以一次方的形式出现,并且不存在参数之间的复合运算。①确认拟合曲线的类型:曲线要满足一定的趋势同时尽可能简单。

hanmo22357的博客 5196

Unity Shader - 曲线2

这个曲线相比之前CG cosh, exp, sinh, smoothstep, tanh, perlin_easeCurve1/2 曲线的其他曲线消耗小一些而且非常适合定义域和值域都在 :[0~1] 范围的曲线来使用。

Jave.Lin 的学习笔记 1651

MATLAB Curve Fitting Toolbox拟合结果统计数据的含义

最近常用Curve Fitting Toolbox(以下简称CFT)处理数据,在直观的比较各种参数配置下拟合结果的时候,也常常会好奇各种统计数据的含义。今天无意中找到一些用户手册中的详细解释,觉得有用,特分享给各位亲。以下内容大部分取自手册,只不过翻译成了国文。^_^ 上面这副截图是一个典型的多种参数配置的统计结果比较。其中,主要使用了两种拟合方法:多项式拟合以及自定义表达式拟合;多

Thinking and Coding Life 1万+

matlab残差的计算,请教MATLAB中拟合圆或者椭圆的残差如何计算

clcclearclose alldata1 = xlsread('E:\SILC\project\VLP-16扫描数据\line14\single0.csv');data=data1(1:1799,1:3);% 显示数据点% plot3(data(:,1),data(:,2),data(:,3),'b');% hold onH16=zeros(2,1);iter =500; %迭代次数numbe...

weixin_39626409的博客 977

Matlab实现多项式拟合(矛盾方程组)(最小二乘法拟合)

Matlab实现多项式拟合(矛盾方程组)(最小二乘法拟合) Tip @这是我第一次使用 (0基础)Matlab 来对 多项式拟合 进行一个公式原理上的编写。 @帮我一个好集美写的,目前大二,她数学专业。 @期间学习了一些Matlab语言的基本语法和简单功能。 @记录一下,欢迎下方评论交流不足。 :-) 最小二乘法(Least Square Method) 通过最小化误差(也叫残差)的平方和寻找数据的最优函数匹配。 通过一些迷惑操作你会得到 一组数据集(x,y) 来拟合以下函数(重点是数据集) 也就是通过

云深不知处 4520

非线性回归

非线性回归,多项式变换

dd_souga的博客 812

监督学习-多项式回归-python3

多元回归使用R²衡量整体的拟合度。R²的值越接近1,说明回归直线对观测值的拟合程度越好。拟合度r2计算公式:R2=ESS/TSS=1-RSS/TSS。

闲庭信步 836

多项式拟合的数学原理及实现

最小二乘曲线的拟合就是对于给定的数据(X,Y),(X=xi,Y=yi,i=1,2,3,......,N),选取线性无关的函数族。生成好之后,就可以用PolynomialFeatures函数生成x的多项式,然后进行拟合。,及权函数v(x)(v(xi)表示数据(xi,yj)的权重),要求在函数类。这个函数,取x从0到10,区间分为100段,生成对应x和y。随着次数增高,拟合优度越来越好,拟合的曲线越来越接近。其中,j=0,1,2,......,m。下面将使用python代码进行实践。

weixin_56375291的博客 1144
上一篇: C语言:将输入的字符串反转过来
下一篇: 基于matlab gui的App Designer实战之高尔夫手推车销售
Run_code_ghq
博客等级 码龄6年 6粉丝 4原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值