Spark 多项式逻辑回归__多分类

最新推荐文章于 2024-10-14 04:34:19 发布
转载 最新推荐文章于 2024-10-14 04:34:19 发布 · 330 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：http://www.cnblogs.com/soyo/p/7787647.html
文章标签：

#scala #大数据 #数据结构与算法

本文介绍了一种使用Spark MLlib进行多项逻辑回归的实现方法。通过加载数据、预处理、训练模型及评估等步骤，展示了如何在多分类问题上应用逻辑回归。 
package Spark_MLlib

import org.apache.spark.ml.Pipeline
import org.apache.spark.ml.classification.{BinaryLogisticRegressionSummary, LogisticRegression, LogisticRegressionModel}
import org.apache.spark.ml.evaluation.MulticlassClassificationEvaluator
import org.apache.spark.ml.feature.{IndexToString, StringIndexer, VectorIndexer}
import org.apache.spark.ml.linalg.Vectors
import org.apache.spark.sql.SparkSession


object 多项式逻辑回归__多分类 {
  val spark=SparkSession.builder().master("local").getOrCreate()
  import spark.implicits._  //支持把一个RDD隐式转换为一个DataFrame
  def main(args: Array[String]): Unit = {
    val df =spark.sparkContext.textFile("file:///home/soyo/桌面/spark编程测试数据/soyo.txt")
      .map(_.split(",")).map(x=>data_schema(Vectors.dense(x(0).toDouble,x(1).toDouble,x(2).toDouble,x(3).toDouble),x(4))).toDF()
   // df.show(150)
    val labelIndexer=new StringIndexer().setInputCol("label").setOutputCol("indexedLabel").fit(df)
    val featureIndexer=new VectorIndexer().setInputCol("features").setOutputCol("indexedFeatures").fit(df)  //目的在特征向量中建类别索引
    val Array(trainData,testData)=df.randomSplit(Array(0.7,0.3))
    val lr=new LogisticRegression().setLabelCol("indexedLabel").setFeaturesCol("indexedFeatures").setMaxIter(10).setRegParam(0.3).setElasticNetParam(0.8).setFamily("multinomial")//设置elasticnet混合参数为0.8,setFamily("multinomial"):设置为多项逻辑回归,不设置setFamily为二项逻辑回归
    val labelConverter=new IndexToString().setInputCol("prediction").setOutputCol("predictionLabel").setLabels(labelIndexer.labels)

    val lrPipeline=new Pipeline().setStages(Array(labelIndexer,featureIndexer,lr,labelConverter))
    val lrPipeline_Model=lrPipeline.fit(trainData)
    val lrPrediction=lrPipeline_Model.transform(testData)
    lrPrediction.show(150)
    // lrPrediction.take(100).foreach(println)
    //模型评估
    val evaluator=new MulticlassClassificationEvaluator().setLabelCol("indexedLabel").setPredictionCol("prediction")
    val lrAccuracy=evaluator.evaluate(lrPrediction)
    println("准确率为： "+lrAccuracy)
    val lrError=1-lrAccuracy
    println("错误率为: "+lrError)
    val LRmodel=lrPipeline_Model.stages(2).asInstanceOf[LogisticRegressionModel]
    println("二项逻辑回归模型系数矩阵: "+LRmodel.coefficientMatrix)
    println("二项逻辑回归模型的截距向量: "+LRmodel.interceptVector)
    println("类的数量(标签可以使用的值): "+LRmodel.numClasses)
    println("模型所接受的特征的数量: "+LRmodel.numFeatures)
  //多项式逻辑回归不包含对模型的摘要总结
    println(LRmodel.hasSummary)

  }

}

结果：

+-----------------+-----+------------+-----------------+--------------------+--------------------+----------+---------------+
|         features|label|indexedLabel|  indexedFeatures|       rawPrediction|         probability|prediction|predictionLabel|
+-----------------+-----+------------+-----------------+--------------------+--------------------+----------+---------------+
|[4.4,3.2,1.3,0.2]|soyo1|         1.0|[4.4,3.2,1.3,0.2]|[0.06313829278191...|[0.23858281707128...|       1.0|          soyo1|
|[4.6,3.4,1.4,0.3]|soyo1|         1.0|[4.6,3.4,1.4,0.3]|[0.06313829278191...|[0.23750012598226...|       1.0|          soyo1|
|[4.7,3.2,1.6,0.2]|soyo1|         1.0|[4.7,3.2,1.6,0.2]|[0.06313829278191...|[0.24710416166321...|       1.0|          soyo1|
|[4.8,3.4,1.6,0.2]|soyo1|         1.0|[4.8,3.4,1.6,0.2]|[0.06313829278191...|[0.23716995683018...|       1.0|          soyo1|
|[4.8,3.4,1.9,0.2]|soyo1|         1.0|[4.8,3.4,1.9,0.2]|[0.06313829278191...|[0.24567798276462...|       1.0|          soyo1|
|[4.9,2.4,3.3,1.0]|soyo2|         0.0|[4.9,2.4,3.3,1.0]|[0.06313829278191...|[0.38071131817453...|       0.0|          soyo2|
|[5.0,3.2,1.2,0.2]|soyo1|         1.0|[5.0,3.2,1.2,0.2]|[0.06313829278191...|[0.23576075216827...|       1.0|          soyo1|
|[5.0,3.5,1.3,0.3]|soyo1|         1.0|[5.0,3.5,1.3,0.3]|[0.06313829278191...|[0.22978111243935...|       1.0|          soyo1|
|[5.2,4.1,1.5,0.1]|soyo1|         1.0|[5.2,4.1,1.5,0.1]|[0.06313829278191...|[0.19523110424215...|       1.0|          soyo1|
|[5.4,3.9,1.3,0.4]|soyo1|         1.0|[5.4,3.9,1.3,0.4]|[0.06313829278191...|[0.21630436073381...|       1.0|          soyo1|
|[5.5,2.4,3.8,1.1]|soyo2|         0.0|[5.5,2.4,3.8,1.1]|[0.06313829278191...|[0.39807479409636...|       0.0|          soyo2|
|[5.5,2.5,4.0,1.3]|soyo2|         0.0|[5.5,2.5,4.0,1.3]|[0.06313829278191...|[0.40810357240132...|       0.0|          soyo2|
|[5.6,2.8,4.9,2.0]|soyo3|         2.0|[5.6,2.8,4.9,2.0]|[0.06313829278191...|[0.44454733071968...|       0.0|          soyo2|
|[5.7,2.9,4.2,1.3]|soyo2|         0.0|[5.7,2.9,4.2,1.3]|[0.06313829278191...|[0.39634982244233...|       0.0|          soyo2|
|[5.8,2.6,4.0,1.2]|soyo2|         0.0|[5.8,2.6,4.0,1.2]|[0.06313829278191...|[0.39930520027794...|       0.0|          soyo2|
|[5.8,2.7,4.1,1.0]|soyo2|         0.0|[5.8,2.7,4.1,1.0]|[0.06313829278191...|[0.38762610877473...|       0.0|          soyo2|
|[5.8,2.7,5.1,1.9]|soyo3|         2.0|[5.8,2.7,5.1,1.9]|[0.06313829278191...|[0.44792417666537...|       0.0|          soyo2|
|[5.9,3.0,5.1,1.8]|soyo3|         2.0|[5.9,3.0,5.1,1.8]|[0.06313829278191...|[0.43418725338764...|       0.0|          soyo2|
|[6.0,2.2,4.0,1.0]|soyo2|         0.0|[6.0,2.2,4.0,1.0]|[0.06313829278191...|[0.40634099537710...|       0.0|          soyo2|
|[6.0,2.7,5.1,1.6]|soyo2|         0.0|[6.0,2.7,5.1,1.6]|[0.06313829278191...|[0.43688076686419...|       0.0|          soyo2|
|[6.0,3.4,4.5,1.6]|soyo2|         0.0|[6.0,3.4,4.5,1.6]|[0.06313829278191...|[0.39704954911011...|       0.0|          soyo2|
|[6.2,2.2,4.5,1.5]|soyo2|         0.0|[6.2,2.2,4.5,1.5]|[0.06313829278191...|[0.43847273913421...|       0.0|          soyo2|
|[6.2,2.8,4.8,1.8]|soyo3|         2.0|[6.2,2.8,4.8,1.8]|[0.06313829278191...|[0.43518321759857...|       0.0|          soyo2|
|[6.3,2.7,4.9,1.8]|soyo3|         2.0|[6.3,2.7,4.9,1.8]|[0.06313829278191...|[0.44055947195014...|       0.0|          soyo2|
|[6.3,2.9,5.6,1.8]|soyo3|         2.0|[6.3,2.9,5.6,1.8]|[0.06313829278191...|[0.44715759200377...|       0.0|          soyo2|
|[6.3,3.4,5.6,2.4]|soyo3|         2.0|[6.3,3.4,5.6,2.4]|[0.06313829278191...|[0.45196576310313...|       0.0|          soyo2|
|[6.4,2.8,5.6,2.1]|soyo3|         2.0|[6.4,2.8,5.6,2.1]|[0.06313829278191...|[0.46017875340546...|       0.0|          soyo2|
|[6.4,2.8,5.6,2.2]|soyo3|         2.0|[6.4,2.8,5.6,2.2]|[0.06313829278191...|[0.46321910727428...|       0.0|          soyo2|
|[6.4,3.1,5.5,1.8]|soyo3|         2.0|[6.4,3.1,5.5,1.8]|[0.06313829278191...|[0.43862320280893...|       0.0|          soyo2|
|[6.4,3.2,4.5,1.5]|soyo2|         0.0|[6.4,3.2,4.5,1.5]|[0.06313829278191...|[0.40056786531830...|       0.0|          soyo2|
|[6.5,3.0,5.5,1.8]|soyo3|         2.0|[6.5,3.0,5.5,1.8]|[0.06313829278191...|[0.44199581778961...|       0.0|          soyo2|
|[6.6,2.9,4.6,1.3]|soyo2|         0.0|[6.6,2.9,4.6,1.3]|[0.06313829278191...|[0.40579282648595...|       0.0|          soyo2|
|[6.7,2.5,5.8,1.8]|soyo3|         2.0|[6.7,2.5,5.8,1.8]|[0.06313829278191...|[0.46287803722998...|       0.0|          soyo2|
|[6.7,3.0,5.2,2.3]|soyo3|         2.0|[6.7,3.0,5.2,2.3]|[0.06313829278191...|[0.45387841693477...|       0.0|          soyo2|
|[6.7,3.1,4.7,1.5]|soyo2|         0.0|[6.7,3.1,4.7,1.5]|[0.06313829278191...|[0.40924150360290...|       0.0|          soyo2|
|[6.7,3.3,5.7,2.5]|soyo3|         2.0|[6.7,3.3,5.7,2.5]|[0.06313829278191...|[0.45972648058424...|       0.0|          soyo2|
|[6.8,3.0,5.5,2.1]|soyo3|         2.0|[6.8,3.0,5.5,2.1]|[0.06313829278191...|[0.45251276088924...|       0.0|          soyo2|
|[6.8,3.2,5.9,2.3]|soyo3|         2.0|[6.8,3.2,5.9,2.3]|[0.06313829278191...|[0.45975331380088...|       0.0|          soyo2|
|[6.9,3.2,5.7,2.3]|soyo3|         2.0|[6.9,3.2,5.7,2.3]|[0.06313829278191...|[0.45642868507279...|       0.0|          soyo2|
|[7.2,3.0,5.8,1.6]|soyo3|         2.0|[7.2,3.0,5.8,1.6]|[0.06313829278191...|[0.44031726493318...|       0.0|          soyo2|
|[7.2,3.2,6.0,1.8]|soyo3|         2.0|[7.2,3.2,6.0,1.8]|[0.06313829278191...|[0.44483171938259...|       0.0|          soyo2|
|[7.6,3.0,6.6,2.1]|soyo3|         2.0|[7.6,3.0,6.6,2.1]|[0.06313829278191...|[0.47047723863543...|       0.0|          soyo2|
|[7.7,3.0,6.1,2.3]|soyo3|         2.0|[7.7,3.0,6.1,2.3]|[0.06313829278191...|[0.46845272424381...|       0.0|          soyo2|
|[7.7,3.8,6.7,2.2]|soyo3|         2.0|[7.7,3.8,6.7,2.2]|[0.06313829278191...|[0.45233124776236...|       0.0|          soyo2|
+-----------------+-----+------------+-----------------+--------------------+--------------------+----------+---------------+

准确率为： 0.36458333333333337
错误率为: 0.6354166666666666
二项逻辑回归模型系数矩阵: 3 x 4 CSCMatrix
(1,1) 0.35559564188466614
(1,2) -0.203185158868005
(1,3) -0.43876460704959996
(2,3) 0.0283914830858408
二项逻辑回归模型的截距向量: [0.06313829278191783,0.1708622138778958,-0.23400050665981365]
类的数量(标签可以使用的值): 3
模型所接受的特征的数量: 4
false

转载于:https://www.cnblogs.com/soyo/p/7787647.html

spark 分类 模型 -- 逻辑回归 原理解析与代码样例
shiter编写程序的艺术
07-05 493
Logistic回归是一种常用的预测分类反应的方法。这是广义线性模型的一个特例，可以预测结果的概率。在spark.ml中，logistic回归可用于使用二项logistic回归预测二元结果，也可用于使用多项logistic回归预测多组结果。使用family参数在这两种算法之间进行选择，或者不设置它，Spark将推断出正确的变量。 通过将族参数设置为“多项式”，多项式logistic回归可用于二元分类。它将产生两组系数和两个截距。 Spark MLlib在对非零列为常数的数据集进行无截距的Lo
逻辑回归和多项逻辑回归
weixin_51221144的博客
12-09 3441
逻辑回归，多项逻辑回归，梯度下降，多标签问题，为什么不用平方误差（MSE）作为Logistic回归的损失函数？
多元逻辑回归（Multinomial Logistic Regression）
得克特
08-22 1万+
二分类逻辑回归 我们定义ppp为类别为1（二分类0，1）的概率，ln⁡p1−p\ln\frac{p}{1-p}ln1−pp​表示类别为1的概率与类别为0的概率比。 ln⁡p1−p=w0+∑iwixip1−p=exp⁡w0+∑iwixip=exp⁡w0+∑iwixi1+exp⁡w0+∑iwixi=11+exp⁡−(w0+∑iwixi)\ln\frac{p}{1-p}=w_0+\sum_iw_ix_i\\ \frac{p}{1-p}=\exp^{w_0+\sum_iw_ix_i}\\ p=\frac{\exp^
Spark MLlib——使用逻辑回归算法进行邮件分类
大唐帝国—前营
08-03 887
import org.apache.log4j.{Level, Logger} import org.apache.spark.mllib.classification.{LogisticRegressionModel, LogisticRegressionWithSGD} import org.apache.spark.mllib.feature.HashingTF import org.apa...
多项式拟合
07-20
利用多项式对数据集或者数据点进行拟合为曲线或着直线
多项式回归
我的博客
08-05 1108
机器学习中一种常见的模式，是使用线性模型训练数据的非线性函数。这种方法保持了一般快速的线性方法的性能，同时允许它们适应更广泛的数据范围。 例如，可以通过构造系数的 polynomial features 来扩展一个简单的线性回归。在标准线性回归的情况下，你可能有一个类似于二维数据的模型: y^(w,x)=w0+w1x1+w2x2y^(w,x)=w0+w1x1+w2x2\hat{y}(w, x)...
多项式逻辑回归
qq_51011530的博客
10-14 1892
多项式逻辑回归通过 softmax 函数将每个类别的预测转换为概率分布。公式。
JELR.zip_java 回归_java 逻辑回归_回归java实现_逻辑回归_逻辑回归 java
09-14
多项式逻辑回归** 描述中提到的“多项改进”可能指的是对原始逻辑回归模型进行扩展，引入多项式特征，以处理非线性关系。例如，通过添加特征的二次项、交互项等，增加模型的复杂性和灵活性。 **4. 模型评估与优化...
mllib逻辑回归 spark_Spark MLlib学习——分类和回归
weixin_33997566的博客
01-13 637
本章节介绍了分类和回归的算法。它还包括讨论特定类别的算法部分，如：线性方法，树和集成。下面是整个API Doc中的内容框架，这里不会每个都详细介绍，主要会把用到的介绍出来，后续用到的再陆续添加。(下面的链接都是指向官网文档而不是本笔记中的对应内容所在位置，而且有些内容没有出现在本笔记中)逻辑回归逻辑回归是预测分类问题的流行算法。它是 广义线性模型的一个特例来预测结果的可能性。 在spark.ml逻...
mllib逻辑回归 spark_Spark Mllib中逻辑回归
weixin_34589862的博客
02-17 757
1相关参数设置<1> setMaxIter()：设置最大迭代次数<2> setRegParam()： 设置正则项的参数，控制损失函数与惩罚项的比例，防止整个训练过程过拟合，默认为0<3> setElasticNetParam()：使用L1范数还是L2范数setElasticNetParam=0.0 为L2正则化；setElasticNetParam=1.0 为L...
python编写Logistic逻辑回归
09-20
【Python实现逻辑回归】 逻辑回归（Logistic Regression）是一种广泛应用的分类算法，它在机器学习...在实际项目中，我们还需要结合交叉验证、网格搜索等技巧来优化模型，并考虑多分类问题的扩展，如多项式逻辑回归。
多分类实现方式介绍和在Spark上实现多分类逻辑回归（Multinomial Logistic Regression）
Thinkgamer博客
01-12 4215
背景 在之前的文章中介绍了多分类逻辑回归算法的数据原理，参考文章链接 优快云文章链接：https://blog.youkuaiyun.com/Gamer_gyt/article/details/85209496 公众号：多分类逻辑回归（Multinomial Logistic Regression） 该篇文章介绍一下Spark中多分类算法，主要包括的技术点如下 多分类实现方式 一对一 （One V...
Spark中组件Mllib的学习27之逻辑回归-多元逻辑回归，较大数据集，带预测准确度计算
Keep Learning
05-24 2871
更多代码请见：https://github.com/xubo245/SparkLearning Spark中组件Mllib的学习之逻辑回归篇 1解释 但预测较多数据集，需要去计算准确度2.代码：/** * @author xubo * ref:Spark MlLib机器学习实战 * more code:https://github.com/xubo
多类别逻辑回归（Multinomial Logistic Regression）
热门推荐
huangjx36的博客
09-21 9万+
多类别逻辑回归介绍
多分类逻辑回归（Multinomial Logistic Regression）
Thinkgamer博客
12-22 5万+
前言 分类从结果的数量上可以简单的划分为： 二分类（Binary Classification） 多分类（Multinomial Classification）。 其中二分类是最常见且使用最多的分类场景，解决二分类的算法有很多，比如： 基本的KNN、贝叶斯、SVM Online Ranking中用来做二分类的包括FM、FFM、GBDT、LR、XGBoost等 多分类中比如： 改进版...
逻辑回归和多类逻辑回归
Michael_Hu
05-29 829
概念 逻辑回归是一个非常经典，也是很常用的模型。看到逻辑回归这个名字，你以为这是一个“回归模型”，但是其实它是一个分类模型，是使用线性区分模型泛化感知器。 在逻辑回归中就是基于sigmoid函数构建的模型。sigmoid函数的数学定义如下： σ(x)=11+e−x \sigma(x)=\cfrac{1}{1 +e^{-x}} σ(x)=1+e−x1​ 这一函数的图形如下： 图中我们可以直观地看到这个函数的一些特点： 中间范围内函数斜率最大，对应Y的大部分数值变化 Y轴数值范围在 0~1 之间 X轴数值范
十大经典机器学习算法之逻辑回归算法：算法理论知识学习
与你的博客
12-21 268
逻辑回归算法 最近参加一个阿里巴巴举办的机器学习训练营，正好在此记录下自己的学习笔记。 提到逻辑回归算法，不知道你是不是把它当做了一个回归算法，我是第一印象把它当做了回归算法，而且我觉得这个不就是线性回归吗？怎么会是一个分类算法呢？ 后来查阅资料，翻看逻辑回归算法的数学表达式，才发现是我错了。其实我之前也了解过 Logistic 算法，不过当时都是叫逻辑斯蒂回归算法。一时有点懵逼。今天刚好借此机会记录下，以后自己也好回过头来复习。 这个算法其实挺简单的，主要的的就是一个数学公式： p=p(y=1∣x,θ)=
【机器学习】多项逻辑斯蒂回归/softmax回归推导与求解
齐在的专栏
10-14 1万+
1. 多项逻辑斯蒂回归模型 多项逻辑斯蒂回归模型（multi-nominal logistic regression model），又称为Softmax Regression，是一个用来预测离散型随机变量的不同可能结果的概率的模型，用于进行多项分类。 前面在逻辑斯蒂回归原理推导与求解中讲到的逻辑斯蒂回归模型是二项分类模型，用于二分类。将其推广为多项分类，假设离散型随机变量的取值集合是，那么多项...
逻辑回归怎么用
最新发布
03-25
<think>好的，用户想了解如何使用逻辑回归进行预测或分类。首先，我需要回忆逻辑回归的基本概念和步骤。逻辑回归虽然名字里有“回归”，但其实是分类算法，常用于二分类，也可以通过一些方法扩展到多分类。 根据引用中的内容，引用[2]提到逻辑回归是二分类算法，使用sigmoid函数预测概率。而引用[1]和引用[3]分别展示了用sklearn实现多分类和Spark处理文本分类的例子。用户的问题可能包括二分类和多分类，需要覆盖这些方面。 接下来，步骤应该包括数据准备、模型训练、预测和评估。需要确保提到特征工程，比如标准化、文本处理如TF-IDF，这在引用[3]里有提到。模型训练部分，sklearn的LogisticRegression是常用工具，如引用[1]的例子。多分类问题可以通过One-vs-Rest或多项式分布，如引用[1]所述。 可能用户是刚入门的，所以代码示例要简单明了。同时，要解释关键参数，比如正则化项C，这在避免过拟合时很重要。评估指标如准确率、混淆矩阵也需要提到，帮助用户了解模型表现。 还要考虑应用场景，比如用户提到的文本分类，如引用[3]中的例子，可能需要处理文本数据转换成特征向量，这部分需要说明清楚，比如使用TF-IDF或CountVectorizer。 用户可能遇到的问题包括数据预处理不当、特征选择不合适，或者参数调整，这些可以放在注意事项里。另外，要区分二分类和多分类的实现方法，确保用户知道如何调整模型应对不同问题。 最后，生成相关问题时要覆盖逻辑回归的原理、多分类方法、特征工程技巧和评估指标，帮助用户深入学习和解决问题。</think>### 如何使用逻辑回归进行预测或分类？ 逻辑回归是一种广泛使用的分类算法，适用于二分类和多分类任务。以下是具体步骤和示例： --- #### **1. 数据准备** - **特征工程**：将数据转换为数值特征，并进行标准化/归一化（如使用`StandardScaler`）。 - **文本处理**（如引用[3]）：将文本合并为一列后，通过TF-IDF或词袋模型转换为数值特征。 - **划分数据集**：按比例（如8:2）分为训练集和测试集。 --- #### **2. 模型训练** **二分类示例（引用[2]）**： ```python from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split # 假设X为特征矩阵，y为二分类标签 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) model = LogisticRegression() model.fit(X_train, y_train) ``` **多分类示例（引用[1]）**： ```python # 使用One-vs-Rest策略处理多分类 model = LogisticRegression(multi_class='ovr') model.fit(X_train, y_train) ``` --- #### **3. 预测与评估** - **预测概率**：输出属于各类别的概率。 ```python probabilities = model.predict_proba(X_test) ``` - **直接分类结果**： ```python predictions = model.predict(X_test) ``` - **评估指标**： ```python from sklearn.metrics import accuracy_score, confusion_matrix print("准确率:", accuracy_score(y_test, predictions)) print("混淆矩阵:", confusion_matrix(y_test, predictions)) ``` --- #### **4. 关键参数说明** - `penalty`：正则化类型（默认`l2`），防止过拟合。 - `C`：正则化强度，值越小正则化越强。 - `solver`：优化算法（如`liblinear`适用于小数据集，`sag`适合大数据集）。 --- #### **应用场景** 1. **二分类**：如预测用户是否购买商品、邮件是否为垃圾邮件[^2]。 2. **多分类**：如新闻分类、手写数字识别（需调整参数`multi_class`）[^1]。 3. **文本分类**：通过TF-IDF处理文本后进行分类（如引用[3]中的新闻标题分类）。 --- #### **注意事项** - 逻辑回归假设特征与目标呈线性关系，非线性问题需结合多项式特征。 - 类别不平衡时需设置`class_weight='balanced'`。 - 高维稀疏数据（如文本）建议搭配正则化使用。 ---
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  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
表情包 代码片
 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