1回答
我正在做多目标回归，所以我想同时预测几个数字。这些数字高度相关，所以我认为预测他们的PC是一种更明智的方法。
使用sklearn的管道非常适合将我想使用的MinMaxScaler、PCA和回归器以菊花链形式链接在一起；然后允许我调用该管道进行预测。
然而，管道是否仅将PCA应用于输入？是否可以使用相同的策略，但也可以让它对我想要预测的输出执行PCA？
浏览 0提问于2015-10-14得票数 2
我想用名字来预测性别。不仅仅是名字，还有名字的特征，比如提取“姓氏”作为从名字中派生出来的特性。我的代码流程是这样的:将数据输入df >指定lr分类器和dv dictVectorizer >使用函数创建特性>执行dictVectorization >培训。我想做下面的工作，但找不到任何资源。
1)我想将预测的类(0和1)添加回原始数据集或我可以看到的名称和预测的性别类的数据集中。目前，我的y_test_predictions只对应于稀疏矩阵X_test。
2)如何保留经过训练的分类器，并使用它来预测具有一组名称的不同数据集的性别？我怎样才能插入一个名字"Rick
浏览 4提问于2015-10-28得票数 1
回答已采纳
我想使用在iOS设备上描述的管道。不可能仅仅使用CoreML来转换它，因为我的管道包含一个不在sklearn.preprocessing中的自定义函数。
我有一个管道，它包含一个不受CoreML支持的函数。如果我试图使用coreML转换我的管道，我有：
ValueError: Transformer '<class '__main__.Prepare_input'>' not supported; supported transformers are coremltools.converters.sklearn._dict_vectorizer,co
浏览 1提问于2019-05-20得票数 1
回答已采纳
2回答
环境：
import pandas as pd
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import OneHotEncoder, StandardScaler
from sklearn.ensemble import RandomForestClassifier
样本数据：
X_train = pd.DataFrame({'A': ['a1', 'a3', 'a2'],
'B'
浏览 3提问于2020-03-22得票数 4
回答已采纳
1回答
我正在使用sklearn的支持向量回归模型处理回归问题，并使用MinMax缩放特征，但通过使用它，我得到了不同的回归结果，这有意义吗？
import pandas as pd
import numpy as np
from sklearn import svm
from sklearn.preprocessing import MinMaxScaler
np.random.seed(0)
X_training = np.random.rand(100,15)*10
Y_training = np.random.rand(100,1)*10
model = svm.SVR()
不需要扩展：
浏览 2提问于2017-02-09得票数 0
我的scikit学习管道是线性回归的，但是我的问题域不应该允许输出高于某个值，所以我想限制输出。我知道我可以先运行我的模型，然后做一个y = np.where(y > MAX_VALUE, MAX_VALUE, y)，但我可能还有几个这样的自定义逻辑步骤，所以我想把它封装到管道中。sklearn能做到这一点吗？
我尝试编写自己的自定义估计器，如下所示，它给出了错误All intermediate steps should be transformers and implement fit and transform or be the string 'passthrough
浏览 2提问于2019-11-11得票数 1
3回答
我目前正在从事一个线性回归项目，在这个项目中，我需要收集数据，将其拟合到一个模型中，然后根据测试数据进行预测。
如果我是正确的，简单线性回归对两个变量，X(独立)和Y(相依)起作用。我有以下数据集，其中我认为time列为X，value列为Y：
+-----+------+
|value|minute|
+-----+------+
| 5000| 672|
| 6000| 673|
| 7000| 676|
| 8000| 678|
| 9000| 680|
+-----+------+
我不知道的是如何正确地将这个数据集拟合成线性回归模型。我以前使用过k-means，我用
浏览 8提问于2017-06-27得票数 3
回答已采纳
1回答
我有一个时间相关的数据集，其中我(作为一个例子)试图做一些超参数调优对拉索回归。
为此，我使用sklearn的TimeSeriesSplit，而不是普通的Kfold，即类似于以下内容：
tscv = TimeSeriesSplit(n_splits=5)
model = GridSearchCV(
estimator=pipeline,
param_distributions= {"estimator__alpha": np.linspace(0.05, 1, 50)},
scoring="neg_mean_absolute_percentag
浏览 1提问于2022-05-19得票数 1
回答已采纳
1回答
这是我在StackOverflow上的第一个问题:)
我一直在努力理解Sklearn管道的使用。
我运行以下代码来缩放数据，并在管道中拟合线性回归并绘制回归图：
pipe = make_pipeline(StandardScaler(), LinearRegression())
pipe.fit(x_train, y_train)
xfit = np.linspace(0, 1.25, 50) #Fake data to plot straight line
yfit = pipe.predict(xfit[:, np.newaxis])
plt.scatter(x_train, y_tr
浏览 0提问于2020-11-03得票数 1
回答已采纳
使用keras中的神经网络(NNs)之类的东西，很清楚如何在神经网络的训练中使用单词嵌入，您可以简单地做一些类似的事情
embeddings = ...
model = Sequential(Embedding(...),
layer1,
layer2,...)
但是，我不知道如何使用sklearn中的算法，如SVMs、NBs和logistic回归来实现这一点。我知道有一个Pipeline方法，它的工作原理很简单()，类似
pip = Pipeline([(Countvectorizer()), (TfidfTrans
浏览 0提问于2018-03-12得票数 3
回答已采纳
2回答
我正在使用支持向量机来预测某一特定一维数据的未来值。该数据包含54个月销售值，其月份索引为1至54。第一个问题是，我认为支持向量机可以做预测，但我不能放弃它。我知道，支持向量机可以进行分类，但回归又如何呢？有人能告诉我为什么支持向量机可以进行回归吗？
在我的问题中，我尝试将X设置为月份索引，将y设置为每个月的值。我不太确定我是否做得对，因为没有标签(或者我用这个值累了的标签)，特性只是月份索引。
我尝试用from sklearn import svm对其进行拟合，得到的结果是训练集的准确率为100%，测试集为0。我不知道哪里出了问题。
下面是代码：
import pandas as pd
im
浏览 3提问于2020-06-02得票数 1
回答已采纳
1回答
具有元分类器的管道
、、、
我正在尝试对来自熊猫数据帧的不同特征训练一个元分类器。
这些特征本质上要么是文本的，要么是分类的。
我在拟合模型时遇到了问题，错误如下：“发现样本数量不一致的输入变量: 1,48678”。我理解这个错误的含义，但不知道如何修复它。非常感谢您的帮助！
我使用的代码如下：
import pandas as pd
from sklearn import preprocessing
from sklearn.pipeline import Pipeline
from sklearn.ensemble import RandomForestClassifier
from sklearn.neural_n
浏览 6提问于2017-11-18得票数 0
我正在尝试在sklearn中构建一个使用KNeighborsClassifier和支持向量机的GridSearchCV管道。到目前为止，我已经尝试了以下代码：
from sklearn.model_selection import GridSearchCV
from sklearn.pipeline import Pipeline
from sklearn.neighbors import KNeighborsClassifier
neigh = KNeighborsClassifier(n_neighbors=3)
from sklearn import svm
from sklearn.s
浏览 19提问于2017-03-11得票数 1
3回答
我正在使用statsmodels运行一个logistic回归，并试图找到我的回归的分数。与sklearn不同，文档实际上并没有提供太多关于sklearn方法的信息，sklearn允许用户通过具有y值和回归系数(即lr.score(test_data, target) )的测试数据集。我应该如何将参数传递给statsmodels的分数函数?文档：
浏览 5提问于2014-06-05得票数 1
回答已采纳
1回答
我有一个dataframe，它包含了目标列和其他列之间的三个或多或少的显着相关性( sklearn中的LinarRegressionModel.coef_显示了57、97和79)。我不知道该选择什么确切的模型:是只使用最相关的列进行回归，还是将回归与所有三个预测因素结合使用。有什么方法来比较模型的有效性吗？对不起，我对数据分析很陌生，我不能搜索任何工具来完成这个任务
浏览 1提问于2019-05-29得票数 1
回答已采纳
1回答
我正在尝试实现一个用于多类预测的堆叠集成模型。
每个训练例子都是一个向量，有14个特征。总共有12个可能的课程。三个基本模型(下面描述)每个都包含一个14维的特征向量训练示例，并输出一个12维概率向量(1概率/类)。
这三个基本分类模型是从头构建的(即不使用sklearn构建，因此我不能简单地使用sklearn集成方法)，如下所示：
Bayes网:为每个14维训练示例输出一个12维概率向量(1概率/类)其他图形模型:为每个14维训练示例输出概率的12维向量(1概率/类)度量学习模型:为每个14维训练示例输出一个12维概率向量(1概率/类)。
我想将每个训练示例的基本模型的输出叠加起来(即，每个
浏览 1提问于2020-05-22得票数 0
我在一组简短的文档上训练了一个分类器，并在得到一个二进制分类任务的合理f1和准确性分数之后对它进行了腌制。
在培训过程中，我减少了使用sciki学习countVectorizer cv的特性数量：
cv = CountVectorizer(min_df=1, ngram_range=(1, 3), max_features = 15000)
然后使用fit_transform()和transform()方法获得转换后的列车和测试集：
transformed_feat_train = numpy.zeros((0,0,))
transformed_feat_test =
浏览 8提问于2014-09-23得票数 5
回答已采纳
对燃油经济性数据进行logistic回归的尝试
但是得到这个错误：
ValueError: Unknown label type: 'continuous'
代码：
X = fuel.drop('Fuel Economy (MPG)', axis=1).values
y = fuel['Fuel Economy (MPG)'].values
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X = sc.fit_transform(X)
f
浏览 10提问于2022-05-23得票数 1
1回答
在我建立了一个模型之后，我现在想用新的数据来检查结果。我使用了以下代码 count_vectorizer = CountVectorizer()
X_train= np.asarray(X_train)
y_train= np.asarray(y_train)
X_test = np.asarray(X_test)
score_log = clf.fit(X_train, y_train).predict(['Hello World']) 采用logistic回归模型。 不幸的是我有 ValueError: Expected 2D array, got 1D array
浏览 12提问于2020-12-04得票数 0
1回答
TPOT机器学习
、、、、
我在Google上训练了一个回归TPOT算法，其中TPOT过程的输出是一些锅炉板Python代码，如下所示。
import numpy as np
import pandas as pd
from sklearn.ensemble import ExtraTreesRegressor
from sklearn.model_selection import train_test_split
from sklearn.pipeline import make_pipeline, make_union
from tpot.builtins import StackingEstimator
from
浏览 0提问于2021-05-24得票数 1
回答已采纳
在python sklearn中，SGD分类器和SGD回归器有什么不同？另外，我们可以设置批处理大小以提高性能吗？
浏览 3提问于2019-02-15得票数 1
我有一个关于投票分类器的简单问题。据我所知，投票分类器应该比那些建立它的个体预测者(群体的智慧)具有最高的准确性。以下是代码
from sklearn.ensemble import RandomForestClassifier
from sklearn.ensemble import VotingClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_
浏览 6提问于2021-01-05得票数 0
我正在使用sklearn包构建逻辑回归模型，然后对其进行评估。具体地说，我想使用交叉验证来实现这一点，但是不能找出使用cross_val_score函数来实现的正确方法。
根据我看到的和一些，我需要传递函数模型、特性、结果和评分方法。然而，AUC不需要预测，它需要概率，所以它可以尝试不同的阈值，并基于此计算ROC曲线。那么，这里的正确方法是什么？这个函数将'roc_auc'作为一种可能的评分方法，所以我假设它与它兼容，只是不确定正确的使用方法。下面是示例代码片段。
from sklearn.linear_model import LogisticRegression
from
浏览 3提问于2017-05-18得票数 10
回答已采纳
1回答
我正在编写Dhaval Patel的一个教程，以创建一个线性回归预测模型，以获得基于年龄和里程的汽车销售价格。这个模型效果很好，但我不确定如何通过输入来获得预测的销售价格，因为我对所有这些都是新手，但真的很想学习！
以下是基本的python脚本，用于生成销售价格的输出预测-
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
df = p
浏览 35提问于2019-11-23得票数 0
回答已采纳
我成功地使用sklearn的多元线性回归训练了我的模型。这是我使用的代码：
import pandas as pd
dataset = pd.read_csv('C:\\mylocation\\myfile.csv')
dataset2 = pd.get_dummies(dataset)
y = dataset.iloc[:, 31:32].values
dataset2.pop('Target')
X = dataset2.iloc[:, :180].values
#Split the dataset
from sklearn.cross_validati
浏览 0提问于2018-12-31得票数 0
回答已采纳
1回答
当您试图预测某事物是否属于某个类时，您可以使用sklearn的分类报告。但是，这只在类是绝对的情况下才能起作用。
当您尝试用支持向量回归机或线性回归来预测值时，有没有人碰巧知道如何使用sklearn的分类报告？
我得到以下错误：
ValueError: Unknown label type: (123 13.409091
760 16.593333
748 13.646667
334 13.828571)
在尝试时：
print("Classification report: ", classification_report(y_test, y_
浏览 1提问于2018-08-01得票数 7
import numpy as np
from flask import Flask, request, jsonify, render_template
import pickle
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
from sklearn.linear_model import LogisticRegression
from flask_bootstrap import Bootstr
浏览 0提问于2020-06-10得票数 1
回答已采纳
在使用作为垃圾邮件分类的模型时，我想添加主题和正文的额外功能。
我把我所有的功能都放在了一个熊猫数据框中。例如，主题是df' subject '，正文是df' body _text‘，垃圾邮件/ham标签是df'ham/spam’
我收到以下错误: TypeError：'FeatureUnion‘对象不可迭代
在通过管道函数运行时，如何同时使用df‘’Subject‘和df’‘body_text’作为所有特性？
from sklearn.pipeline import FeatureUnion
features = df[['Subject
浏览 1提问于2016-01-11得票数 14
回答已采纳
1回答
基于支持向量回归的时间序列预测
、、、、
我一直在尝试用Python语言实现支持向量回归的时间序列预测工具。我使用scikit-learn中的SVR模块进行非线性支持向量回归。但我对未来事件的预测有严重的问题。回归线很好地拟合了原始函数(来自已知数据)，但只要我想预测未来的步骤，它就会返回上一个已知步骤的值。
我的代码如下所示：
import numpy as np
from matplotlib import pyplot as plt
from sklearn.svm import SVR
X = np.arange(0,100)
Y = np.sin(X)
svr_rbf = SVR(kernel='rbf'
浏览 0提问于2013-04-03得票数 8
回答已采纳
我有一个简单的线性回归模型，我需要计算方差和协方差。如何用线性回归计算方差和协方差？
方差，在机器学习的上下文中，是由于模型对训练集中的小波动的敏感性而产生的一种错误。
from sklearn.linear_model import LinearRegression
import numpy as np
X = np.array([2,3,4,5])
y = np.array([4,3,2,9] )
#train-test split
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.33, ra
浏览 3提问于2019-09-20得票数 0
回答已采纳
假设我想使用sklearn管道应用几种特征选择方法。以下是一个例子：
from sklearn.datasets import load_breast_cancer
from sklearn.feature_selection import SelectKBest, chi2
from sklearn.feature_selection import VarianceThreshold
from sklearn.pipeline import Pipeline
from sklearn.model_selection import train_test_split
X, y = load_
浏览 6提问于2022-07-25得票数 1
回答已采纳
考虑将PCA和回归链接在一起的任务，其中PCA执行维数约简和回归进行预测。
摘自sklearn文档的示例：
import numpy as np
import matplotlib.pyplot as plt
from sklearn import linear_model, decomposition, datasets
from sklearn.pipeline import Pipeline
from sklearn.model_selection import GridSearchCV
logistic = linear_model.LogisticRegression()
pc
浏览 0提问于2018-11-30得票数 2
回答已采纳
1回答
我正在用LSTM处理一个简单的文本生成问题。为了使预处理更加紧凑和可重现，我决定以sklearn的方式实现一切，使用自定义的sklearn变压器和来自KerasClassifier的scikeras将神经网络的定义封装在sklearn类型的估计器中。
它几乎可以工作，但我不知道如何将信息从某个自定义转换器传递到KerasClassifier估计器上。更准确地说，对于创建神经网络的方法，我需要输出的数量作为参数；但这取决于匹配词汇表中的单词数量--这是目前封装在ModelEncoder类中的一种信息。
(请注意，为了实现当前的逻辑工作，我必须稍微修改默认的sklearn Pipeline类，因为
浏览 3提问于2022-03-11得票数 0
1回答
我有一个矩阵x_train，它由10个输入数据集组成。y_train是唯一的培训输出。每个输入或输出有422个元素。
对于测试，我有一个类似的设置，每个输入或输出只有20个元素。
x_train.shape = (422, 10)
y_train.shape = (422,)
x_test.shape = (20, 10)
y_test.shape = (20,)
在这里，我用矩阵训练模型r。
r = linear_model.LinearRegression()
r.fit(x_train, y_train)
现在，当我给它一个测试输入作为一个矩阵，我收到一个向量作为预测的输出。
y_pre
浏览 2提问于2017-03-12得票数 1
回答已采纳
1回答
我想知道如何保存OnevsRest 分类器模型以供以后的预测。
我有一个问题，保存它，因为它意味着保存向量以及。我在这个里学到了。
下面是我创建的模型：
from sklearn.feature_extraction.text import TfidfVectorizer
vectorizer = TfidfVectorizer(strip_accents='unicode', analyzer='word', ngram_range=(1,3), norm='l2')
vectorizer.fit(train_text)
vectorizer.
浏览 0提问于2019-01-30得票数 3
回答已采纳
有可能在CalibratedClassifierCV和sklearn.calibration中使用Keras模型对象吗？或者，在sklearn/其他python包中是否有另一种方法可以实现performa同位素回归，而不必将其传递给模型对象。
我尝试过为Keras使用sklearn包装器，但它没有工作。。
浏览 4提问于2017-11-03得票数 12
我刚开始机器学习，拥有imdb电影数据集，并试图根据以下因素预测电影的“imdbRating”:- 'ratingCount'、'nrOfWins'、'nrOfNominations'、'nrOfPhotos'、'nrOfNewsArticles'、'nrOfUserReviews'、'nrOfGenre'。
我最简单的python代码是。
我使用了我的代码‘支持向量回归’机器学习算法。我只想知道我在python代码中显示的方法是否正确和有效，如果这种方法是正确的，那么我是否可以使用
浏览 1提问于2018-03-26得票数 2
回答已采纳
8回答
我正在尝试挑选一个滑雪机器学习模型，并将其加载到另一个项目中。该模型封装在流水线中，可以进行特征编码、缩放等。当我想使用管道中的自写变压器执行更高级的任务时，问题就开始了。
假设我有两个项目：
train_project:它在src.feature_extraction.transformers.py中有定制的变压器
use_project:它在src中有其他东西，或者根本没有src目录。
如果在"train_project“中使用joblib.dump()保存管道，然后在"use_project”中使用joblib.load()加载管道，则不会找到"s
浏览 6提问于2019-09-11得票数 31
I我已经完成了使用autosklearn.calssification.AutoSklearnClassifer().的学习我想将训练好的模型转换为PMML。在经过训练的模型中将SimpleClassificationPipeline更改为sklearn管道后，我使用了sklearn2pmml库，但它不起作用。如何将通过autosklearn训练的模型转换为PMML？ automl_model automl_model_to_pipeline modle_to_pmml
浏览 18提问于2021-07-14得票数 0
1回答
我有一个数据集，我使用Sklearn决策树回归机器学习包为预测目的建立一个模型。随后，我试图利用scipy.optimize包来解决基于给定约束的最小解。但是，我不确定是否可以将决策树模型作为优化问题的目标函数。在这种情况下，应该采取什么办法呢？我曾经尝试过线性回归模型，比如LarsCV，它们工作得很好。但是在线性回归模型中，基本上可以从模型中提取系数和截获点。
浏览 1提问于2019-02-22得票数 7
作为一个没有任何预处理的交叉验证的例子，我可以这样做：
tuned_params = [{"penalty" : ["l2", "l1"]}]
from sklearn.linear_model import SGDClassifier
SGD = SGDClassifier()
from sklearn.grid_search import GridSearchCV
clf = GridSearchCV(myClassifier, params, verbose=5)
clf.fit(x_trai
浏览 2提问于2015-09-16得票数 14
回答已采纳
这可能是一个愚蠢的问题，但我刚刚意识到，在logistic回归模型上调用score函数不应该有任何意义--据我所知，在sklearn中，我们无法为在评估期间调用的model.predict指定阈值，因此我们可能使用的是次优阈值，因此精确性并不能说明模型的多少。我知道如何从模型中提取问题点，并自行尝试不同的阈值，但是询问在交叉验证等方面是否有任何将准确性用作度量的意义？我每次都会用roc_auc代替。
浏览 0提问于2023-03-29得票数 0
我对核回归的理解是，当使用线性核进行无惩罚的岭回归时，结果应该类似于线性回归。在玩具的例子中，线性回归有更好的Rsq。问题的一部分，我认为SK是使用样本空间的核心矩阵，而不是较小的样本和特征空间，在这种情况下，特征空间要小得多。我如何“解决”这个问题，或者我可能做错了什么-一个新手的内核回归。线性核回归的分值在-3左右，线性回归的分数约为50%。
from sklearn.datasets import load_diabetes
from sklearn.kernel_ridge import KernelRidge
from sklearn.utils import shuffle
fro
浏览 4提问于2022-09-16得票数 0
1回答
我曾经像下面这样使用VotingClassifier(来自sklearn)。现在我想找到回归模型的集合。
model= VotingClassifier(estimators=[('svmc', best_SVMC), ('rfc', best_RFC), ('xgbc', best_XGBC),('mlpc', best_MLPC)], voting='soft', n_jobs=2)
你能推荐集合回归模型吗？
注意：
svmc = SVC()
rfc = RandomforestClassifier()
xgb
浏览 0提问于2018-12-02得票数 0
回答已采纳
1回答
即使有10度回归，我也得到了平坦的回归。但是，如果我将日期变量更改为数字，那么回归就会起作用！有人知道为什么吗？ from sklearn.preprocessing import PolynomialFeatures
from sklearn.pipeline import make_pipeline
from sklearn.linear_model import LinearRegression
from scipy.optimize import curve_fit
## RESHAPE DATA ##
X = transformed_data.ds.values.reshape(
浏览 19提问于2021-03-23得票数 0
回答已采纳
1回答
我试图了解这个基于doc2vec的ML程序预测了什么：
import logging, gensim
from gensim.models.doc2vec import TaggedDocument
from gensim.models import Doc2Vec
import re
import os
import random
from sklearn.metrics.pairwise import cosine_similarity
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_sele
浏览 0提问于2018-07-27得票数 0
回答已采纳
下面是我的代码，我正在尝试文本分类模型；
from sklearn.feature_extraction.text import TfidfVectorizer
ifidf_vectorizer = TfidfVectorizer()
X_train_tfidf = ifidf_vectorizer.fit_transform(X_train)
X_train_tfidf.shape
(3, 16)
from sklearn.svm import LinearSVC
clf = LinearSVC()
clf.fit(X_train_tfidf,y_train)
到目前为止，只有训练集被
浏览 1提问于2020-07-09得票数 1
回答已采纳
3回答
都显示了此导入的使用情况。
from sklearn.pipeline import Pipeline, FeatureUnion
from Transformers import TextTransformer
当我运行它的时候
ModuleNotFoundError跟踪(最近一次调用) in () 1来自sklearn.pipeline导入管道，FeatureUnion -->2来自Transformers导入TextTransformer ModuleNotFoundError:没有名为“Transformers”的模块
谷歌只是引导我找到了我已经
浏览 2提问于2017-04-08得票数 5
回答已采纳
3回答
我试过用SKLearn进行线性回归。我有一些数据是这样的:卡路里摄入量。
150 - 150
300 - 190
350 - 200
基本上是由数字组成，但我已经将数据集拟合成线性回归模型。
我困惑的是，我如何用新的数据来预测，比如说我吃了10个新的卡路里，我想要它来预测体重？
regressor = LinearRegression()
regressor.fit(x_train, y_train)
y_pred = regressor.predict(x_test) ??
但是，我该如何使仅仅是我的10个新数据--摄入的卡路里数--并使它成为我希望回归者预测的测试集？
浏览 0提问于2018-05-04得票数 4
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
