开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何修复“发现样本个数不一致的输入变量：[100，50]”错误？

修复“发现样本个数不一致的输入变量：[100，50]”错误的方法取决于具体的情况和使用的编程语言/框架。这个错误通常表示在进行数据处理或模型训练时，输入的两个变量的样本个数不匹配。

以下是一些可能的解决方法：

检查数据源：首先，确保数据源中的两个变量的样本个数是一致的。可以使用数据探索工具或编程语言的函数来检查数据的维度和样本个数。
数据对齐：如果发现数据源中的两个变量样本个数不一致，可以尝试对数据进行对齐。这可以通过删除多余的样本或补充缺失的样本来实现。具体的方法取决于数据的特点和需求。
数据转换：如果两个变量的样本个数不一致是因为数据格式不同，可以尝试将它们转换为相同的格式。例如，如果一个变量是列表而另一个变量是数组，可以将它们都转换为数组或列表。
数据插值：如果缺少的样本是由于数据采集或处理中的错误导致的，可以尝试使用插值方法来填充缺失的样本。插值方法可以根据已有的数据推断缺失的数据。
检查代码逻辑：检查代码中数据处理的逻辑，确保没有错误导致样本个数不一致的问题。可能需要仔细检查数据加载、处理、转换和模型训练等步骤。
调试工具和日志：使用适当的调试工具和日志记录来跟踪错误的来源。这可以帮助定位问题并找到解决方案。

请注意，以上方法仅为一般性建议，具体的修复方法可能因实际情况而异。在实际应用中，需要根据具体的编程语言、框架和数据处理流程来选择合适的解决方案。

腾讯云相关产品和产品介绍链接地址：

数据库：腾讯云数据库（https://cloud.tencent.com/product/cdb）
服务器运维：腾讯云云服务器（https://cloud.tencent.com/product/cvm）
云原生：腾讯云容器服务（https://cloud.tencent.com/product/tke）
网络通信：腾讯云私有网络（https://cloud.tencent.com/product/vpc）
网络安全：腾讯云安全产品（https://cloud.tencent.com/solution/security）
人工智能：腾讯云人工智能（https://cloud.tencent.com/product/ai）
物联网：腾讯云物联网开发平台（https://cloud.tencent.com/product/iotexplorer）
移动开发：腾讯云移动开发平台（https://cloud.tencent.com/product/mpp）
存储：腾讯云对象存储（https://cloud.tencent.com/product/cos）
区块链：腾讯云区块链服务（https://cloud.tencent.com/product/bcs）
元宇宙：腾讯云元宇宙（https://cloud.tencent.com/solution/metaverse）

相关搜索:如何修复(发现样本数量不一致的输入变量)发现样本数不一致的输入变量错误如何修复“发现样本数量不一致的输入变量：[219,247]”“如何修复"ValueError:发现样本数不一致的输入变量：[10000,60000]"？ValueError:发现样本数不一致的输入变量：pandas dropna()导致的“发现样本数量不一致的输入变量”错误发现样本数量不一致的输入变量：[行，列]knn.fit()错误: valueError:发现样本数量不一致的输入变量 ValueError:发现样本数不一致的输入变量：[8000，1]发现样本数量不一致的输入变量：[2,8382]混淆矩阵- ValueError:发现样本数量不一致的输入变量发现样本数量不一致的输入变量：[164，41]ValueError:发现样本数不一致的输入变量：[1454711，0]Sklearn -发现样本数量不一致的输入变量：[16512,4128]ValueError:发现样本数量不一致的输入变量：[2,515738]ValueError:发现样本数量不一致的输入变量：[4999,5000]ValueError:发现样本数量不一致的输入变量：[143,426]sklearn:发现样本数量不一致的输入变量：[1，99]ValueError:发现样本数量不一致的输入变量：[6，1]ValueError:发现样本数量不一致的输入变量：[11097,1233]

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

Python数据清理终极指南（2020版）

从上述的结果中，我们了解到这个数据集总共有30471行和292列，还确定了特征是数值变量还是分类变量，这些对我们来说都是有用的信息。现在可以查看一下“dirty”数据类型的列表，然后逐个进行修复。...这样，我们仍然可以保留缺失值作为有用的信息。 ? ? 不规则的数据（异常值）异常值是与其它的观测值截然不同的数据，它们可能是真正的异常值或者是错误值。如何发现不规则的数据？...1、大小写不一致 在分类值中存在着大小写不一致的情况，这是一个常见的错误。由于Python中的数据分析是区分大小写的，因此这就可能会导致问题的出现。如何发现大小写不一致？...之后，会更容易按年或月进行分组的交易量分析。 3、数据的分类值不一致 不一致的分类值是我们要讨论的最后一种不一致数据的类型。分类特征值的数量有限。有时候由于输入错误等原因，可能会存在其它的值。...4、地址数据不一致 地址特征目前成为了我们许多人最头疼的问题。因为人们经常在不遵循标准格式的情况下，就将数据输入到数据库中了。如何发现不一致的地址？我们可以通过查看数据来找到难以处理的地址。

1.2K2 0

使用LCamHdl库动态生成凸轮曲线

1 使用LCamHdl库动态生成凸轮曲线通过前面两个文档的学习，我们了解了凸轮工艺对象的数据结构，以及如何通过编程设置点及线段的方法动态生成凸轮曲线。...在使用LCamHdl_CreateCamAdvanced功能块之前，建议把库中的变量和数据类型也拖拽到项目里。...图3-4 拖拽库中的变量和数据类型到项目里这样在编程时camProfileType参数可以使用用户自定义常量赋值。...图3-6 建立变量profile并赋值参数表明要生成的凸轮曲线由两条线段组成，第一条线段从（0,0）到（100,50），线段类型为3（LCAMHDL_PROFILE_CONST_VELO），即一条斜直选段...执行后生成的凸轮曲线如下：图3-7 生成的凸轮曲线可以很明显看到这条曲线由两部分组成，第一部分是一条斜直线段，后一部分是一条曲线段。但是这两条线段连接点明显不光滑，这表明连接点上斜率不一致。

2.5K1 0

AI帮你自动修复！

从这条消息中，程序员可以注意到错误与变量 a 的类型有关，跟踪 a 在源代码中的使用方式或声明方式，定位到第5行，然后编辑该行以修复错误。...输入程序可能有多行有错误，因此我们迭代地应用修复模型，一次处理一个错误。例如，下图显示了 DeepFix 中的一个示例程序，其中有一个编译器错误，提示“ i 是未声明的”。...这一次，模型插入一个分号在第12行，现在修复的程序编译成功了！这种方法是迭代求精的思想: 我们可以持续运行修复模型并逐步修复错误。 ? 使用错误消息、程序反馈图和自监督预训练的效果如何？...然而，现有合成器(应用于 SPoC 的机器翻译模型)遇到的一个挑战是，它们倾向于输出不一致的代码，这些代码不能编译 —— 例如，在下图中，变量 i 在合成代码中被声明了两次。...程序反馈图(代码和出错信息的联合表示)帮助修复推理的建模(例如跟踪导致错误的变量)。自监督学习允许我们将可自由获取的、未标记的程序(例如 GitHub 代码)转化为程序修复的有用训练样本。

1.2K2 1

【NLP】NER数据标注中的标签一致性验证

标签的不一致性是影响NER任务性能提升的因素之一，比如在被引用超过2300次的标准NER基准CoNLL03数据集中，发现测试集中有5.38%的标签错误，当对其中的错误标签进行纠正后，相比于原始测试集得到的结果更加准确和稳定...标签的一致性验证需要解决两个关键问题:1)如何识别标注的数据子集之间的标签不一致？2)如何验证纠正后的标签一致性得到恢复？...所有观察结果都得出结论，原始测试集比训练集本身对训练样本的预测性差。而在其他的两个数据集WikiGold和WNUT16上没有这样的观察结果，则这可能是由于标签不一致导致的问题。 ?...然后训练NER模型，结果表明，标签错误(即原始错误的测试子集)在开始或最后被输入时都会损害模型性能。校正后的测试子集可提供与原始良好测试子集和训练子集相当的性能。...实验二：在CoNLL03上的结果如下图a所示，在原始测试集中以错误的标签开头会使性能比从训练集或良好的测试子集开始的性能差。如下图b所示，在标签校正之后，此问题得到修复。 ?

1.4K1 0

「成熟」大模型才能涌现？MIT：GPT-4能自我纠错代码，GPT-3.5却不行

新智元报道编辑：编辑部【新智元导读】MIT、微软的研究发现，GPT-4能够自我纠正错误代码，GPT-3.5却不行。无独有偶，其他研究也表明，似乎只有「成熟」的大模型才具备涌现能力。...它让系统克服了在解码过程中不良样本引起的错误，还模仿了人类软件工程师写代码的试错方法。然而，工作流有一个问题：自修复需要对模型进行更多的调用，从而增加了计算成本。...而且，研究者们发现了一个很有意思的现象：大模型自修复的有效性不仅取决于模型生成代码的能力，还取决于它对于代码如何在任务中犯错的识别能力。...自修复需要强大的模型和多样化的初始样本研究人员让单个模型分别进行代码的修复生成和反馈生成。...研究目的是了解模型识别代码中错误的能力与人类的能力相比如何，以及这如何影响自修复的下游性能。研究人员研究人员招募了16名参与者，包括15名研究生和1名专业机器学习工程师。

3042 0

微软 & 麻省理工 | 实验结果表明：代码自修复能力仅存在GPT-4！GPT-3.5不具备该能力

今天给大家分享的这篇文章，作者探讨了GPT自修复在代码生成中的应用，具体研究了GPT-3.5和GPT-4在调试和修复其自动生成的代码中的效果，在此过程中，作者引入了一种名为"pass@t"的评估策略，通过对比实验发现...如果有样本通过了测试，那么就会停止。如果没有通过测试，将会收集测试返回的消息 \{e_i\}i ，这些错误消息要么包含编译/运行时错误信息，要么包含程序输出与预期输出不同的示例输入。...具体地，假设有一个数据集 D=\{ψ_{d}\}_{d} 和一组选定的超参数 (M_P,M_F,n_p,n_f,n_r) 。...为了获得这些数据，首先为每个任务规范生成一个非常大的修复树，其中： N_p ≥ n_p 初始程序样本； N_f≥n_f 每个错误代码反馈字符串； N_r ≥ n_r 每个反馈字符串的修复候选。...通过上图对比可以发现，GPT-3.5自我修复的通过率低于或等于基线，其代码自修复的能力有限，而GPT-4自我修复的通过率明显优于基线，其具备代码自修复能力。

4995 1

Graphpad Prism9.5激活免费版下载+安装教程！Mac+Win版！

使用标准结构可以分析更大的数据集，并执行新的和改进的分析：提高数据列的上限：在每个数据表中最多输入1024列数据。自动识别变量类型：将多变量数据表中的变量识别为连续值，分类值或标签值。...数据表可输入文本信息：直接以文本形式输入数据。【3】向图表添加新维度降低统计的复杂性，几乎每个步骤都可从在线Prism指南中访问数千页信息。浏览图形组合，了解如何绘制众多的图形类型。...在这些情况下，警报将错误显示，但不应再显示修复了“提取和重新排列参数”对话框中的标签在高DPI刻度上显示为剪切的问题修复了更改父数据表名称后信息表名称未更新的问题 [中文]修复了“格式成对比较...4、GraphPad Prism9.0视频:主成分分析(PCA) 5、GraphPad Prism9.0视频:多变量数据表 6、GraphPad Prism9.0统计教程:如何做T检验 7、GraphPad...8、两组独立样本的秩和检验的分析与图形绘制 9、因设计资料方差分析的统计分析与图形绘制 10、多组独立样本的秩和检验的统计分析与绘制 11、非线性拟合（拟合存活曲线）五、GraphPad教你如何做高逼格

23K7 0

解决 ValueError: feature_names mismatch training data did not have the following f

这个错误通常是由于训练数据和测试数据在特征列上不匹配导致的。本文将介绍如何解决这个错误，并提供一些可能的解决方案。...：训练数据和测试数据在特征列上的顺序不一致。...如果发现两个数据集的特征列顺序不同，可以使用 train = train[test.columns] 将训练数据的特征列按照测试数据的顺序重新排列。...请注意，这只是一个示例代码，实际应用中可能需要根据具体的数据和模型情况进行适当的调整。测试数据特征列是指在机器学习或数据分析任务中，用于对模型进行测试和评估的数据集中的特征（也称为自变量或输入变量）。...特征列包含了数据集中用于描述每个样本的各个属性或特征的列。在机器学习任务中，特征列的选择对于模型的性能和准确度起着至关重要的作用。在测试数据集中，特征列的目的是为了提供模型输入所需的输入变量。

3863 0

编程语言中间令人无语的规则

我们都知道，软件开发人员每天都在做各种各样的决策:如何更好地实现功能、如何修复bug、如何改进应用程序性能等等。...然而，在最后，由于JavaScript的弱类型，发现+操作符的使用通常会导致数值变量的连接，而不是值的加减。其他编程语言也可以选择不同的连接操作符，或者安排专门的程序员来严格地输入变量以避免混淆。...“当我第一次了解到JavaScript的时候，它真的会伤害我，因为不一致的输入行为使得在最终的检查中很难找到bug。””...直到现在，大多数编程语言都发现了这一发明。编译器不会抱怨null指针，但是想要取消可能会导致运行时错误或系统崩溃引用，所以程序员必须尝试做一些防御措施或调试。...——迈克•尼尔森如何表达日期如何表示日期的问题上产生了许多更有效的选项,如只使用两个数字或数量不代表,可分为完全由四年是一个闰年,或类似Unix系统提供的基本服务是国际标准时间1月1日,公元1970

1.1K5 0

大数据之有指导数据挖掘方法的模型

这往往是数据挖掘的中心，但如果目标变量没有正确的定义以及没有确定适当的输入变量。反过来，这些任务又取决于对要解决的业务问题的理解程度。没有正确的理解业务问题就没办法把数据转化为挖掘任务。...通常情况下当与其他变量结合使用时，原先被忽视的变量会具有预测价值。例如：一个信用卡者从未把把现金刷没又继续刷，通过数据挖掘发现他们仅在11月和 12月才会使用用信用卡垫付。...除了提供对数据的了解，剖析工作可能会产生不一致问题或定义问题的警告，这些问题可能会对后面的分析造成麻烦。 3.2值与描述的比较观察每个变量的值，并把它们与现有文件中的变量描述进行比较。...这些计划只针对非常富有的客户，他们在一个相当大的银行客户样本中也是非常稀少的。如何构建一个能发现这类用户的模型，该模型集可能需要有50%的私人银行的客户，即使他们代表所有支票份额中还不到1%。...当目标变量的时间帧与输入变量的时间帧相同时，那么该模型是一个剖析模型，并且这个输入可能会引入一些似是而非的模式，而这些模式可能会混淆数据挖掘技术。

7164 0

机器学习中踩过的坑，如何让你变得更专业？

1、这些错误只会浪费你的时间计算科学中最难的两件事是命名和缓存失效，图中这条推文高度概括了此类错误。shape error 是最可怕又最常见的错误，通常是由于大小不一致的矩阵相乘导致。...本文不会花太多时间来讨论这类错误，因为错得非常明显。大家很容易找到错误，然后进行修复，然后再犯错，然后再修复。这是个不断重复的过程。...2）错误使用损失函数错误使用损失函数其实是很少出现的，因为已经有无数的材料教会大家如何使用损失函数。...要了解数据，首先需要明白以下三种数据分布：输入数据的分布情况，例如平均序列长度，平均像素值，音频时长输出数据的分布情况，分类失衡是一个大问题输出/输入的分布情况，这通常就是你要建模的内容 2、选择如何加载数据...分词也会导致很多错误发生。如果使用的是基于词的分词，很容易基于一个数据集形成词汇表，结果在另一个数据集上使用的时候发现，大量的词汇在词汇表上找不到。

5651 0

机器学习中踩过的坑，如何让你变得更专业？

1、这些错误只会浪费你的时间计算科学中最难的两件事是命名和缓存失效，图中这条推文高度概括了此类错误。shape error 是最可怕又最常见的错误，通常是由于大小不一致的矩阵相乘导致。...本文不会花太多时间来讨论这类错误，因为错得非常明显。大家很容易找到错误，然后进行修复，然后再犯错，然后再修复。这是个不断重复的过程。...2）错误使用损失函数错误使用损失函数其实是很少出现的，因为已经有无数的材料教会大家如何使用损失函数。...要了解数据，首先需要明白以下三种数据分布：输入数据的分布情况，例如平均序列长度，平均像素值，音频时长输出数据的分布情况，分类失衡是一个大问题输出/输入的分布情况，这通常就是你要建模的内容 2、选择如何加载数据...分词也会导致很多错误发生。如果使用的是基于词的分词，很容易基于一个数据集形成词汇表，结果在另一个数据集上使用的时候发现，大量的词汇在词汇表上找不到。

1.1K4 1

竞赛专题 | 数据预处理-如何处理数据中的坑？

，我们发现有的人的身高是10米，那这种很明显就是错误的数据；还有天池之前的医疗比赛，有些血压数据明显是仪器错误等造成的，而针对这些错误的数据，我们就需要对其进行清洗，删除或者将其当缺失值等；第二种对数据预处理往往是模型的原因...对缺失值进行赋值这种方法将通过例如回归模型，决策树模型，贝叶斯定理等去预测缺失值的最近替代值，也就是把缺失数据所对应的变量当做目标变量，把其他的输入变量当做自变量。...主要的处理流程包括，发现数据问题->分析原因->尝试修复如果无法合理的解释并修复，就可以考虑过滤该样本，或者对这批样本，做一个降低权重的处理（对lightgbm而言，见参数sample_weight）...修复方式可以均值修复（连续分布），众数修复（离散分布），最小值修复，最大值修复，另一方向也可以利用KNN等算法，求解邻近样本，用邻近样本的对应值修复，所以缺失值修复是在不同问题下可以多种灵活选择的问题，...模糊有时在测试集中会包含有一些比较模糊的图片，遇到这种情况，为了能让模型更好的识别，可以在训练的时候对一定比例的图片使用高斯模糊，高斯模糊在一定程度上也可以丰富样本的多样性，当然效果如何还得通过实际测试

2.2K5 0

用置信学习找出错误标注（附开源实现）

废话不说，首先给出这种置信学习框架的优势：最大的优势：可以用于发现标注错误的样本！无需迭代，开源了相应的python包，方便地快速使用！在ImageNet中查找训练集的标签错误仅仅需要3分钟！...很简单，一个输入是原始的样本标签（由于这些标签可能存在错误，我们称之为「噪声标签」吧～），另一个输入就是通过对训练集交叉验证，来预测的每一个样本在不同标签类别下的概率，这是一个nXm的概率矩阵（n为数据集大小...Method 1: ，选取的样本进行过滤，即选取最大概率对应的下标与人工标签不一致的样本。 Method 2:，选取构造计数矩阵过程中、进入非对角单元的样本进行过滤。...上述这些过滤样本的方法在cleanlab也有提供，我们只要提供2个输入、1行code即可clean错误样本： import cleanlab # 输入 # s:噪声标签 # psx: n x m 的预测概率概率...置信学习直接估计噪声标签和真实标签的联合分布，而不是修复噪声标签或者修改损失权重。置信学习开源包cleanlab可以很快速的帮你找出那些错误样本！可在分钟级别之内找出错误标注的样本。

5.3K2 0

4个步骤，构建一个有指导的数据挖掘模型

，列出处于销售风险的产品根据当前市场营销策略，预测未来三年的客户数量有指导数据挖掘往往作为一个技术问题，即找到一个模型以解释一组输入变量与目标变量的关系。...这往往是数据挖掘的中心，但如果目标变量没有正确的定义以及没有确定适当的输入变量。反过来，这些任务又取决于对要解决的业务问题的理解程度。没有正确的理解业务问题就没办法把数据转化为挖掘任务。...除了提供对数据的了解，剖析工作可能会产生不一致问题或定义问题的警告，这些问题可能会对后面的分析造成麻烦。 3.2值与描述的比较观察每个变量的值，并把它们与现有文件中的变量描述进行比较。...这些计划只针对非常富有的客户，他们在一个相当大的银行客户样本中也是非常稀少的。如何构建一个能发现这类用户的模型，该模型集可能需要有50%的私人银行的客户，即使他们代表所有支票份额中还不到1%。...当目标变量的时间帧与输入变量的时间帧相同时，那么该模型是一个剖析模型，并且这个输入可能会引入一些似是而非的模式，而这些模式可能会混淆数据挖掘技术。

1.3K10 0

0代码训练GPT-5？MIT微软证实GPT-4涌现自我纠错能力，智能体循环根据反馈让代码迭代！

它让系统在解码过程中克服由于不良样本引起的错误，在修复阶段容易地合并来自符号系统（编译器、静态分析工具和执行引擎等）的反馈。并且模仿人类软件工程师编写代码的试错方式。...而且，研究者们发现了一个很有意思的现象：大模型自修复的有效性不仅取决于模型生成代码的能力，还取决于它对于代码如何在任务中犯错的识别能力。...如果任何样本通过了所有的测试，就会停止，因为此时已经找到了令人满意的程序。否则，收集执行环境返回的错误信息。这些错误消息要么包含编译/运行时错误信息，要么包含程序输出与预期不同的示例输入。...自修复需要强大的模型和多样化的初始样本研究人员让单个模型分别进行代码的修复生成和反馈生成。...研究目的是了解模型识别代码中错误的能力与人类的能力相比如何，以及这如何影响自修复的下游性能。研究人员研究人员招募了16名参与者，包括15名研究生和1名专业机器学习工程师。

2841 0

机器学习系列--数据预处理

预处理现实世界数据源极易受噪声、缺失值和不一致数据的侵扰。低质量的数据将导致低质量的挖掘结果。属性是一个数据字段，表示数据对象的一个特征。...等宽分箱：每个”桶”的区间宽度相同等深分箱：每个”桶”的样本个数相同用户自定义区间分箱数据平滑按平均值平滑：对同一箱中数据求平均值，用平均值代替该箱子中的所有数据。...小心集成有助于减少结果数据集的冗余和不一致。 1.实体识别问题涉及多个数据源，对象匹配问题，属性名称相同含义不同等等。...也就是说，如果A和B相关的，这并不意味着A导致B或B导致A。数值数据的协方差在概率论与统计学，协方差和方差是两个类似的度量，评估两个属性如何一起变化。...4.数据值冲突的检测与处理（略）三．数据归约简介：缩小体积，但仍接近于保持原始数据的完整性。维归约减少所考虑的随机变量或属性的个数。

4461 0

语义调控扩散模型的图像修补

然后我们描述它们如何用来计算（第4.2节）。...在DAG中有三种类型的节点：输入节点、乘积节点和求和节点。输入节点定义了一些变量 X ∈ X 上的原始分布，而求和和乘积节点合并了它们子节点定义的分布，用 in(n) 表示，以构建更复杂的分布。...为了进一步考验Tiramisu生成语义一致图像的能力，我们使用了七种类型的掩膜，这些掩膜仅揭示了原始图像的5-20%，因为修复算法很可能会忽略给定的视觉线索并生成语义不一致的图像。...这一结论得到了图3所示的样本修复图像的进一步支持，这表明Tiramisu生成了更多语义上一致的图像。有关更多样本，请参见附录E.2；有关用户研究，请参见附录E.1。...对于每个输入，我们生成了五个语义一致性水平不同的样本。最左边的图像语义约束最少，几乎不匹配参考图像的语义模式。相比之下，最右边的图像严格匹配参考图像的语义。

1361 0

数据挖掘中易栽的10个坑，你中了没？

(Shannon实验室在国际长途电话上的分析)：不要试图在一般的通话中把欺诈和非欺诈行为分类出来，重点应放在如何描述正常通话的特征，然后据此发现异常通话行为。...6.使用了未来的信息看似不可能，却是实际中很容易犯的错误，特别是你面对成千上万个变量的时候。认真、仔细、有条理是数据挖掘人员的基本要求。...预报(Forecast)示例：预报芝加哥银行在某天的利率，使用神经网络建模，模型的准确率达到95%。但在模型中却使用了该天的利率作为输入变量。...，而是“这就有点奇怪了……” 数据中的不一致性有可能会是解决问题的线索，深挖下去也许可以解决一个大的业务问题。...例如：在直邮营销中，在对家庭地址的合并和清洗过程中发现的数据不一致，反而可能是新的营销机会。解决方法：可视化可以帮助你分析大量的假设是否成立。

3303 0

泄露2.2亿条数据，谷歌Firebase平台数据库被100%读取

他们扫描了 500 多万个域名，发现有 916 个网站没有启用安全规则或安全规则设置错误。...在这些网站中，他们甚至发现了一家银行。对于每一个暴露的数据库，Eva 的脚本 Catalyst 会检验哪些类型的数据是可获取的，并抽取了 100 条记录作为样本进行分析。...其中，有 1%的网站所有者回复了邮件，四分之一收到通知的网站管理员修复了 Firebase 平台中的错误配置。...上述暴露的记录数量已经很多了，但研究人员警告说这个数字可能偏低，实际的数量很可能更高。...一切是如何开始的在互联网上扫描配置错误的 Firebase 实例所暴露的 PII 是研究人员两个月前开展的另一个项目的后续行动，当时由于配置错误问题，他们获得了人工智能招聘软件解决方案 Chattr

1871 0

点击加载更多

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

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭