文档建议反馈控制台
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

有没有办法手动修改从给定数据集学习的决策树中的阈值集？

在决策树学习过程中，通常无法手动修改从给定数据集学习的决策树中的阈值集。决策树的阈值集是根据数据集的特征属性和标签进行自动学习得到的，以最大化分类的准确性和纯度。

然而，可以通过调整决策树算法的参数来影响阈值集的生成过程。一种常见的参数是决策树的最小样本拆分数（min_samples_split），它指定了在拆分节点时所需的最小样本数。通过增加或减少这个参数的值，可以影响决策树的生长过程，从而间接地影响阈值集。

此外，还可以使用特征选择方法来选择更具有区分度的特征属性，以改变决策树的分裂点选择策略，从而影响阈值集的生成。常见的特征选择方法包括信息增益、信息增益比、基尼指数等。

总之，虽然无法直接手动修改决策树中的阈值集，但可以通过调整算法参数和特征选择方法来间接地影响阈值集的生成过程，以达到优化决策树性能的目的。

腾讯云相关产品推荐：

  • 腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）
  • 腾讯云人工智能开发平台（https://cloud.tencent.com/product/tai）
  • 腾讯云数据智能平台（https://cloud.tencent.com/product/dti）
  • 腾讯云大数据平台（https://cloud.tencent.com/product/emr）
  • 腾讯云云服务器（https://cloud.tencent.com/product/cvm）
  • 腾讯云数据库（https://cloud.tencent.com/product/cdb）
  • 腾讯云对象存储（https://cloud.tencent.com/product/cos）
  • 腾讯云区块链服务（https://cloud.tencent.com/product/bcs）
  • 腾讯云物联网平台（https://cloud.tencent.com/product/iot）
相关搜索:有没有办法防止从数据集包中加载特定的数据集？如何从具有给定多集的集合中减去多集？Python中的快速数据集扩充--深度学习有没有办法获得数据集的多个值？从可能缺少某些数据集的文件中读取数据集有没有办法从DB中检索编码转换后的结果集？有没有办法分隔包含多个数据集的列？有没有办法计算SSRS数据集列中ID的重复率有没有办法在statsmodel中从R下载一些数据集？使用R从给定的数据集构造一个表机器学习中样本与全数据集的正则化从R上载winbugs中的数据集从colab中的Roboflow加载数据集使用MNIST数据集的迁移学习代码中的'filename‘是什么？从scala中的其他两个数据集的特定列创建新的数据集有没有比这更好的方法，从数据集构建对象？从数据集生成范围中的下拉填充chart.js修改数据集标签中的样式有没有办法用Jest和React的大数据集来测试highcharts？有没有办法将过滤后的查询集传递到Django的分页中？
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

打破机器学习中的小数据集诅咒

既然我们不需要清晰地制定这些规则，而数据可以帮助我们获得这些关系，可以说机器学习已经彻底改变了不同的领域和行业。 大数据集是怎样帮助构建更好的机器学习模型的？...在下面的例子中，我们正在研究iris数据集，以了解数据点的数量如何影响k-NN表现。为了更好表现结果，我们只考虑了这组数据的四个特性中的两个：萼片长度和萼片宽度。 ?...图7：KNN中预测类随数据大小的变化 后面的实验中我们随机从分类1中选取一个点作为试验数据（用红色星星表示），同时假设k=3并用多数投票方式来预测试验数据的分类。...图9：数据量少的基本含义和解决它的可能方法和技术 上图试图捕捉处理小数据集时所面临的核心问题，以及解决这些问题的可能方法和技术。在本部分中，我们将只关注传统机器学习中使用的技术。...与SMOTE不同的是，该算法从k个最近邻中随机选择一个数据点作为安全样本，从边界样本中选择最近邻，对潜在噪声不做任何处理。

69820

面向机器学习中的数据集

毋庸置疑的是，数据在机器学习中起着至关重要的作用。...同样的，我们可以尝试使用清单管理，每个数据集都伴随着一个清单列表，记录其动机、组成、采集、用途等等。数据集的清单列表会增加机器学习的透明度和问责制，减少机器学习模型中不必要的误差和偏见。...同时，数据集的清单管理促进机器学习结果有更大的重用性，无法访问数据集的开发者可以利用清单中的信息创建具有类似特征的替代数据集。 2....有没有什么具体的任务？ 谁创建了数据集，代表哪个实体(实例例如，公司、机构、组织) ？...尽管清单有较多一次性问题的选项，但创建清单的过程总是需要时间，组织的基础设施和工作流程需要修改，同样是开发成本。清单列表和工作流可能会对动态数据集造成问题，频繁更新数据集的清单可能会有较大的成本。

58710

    • 打破机器学习中的小数据集诅咒

    既然我们不需要清晰地制定这些规则，而数据可以帮助我们获得这些关系，可以说机器学习已经彻底改变了不同的领域和行业。 大数据集是怎样帮助构建更好的机器学习模型的？...在下面的例子中，我们正在研究iris数据集，以了解数据点的数量如何影响k-NN表现。为了更好表现结果，我们只考虑了这组数据的四个特性中的两个：萼片长度和萼片宽度。 ?...图7：KNN中预测类随数据大小的变化 后面的实验中我们随机从分类1中选取一个点作为试验数据（用红色星星表示），同时假设k=3并用多数投票方式来预测试验数据的分类。...图9：数据量少的基本含义和解决它的可能方法和技术 上图试图捕捉处理小数据集时所面临的核心问题，以及解决这些问题的可能方法和技术。在本部分中，我们将只关注传统机器学习中使用的技术。...与SMOTE不同的是，该算法从k个最近邻中随机选择一个数据点作为安全样本，从边界样本中选择最近邻，对潜在噪声不做任何处理。

    1.7K30

    机器学习算法（五）：基于企鹅数据集的决策树分类预测

    机器学习算法（五）：基于企鹅数据集的决策树分类预测 本项目链接：https://www.heywhale.com/home/column/64141d6b1c8c8b518ba97dcc 1 逻决策树的介绍和应用...主要应用： 由于决策树模型中自变量与因变量的非线性关系以及决策树简单的计算方法，使得它成为集成学习中最为广泛使用的基模型。...1.2 相关流程 了解 决策树 的理论知识 掌握 决策树 的 sklearn 函数调用并将其运用在企鹅数据集的预测中 Part1 Demo实践 Step1:库函数导入 Step2:模型训练 Step3...3.3.2 划分选择 从上述伪代码中我们发现，决策树的关键在于line6.从$A$中选择最优划分属性$_∗$，一般我们希望决策树每次划分节点中包含的样本尽量属于同一类别，也就是节点的“纯度”更高。...对于机器学习这块规划为：基础入门机器学习算法--->简单项目实战--->数据建模比赛----->相关现实中应用场景问题解决。一条路线帮助大家学习，快速实战。

    1.2K00

    干货 | 深度学习中不均衡数据集的处理

    转载自：AI科技评论，未经允许不得二次转载 在深度学习中，数据是非常重要的。但是我们拿到的数据往往可能由大部分无关数据和少部分我们所关心的数据组成。...像萨诺斯一样给你的数据集带来平衡 并非所有的数据都是完美的。事实上，如果你得到一个完全平衡的真实世界的数据集，你将是非常幸运的。...在大多数情况下，您的数据将具有一定程度的类不平衡，即每个类具有不同数量的样本。 为什么我们希望我们的数据集是平衡数据集？...然而在当我们观察实际数据的时候，「购买」类数据比「不购买」类数据少得多，我们的模型倾向于将「不购买」类数据学习的非常好，因为它拥有最多的数据，但在对「购买」类数据的学习上表现不佳。...欠采样意味着我们将只从多数类中选择其中一些数据，而使用少数类所具有的示例数据。这个选择可以用来保持类的概率分布。这是很容易的！我们仅仅靠减少示例样本就平衡了我们的数据！

    1.9K10

    干货 | 深度学习中不均衡数据集的处理

    AI 科技评论按：在深度学习中，数据是非常重要的。但是我们拿到的数据往往可能由大部分无关数据和少部分我们所关心的数据组成。那么，如何对这些数据集进行处理，才能得到我们所需要结果呢？...下面是他的观点，雷锋网 AI 科技评论整理。 ? 像萨诺斯一样给你的数据集带来平衡 并非所有的数据都是完美的。事实上，如果你得到一个完全平衡的真实世界的数据集，你将是非常幸运的。...在大多数情况下，您的数据将具有一定程度的类不平衡，即每个类具有不同数量的样本。 为什么我们希望我们的数据集是平衡数据集？...然而在当我们观察实际数据的时候，「购买」类数据比「不购买」类数据少得多，我们的模型倾向于将「不购买」类数据学习的非常好，因为它拥有最多的数据，但在对「购买」类数据的学习上表现不佳。...欠采样意味着我们将只从多数类中选择其中一些数据，而使用少数类所具有的示例数据。这个选择可以用来保持类的概率分布。这是很容易的！我们仅仅靠减少示例样本就平衡了我们的数据！

    1K40

    A.机器学习入门算法（五）：基于企鹅数据集的决策树分类预测

    机器学习算法（五）：基于企鹅数据集的决策树分类预测 本项目链接：https://www.heywhale.com/home/column/64141d6b1c8c8b518ba97dcc 1 逻决策树的介绍和应用...主要应用： 由于决策树模型中自变量与因变量的非线性关系以及决策树简单的计算方法，使得它成为集成学习中最为广泛使用的基模型。...同时决策树在一些明确需要可解释性或者提取分类规则的场景中被广泛应用，而其他机器学习模型在这一点很难做到。例如在医疗辅助系统中，为了方便专业人员发现错误，常常将决策树算法用于辅助病症检测。...1.2 相关流程 了解 决策树 的理论知识 掌握 决策树 的 sklearn 函数调用并将其运用在企鹅数据集的预测中 Part1 Demo实践 Step1:库函数导入 Step2:模型训练 Step3:...对于机器学习这块规划为：基础入门机器学习算法—>简单项目实战—>数据建模比赛----->相关现实中应用场景问题解决。一条路线帮助大家学习，快速实战。

    67720

    深度学习中超大规模数据集的处理

    在机器学习项目中，如果使用的是比较小的数据集，数据集的处理上可以非常简单：加载每个单独的图像，对其进行预处理，然后输送给神经网络。...其实，这种方法在我们之前的示例中也有所涉及，在使用数据增强技术提升模型泛化能力一文中，我就介绍了通过数据增强技术批量扩充数据集，虽然那里并没有使用到超大规模的数据集。...Keras提供的方法允许使用磁盘上的原始文件路径作为训练输入，而不必将整个数据集存储在内存中。 然而，这种方法的缺点也是很明显，非常低效。...对于个人开发者而言，收集超大规模数据集几乎是一个不可能完成的任务，幸运的是，由于互联网的开放性以及机器学习领域的共享精神，很多研究机构提供数据集公开下载。...这就涉及到深度学习中的一个正则化技巧，在我们之前的代码中，都是RGB值除以255.0进行正则化，但实践表明，将RGB值减去均值，效果更好，所以在此计算RGB的均值。

    1.4K20

    深度学习中数据集很小是一种什么样的体验

    前言 今天提一个比较轻松的话题，简单探讨数据集大小对深度学习训练的影响。...是的，有人对深度学习的局限性提供了一个证据：那就是当你数据比较少的时候，深度学习的作用相比较于其他传统的方法并没有什么优势，相反效果还不如传统的方法。...那么数据集过小是否可以通过深度学习来做，我们来测试一下。 一维信号 我们测试数据很简单，不是我们平常使用的三通道RGB图(3 x 256 x 256)，而是普通的一通道一维信号(1 x 168)。...上面的文件中，train数据集是161 x 168，第一行是x轴的坐标我们不用理会只需要y轴的数据，每40个数据组是一类也就是 2-41、42-81、82-121、122-161，一共四类。...其实所说的过拟合常常是因为我们设计的神经网络层数过深，但是数据没有那么多，神经网络就会充分“榨干”那些训练数据，过度吸收那些训练集的信息，导致在测试的时候没有那么准确，说以如果数据集过少，可以通过减少层数的方法来减轻错误

    6.1K40

    利用视听短片从自然刺激中获得开放的多模式iEEG-fMRI数据集

    2.3 自然静息态数据（iEEG） 对于无法参与单独的静息态任务的患者，研究人员从每个患者连续的全天临床iEEG记录中选择了3分钟作为“自然静息”时段。...最后，他们还将原始数据文件转换为BIDS（fMRI）和iBIDS（iEEG）格式，并使用BIDS Validator进行验证检查，使用MNE BIDS例程以及手动检查BIDS数据。...数据结果 目前，该数据集可以在https://openneuro.org/datasets/ds003688数据库中免费获取。数据按BIDS格式进行组织，具体信息可见图2。 ▲图2 数据记录概述。...尽管如此，数据集用户可能需要注意，在iEEG记录时，这些患者已经熟悉了之前fMRI实验中的电影。 2.FMRI数据 （1）PRESTO扫描与标准的回波共振成像（EPI）序列相比具有更优越的时间分辨率。...综上所述，这项研究首次公开了一个从一大群人类受试者观看视听短片时收集的数据集。该数据集是使用丰富的视听刺激获取，包括了大量的iEEG数据和在同一任务中的fMRI数据。

    12710

    决策树学习笔记（三）：CART算法，决策树总结

    根据训练数据集，从根结点开始， 递归地对每个结点进行以下操作，构建二叉决策树： 1：如果样本个数小于阈值或者没有特征， 则返回决策子树，当前节点停止递归。...4：在计算出来的各个特征的各个特征值对数据集D的基尼系数中， 选择基尼系数最小的特征A和对应的特征值a。...根据这个最优特征和最优特征值，把数据集划分成两部分D1和D2， 同时建立当前节点的左右节点，做节点的数据集D为D1，右节点的数据集D为D2. 5：对左右的子节点递归的调用1-4步，生成决策树。...CART剪枝与C4.5有所不同，C4.5剪枝算法是人为给定一个alpha，然后从叶结点逐渐向根节点回溯，然而CART多了一个遍历alpha的步骤，从0~+无穷。...4）有些比较复杂的关系，决策树很难学习，比如异或。这个就没有办法了，一般这种关系可以换神经网络分类方法来解决。 5）如果某些特征的样本比例过大，生成决策树容易偏向于这些特征。

    74940

    决策树学习笔记（三）：CART算法，决策树总结

    根据训练数据集，从根结点开始， 递归地对每个结点进行以下操作，构建二叉决策树： 1：如果样本个数小于阈值或者没有特征， 则返回决策子树，当前节点停止递归。...4：在计算出来的各个特征的各个特征值对数据集D的基尼系数中， 选择基尼系数最小的特征A和对应的特征值a。...根据这个最优特征和最优特征值，把数据集划分成两部分D1和D2， 同时建立当前节点的左右节点，做节点的数据集D为D1，右节点的数据集D为D2. 5：对左右的子节点递归的调用1-4步，生成决策树。...CART剪枝与C4.5有所不同，C4.5剪枝算法是人为给定一个alpha，然后从叶结点逐渐向根节点回溯，然而CART多了一个遍历alpha的步骤，从0~+无穷。...4）有些比较复杂的关系，决策树很难学习，比如异或。这个就没有办法了，一般这种关系可以换神经网络分类方法来解决。 5）如果某些特征的样本比例过大，生成决策树容易偏向于这些特征。

    3.5K42

    女神也用的约会决策：决策树算法实践

    决策树是机器学习中强大的有监督学习模型，本质上是一个二叉树的流程图，其中每个节点根据某个特征变量将一组观测值拆分。决策树的目标是将数据分成多个组，这样一个组中的每个元素都属于同一个类别。...CART是在给定输入随机变量 X 条件下输出随机变量 Y 的条件概率分布的学习方法。...假设在一个分类问题中有 K 个类，样本属于第 k 个类的概率为Pk，则该样本概率分布的基尼指数为 具体到实际的分类计算中，给定样本集合 D 的 Gini 指数计算如下 相应的条件 Gini 指数，也即给定特征...预剪枝： 在决策树构建之初就设定一个阈值，当分裂节点的熵阈值小于设定值的时候就不再进行分裂了；然而这种方法的实际效果并不是很好，因为谁也没办法预料到我们设定的恰好是我们想要的。...随机从150条数据中选120条作为训练集，30条作为测试集 iris_x_train = iris_x[randomarr[:-30]] # 训练集数据 iris_y_train = iris_y[randomarr

    48320

    『数据挖掘十大算法 』笔记一：决策树

    决策树生成 ID3算法 ID3算法核心是在决策树各个节点上应用信息增益准则选择特征，递归构建决策树。 输入：给定训练数据集D, 特征集A, 阈值 \epsilon 。 输出：决策树....C4.5算法 C4.5是ID3的改进算法，只是它用信息增益比准则选择特征，递归构建决策树。 输入：给定训练数据集D, 特征集A, 阈值 \epsilon 。 输出：决策树....根据训练数据集合，从根节点开始，递归地对每个结点进行如下步骤： 设结点的悬链数据集为D，计算现有特征对该数据集的Gini指数，对于每一个特征A，对其每个取值a，将其分割为“是”和“不是”两部分，计算A=...附录 算法分类 机器学习算法按照学习方式分为监督学习、非监督学习、半监督学习、强化学习 监督学习：从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。...常见的强化学习算法有时间差学习。 ---- 按照算法类似性分为决策树学习、回归、聚类、人工神经网络 决策树：根据数据的属性采用树状结构建立决策模型。决策树模型常常用来解决分类和回归问题。

    81420

    【学习】R语言与机器学习学习笔记（2）决策树算法

    这种从数据产生决策树的机器学习技术叫做决策树学习, 通俗点说就是决策树，说白了，这是一种依托于分类、训练上的预测树，根据已知预测、归类未来。...从存储的角度来说，决策树解放了存储训练集的空间，毕竟与一棵树的存储空间相比，训练集的存储需求空间太大了。...得到熵之后，我们就可以按照获取最大信息增益的方法划分数据集 2、 按照给定特征划分数据集 为了简单起见，我们仅考虑标称数据（对于非标称数据，我们采用划分的办法把它们化成标称的即可）。...下面我们使用著名数据集——隐形眼镜数据集，利用上述的想法实现一下决策树预测隐形眼镜类型。这个例子来自《机器学习实战》，具体数据集已上传至百度云盘（点击可下载）。...决策树是一个弱分类器，我们从脊椎动物数据集就可以看到，没有办法完全分类，这时将弱学习器组合在一起的，根据多数投票法得到的强学习器是你可以进一步关注的，ada boost,bagging，random forest

    86790

    如果Boosting 你懂、那 Adaboost你懂么？

    Bagging对训练数据采用自举采样（boostrap sampling），即有放回地采样数据，主要思想： 从原始样本集中抽取训练集。...训练数据中的每个样本，赋予其权重，即样本权重，用向量D表示，这些权重都初始化成相等值。...弱分类器使用单层决策树（decision stump），也称决策树桩，它是一种简单的决策树，通过给定的阈值，进行分类。...通过使用多颗单层决策树，我们可以构建出一个能够对该数据集完全正确分类的分类器。 2、构建单层决策树 我们设置一个分类阈值，比如我横向切分，如下图所示： ?...经过遍历，我们找到，训练好的最佳单层决策树的最小分类误差为0.2，就是对于该数据集，无论用什么样的单层决策树，分类误差最小就是0.2。 这就是我们训练好的弱分类器。

    1.5K50

    决策树1：初识决策树

    0x02 决策树的学习 2.1 学习目标与本质 假设给定训练数据集 ，其中为输入实例（特征向量），n为特征个数，，，为类标记（label），，，，，N为样本容量。...学习目标：根据给定的训练数据集构建一个决策模型，使它能够对实例进行正确的分类。 决策树学习本质上是从训练数据集中归纳出一组分类规则。...从另一个角度看，决策树学习是由训练数据集估计条件概率模型。基于特征空间划分的类的条件概率模型有无穷多个。我们选择的条件概率模型应该不仅对训练数据有很好地拟合，而且对未知数据有很好地预测。...当损失函数确定以后，学习问题就变为在损失函数意义下选择最优决策树的问题。因为从所有可能的决策树中选取最优决策树是NP完全问题，所以现实中决策树学习算法通常采用启发式方法，近似求解这一最优化问题。...以上方法就是决策树学习中的特征选择和决策树生成，这样生成的决策树可能对训练数据有很好的分类能力，但对未知的测试数据却未必有很好的分类能力，即可能发生过拟合现象。

    1.2K10

    数据挖掘算法（logistic回归，随机森林，GBDT和xgboost）

    而机器学习就相当于，给定自变量和函数的解，求函数。 类似于：这样：function（x）=y 机器学习就是样本中有大量的x（特征量）和y（目标变量）然后求这个function。...数据的随机选取： 第一，从原始的数据集中采取有放回的抽样，构造子数据集，子数据集的数据量是和原始数据集相同的。不同子数据集的元素可以重复，同一个子数据集中的元素也可以重复。...第二，利用子数据集来构建子决策树，将这个数据放到每个子决策树中，每个子决策树输出一个结果。...12.png 待选特征的随机选取： 与数据集的随机选取类似，随机森林中的子树的每一个分裂过程并未用到所有的待选特征，而是从所有的待选特征中随机选取一定的特征，之后再在随机选取的特征中选取最优的特征。...Bagging的训练集的选择是随机的，各轮训练集之间相互独立，而Boostlng的各轮训练集的选择与前面各轮的学习结果有关。

    3K91

    R语言与机器学习（分类算法）决策树算法

    ： 这种从数据产生决策树的机器学习技术叫做决策树学习, 通俗点说就是决策树，说白了，这是一种依托于分类、训练上的预测树，根据已知预测、归类未来。...从存储的角度来说，决策树解放了存储训练集的空间，毕竟与一棵树的存储空间相比，训练集的存储需求空间太大了。...得到熵之后，我们就可以按照获取最大信息增益的方法划分数据集 2、 按照给定特征划分数据集 为了简单起见，我们仅考虑标称数据（对于非标称数据，我们采用划分的办法把它们化成标称的即可）。...下面我们使用著名数据集——隐形眼镜数据集，利用上述的想法实现一下决策树预测隐形眼镜类型。这个例子来自《机器学习实战》，具体数据集可看文章末尾提示获取。...决策树是一个弱分类器，我们从脊椎动物数据集就可以看到，没有办法完全分类，这时将弱学习器组合在一起的，根据多数投票法得到的强学习器是你可以进一步关注的。

    1.8K40

    数据科学：Sklearn中的决策树，底层是如何设计和存储的？

    导读 前期在做一些机器学习的预研工作，对一篇迁移随机森林的论文进行了算法复现，其中需要对sklearn中的决策树进行继承和扩展API，这就要求理解决策树的底层是如何设计和实现的。...决策树既可用于分类也可实现回归，同时更是构成了众多集成算法的根基，所以在机器学习领域有着举重轻重的作用，关于集成算法，可参考历史文章：一张图介绍机器学习中的集成学习算法。...本文的重点是探究决策树中是如何保存训练后的"那颗树"，所以我们进一步用鸢尾花数据集对决策树进行训练一下，而后再次调用dir函数，看看增加了哪些属性和接口： 通过集合的差集，很明显看出训练前后的决策树主要是增加了...为了进一步理解各属性中的数据是如何存储的，我们仍以鸢尾花数据集为例，训练一个max_depth=2的决策树（根节点对应depth=0），并查看如下取值： 可知： 训练后的决策树共包含5个节点，其中3...拿鸢尾花数据集手动验证一下上述猜想，以根节点的分裂特征3和阈值0.8进行分裂，得到落入左子节点的样本计数结果如下，发现确实是分裂后只剩下50个第一类样本，也即样本计数为[50, 0, 0]，完全一致。

    1.1K20
    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

    更多标签

    活动推荐

      运营活动

      活动名称
      广告关闭

      腾讯云开发者

      扫码关注腾讯云开发者

      扫码关注腾讯云开发者

      领取腾讯云代金券

      热门产品

      热门推荐

      更多推荐

      Copyright © 2013 - 2024 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有

      深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 深公网安备号 44030502008569

      腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号 | 京公网安备号11010802020287

      领券