首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
社区首页 >问答首页 >当我想扩展django用户模型时,我遇到了问题

当我想扩展django用户模型时,我遇到了问题
EN

Stack Overflow用户
提问于 2019-06-21 13:44:03
回答 1查看 29关注 0票数 0

我建立了一个简单的django项目,我有一个模型类是structure,我想在目标上和用户django建立链接结构,以便为不同的结构提供多个访问,当我使python3 manage.py进行迁移时一切都很好,迁移也很好,使用sqlmigrate是很好的,但是在数据库中我找不到实用的表

代码语言:javascript
运行
AI代码解释
复制
from immob.models import Division
from django.db import models
from django.contrib.auth.models import User
class Utilisateur(models.Model):
user=models.OneToOneField('auth.User', on_delete=models.CASCADE)
Division=models.ForeignKey(Division,on_delete=models.CASCADE)

MacBook-Pro-de-MAC:Invest_App mac$ python3 manage.py sqlmigrate compte0001

BEGIN;

--创建模型实用工具

代码语言:javascript
运行
AI代码解释
复制
CREATE TABLE "compte_utilisateur" ("id" serial NOT NULL PRIMARY KEY, "Division_id" integer NOT NULL, "user_id" integer NOT NULL UNIQUE);
ALTER TABLE "compte_utilisateur" ADD CONSTRAINT "compte_utilisateur_Division_id_191feb84_fk_immob_division_id" FOREIGN KEY ("Division_id") REFERENCES "immob_division" ("id") DEFERRABLE INITIALLY DEFERRED;
ALTER TABLE "compte_utilisateur" ADD CONSTRAINT "compte_utilisateur_user_id_9142a9fe_fk_auth_user_id" FOREIGN KEY ("user_id") REFERENCES "auth_user" ("id") DEFERRABLE INITIALLY DEFERRED;
CREATE INDEX "compte_utilisateur_Division_id_191feb84" ON "compte_utilisateur" ("Division_id");
COMMIT;

但是在数据库中我找不到UTilisateur表??

EN

回答 1

Stack Overflow用户

回答已采纳

发布于 2019-06-21 13:46:05

代码语言:javascript
运行
AI代码解释
复制
from immob.models import Division
from django.db import models
from django.contrib.auth.models import User

class Utilisateur(models.Model):
  user=models.OneToOneField('auth.User', on_delete=models.CASCADE)
  division=models.ForeignKey(Division, on_delete=models.CASCADE)

试试这个吧。您尝试使用"Division“,这是一个保留关键字,因为您的导入。你不应该用大写字母命名变量,除非你想定义常量。

票数 0
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/56704665

复制
相关文章
XGBoost:参数解释
在运行XGboost之前,必须设置三种类型成熟:general parameters,booster parameters和task parameters:
全栈程序员站长
2022/09/01
5020
XGBoost-参数解释
http://www.analyticsvidhya.com/blog/2016/03/complete-guide-parameter-tuning-xgboost-with-codes-python/
百川AI
2021/10/19
9960
XGBoost + LR 就是加特征而已
《XGBoost + LR 就是加特征而已》一文通过实验验证了 XGBoost + LR 无法超越 LR,并且 XGBoost 叶子节点不能取代特征工程。因此,XGBoost + LR 并不能像深度学习那样带来自动特征工程的故事和逻辑。
AlgorithmDog
2017/09/22
7.4K1
XGBoost + LR 就是加特征而已
XGBoost + LR 就是加特征而已
本文介绍了XGBoost+LR算法在工业界的一些应用,以及在CTR预估领域的成绩。作者通过在Criteo数据集上的实验表明,XGBoost+LR可以有效地提高CTR预测的准确度,同时也能够降低算法的计算复杂度。虽然XGBoost+LR在预测效果上并没有达到深度学习的效果,但是它的优势在于算法复杂度更低,更适合于工业界的应用。同时,作者也指出了XGBoost+LR的局限性,例如无法处理非线性和复杂关系,需要更多的特征工程等等。因此,对于工业界来说,需要根据具体的应用场景和需求来选择合适的算法和模型,同时也需要更多的实验和研究来探索更优的解决方案。
AlgorithmDog
2017/12/29
1.7K0
XGBoost + LR 就是加特征而已
[机器学习算法]XGBoost
XGBoost算法是以CART为基分类器的集成学习方法之一,由于其出色的运算效率和预测准确率在数据建模比赛中得到广泛的应用。与随机森林赋予每一颗决策树相同的投票权重不同,XGBoost算法中下一棵决策树的生成和前一棵决策树的训练和预测相关(通过对上一轮决策树训练准确率较低的样本赋予更高的学习权重来提高模型准确率)。相比于其他集成学习算法,XGBoost一方面通过引入正则项和列抽样的方法提高了模型稳健性,另一方面又在每棵树选择分裂点的时候采取并行化策略从而极大提高了模型运行的速度。
TOMOCAT
2020/06/09
9770
[机器学习算法]XGBoost
XGBoost
参考:https://xgboost.readthedocs.io/en/latest/get_started.html
week
2019/08/29
6060
【转】XGBoost和LGB参数对比
原文:https://blog.csdn.net/zwqjoy/article/details/90637423
致Great
2020/12/21
1.4K0
【转】XGBoost和LGB参数对比
XGBoost超参数调优指南
本文将详细解释XGBoost中十个最常用超参数的介绍,功能和值范围,及如何使用Optuna进行超参数调优。
deephub
2023/08/30
9260
XGBoost超参数调优指南
XGBOOST + LR 模型融合 python 代码
先留个广告,最近做一个数据挖掘的比赛,主要用的就是 xgboost,等比赛完后年前好好整理代码开源,到时候代码会比下面整份完整。
全栈程序员站长
2022/11/19
1.2K0
XGBOOST + LR 模型融合 python 代码
XGBoost使用教程(纯xgboost方法)一
“无意中发现了一个巨牛的人工智能教程,忍不住分享一下给大家。教程不仅是零基础,通俗易懂,而且非常风趣幽默,像看小说一样!觉得太牛了,所以分享给大家。点这里可以跳转到教程。”
全栈程序员站长
2022/08/11
2.2K0
图解机器学习 | XGBoost模型详解
教程地址:http://www.showmeai.tech/tutorials/34
ShowMeAI
2022/03/10
4.5K0
图解机器学习 | XGBoost模型详解
XGBoost:在Python中使用XGBoost
下面将介绍XGBoost的Python模块,内容如下: * 编译及导入Python模块 * 数据接口 * 参数设置 * 训练模型l * 提前终止程序 * 预测
全栈程序员站长
2022/08/26
1.1K0
xgboost小试
demo/binary_classification下是一个根据对蘑菇特征对其是否有毒进行判别对一个demo。数据源来自https://archive.ics.uci.edu/ml/datasets/Mushroom,数据中包括蘑菇对形状、颜色等特征,以及是否有毒的标签。原始数据存放在agaricus-lepiota.data里,内容如下所示。它有23列,其中第一列是标签列,p表示有毒,e表示没有毒。后面的22列是22个特征对应的特征值。
Stanley Sun
2019/09/23
1.2K0
理解XGBoost
XGBoost是当前炙手可热的算法,适合抽象数据的分析问题,在Kaggle等比赛中率获佳绩。市面上虽然有大量介绍XGBoost原理与使用的文章,但少有能清晰透彻的讲清其原理的。本文的目标是对XGBoost的原理进行系统而深入的讲解,帮助大家真正理解算法的原理。文章是对已经在清华达成出版社出版的《机器学习与应用》(雷明著)的补充。在这本书里系统的讲解了集成学习、bagging与随机森林、boosting与各类AdaBoost算法的原理及其实现、应用。AdaBoost与梯度提升,XGBoost的推导都需要使用广义加法模型,对此也有深入的介绍。
SIGAI学习与实践平台
2019/03/01
1.3K0
理解XGBoost
XGBoost实战
The accuracy of prediction is: 0.9666666666666667 Feature importances: [0.002148238569679191, 0.0046703830672789074, 0.33366676380518245, 0.6595146145578594]
西西嘛呦
2021/02/25
6670
XGBoost实战
XGBoost简介
大家好,又见面了,我是你们的朋友全栈君。本文据此对XGBoost的原理做简单的介绍…
全栈程序员站长
2022/09/05
8010
第 07 课:XGBoost 超参数调整
scikit-learn 框架提供了搜索参数组合的功能。 此功能在 GridSearchCV 类中提供,可用于发现配置模型以获得最佳表现的最佳方法。 例如,我们可以定义一个树的数量(n_estimators)和树大小(max_depth)的网格,通过将网格定义为:
PM小王
2019/07/01
2K0
xgboost初识
XGBoost使用 原始数据 数据介绍 鸢尾花数据集是由杰出的统计学家R.A.Fisher在20世纪30年代中期创建的,它被公认为用于数据挖掘的最著名的数据集。它包含3种植物种类(Iris setosa、Irisversicolor和Iris virginica),每种各有50个样本。 数据下载地址 链接:https://pan.baidu.com/s/1hrG8Yn6 密码:pzgn XGBoost的特性及使用 XGBoost特性 正则化 标准GBM的实现没有像XGBoost这样的正则化步骤。正则化对减
听城
2018/04/27
8560
xgboost初识
XGBOOST算法
随机森林是在决策树(回归树)的基础上放入许多棵树,并行的,独立的构造出每一棵树,构成一个森林,这些树之间本身没有关系,通过最后将森林中所有的结果选举出最佳的结果达到优化提升的目的。
opprash
2019/09/10
7700
xgboost原理
文章内容可能会相对比较多,读者可以点击上方目录,直接阅读自己感兴趣的章节。
百川AI
2021/10/19
7540

相似问题

将LightGBM/XGBoost模型加载到sklearn

16

如何将xgboost转储文本转换为xgboost模型?

15

如何在经过训练的xgboost模型上使用CalibratedClassifierCV?

15

使用XGBoost中的基树

10

XGBoost模型性能

124
添加站长 进交流群

领取专属 10元无门槛券

AI混元助手 在线答疑

扫码加入开发者社群
关注 腾讯云开发者公众号

洞察 腾讯核心技术

剖析业界实践案例

扫码关注腾讯云开发者公众号
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档