首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    ECSHOP学习笔记

    1、根目录:前台程序文件 2、admin:后台程序文件夹    --根目录:后台程序文件  *.php文件    --help\zh_cn:各功能的帮助文件 *.xml文件    --images:后台页面用图片    --includes:后台公用文件和函数    --js:后台用js脚本    --styles:后台用样式表    --templates:后台页面模板  *.htm文件 3、api:调用API的系统公用函数 4、cert:存放证书的文件夹 5、data:数据连接设置等,包括各种广告的上传图片等    --afficheimg:首页flash广告图片    --brandlogo:品牌logo 6、images:上传商品图片文件夹,按日期分目录    --200902:按月份划分商品图片    --upload:上传文件夹,包括file、flash、image和media 7、includes:前台公用文件和函数    --codetable:语言对应的代码表    --fckeditor:开源html文本编辑器    --modules\convert:shopex转换文件    --modules\cron:如自动上下架、ip删除等函数    --modules\integrates:整合各种插件和函数基础类    --modules\payment:各种支付接口插件    --modules\shipping:各种送货方式插件 8、install:系统安装文件夹,用后请删除 9、js:前台用js脚本    --calendar:日历控件 10、languages:语言文件    --zh_cn:简体中文语言文件,存储简体中文下使用的函数变量等    --zh_tw:繁体中文语言文件,存储繁体中文下使用的函数变量等 11、temp:存放临时缓存等文件 12、themes:模板文件夹,可以随意拷贝模板样式 13、wap:手机浏览程序    --includes;公用文件和函数    --templates:页面模板  *.wml文件。

    05

    【数据挖掘项目】Airbnb新用户的民宿预定结果预测

    摘要 本文主要根据对Airbnb 新用户的民宿预定结果进行预测,完整的陈述了从 数据探索到 特征工程到 构建模型的整个过程。 其中: 1数据探索部分主要基于 pandas库,利用常见的: head(), value_counts(), describe(), isnull(), unique()等函数以及通过 matplotlib作图对数据进行理解和探索; 2.特征工程部分主要是通过从日期中提取 年月日, 季节, weekday,对年龄进行 分段,计算相关特征之间的 差值,根据用户id进行分组,从而统计一些特征变量的 次数, 平均值, 标准差等等,以及通过 one hot encoding和 labels encoding对数据进行编码来提取特征; 3.构建模型部分主要基于 sklearn包, xgboost包,通过调用不同的模型进行预测,其中涉及到的模型有,逻辑回归模型 LogisticRegression,树模型: DecisionTree,RandomForest,AdaBoost,Bagging,ExtraTree,GraBoost,SVM模型: SVM-rbf,SVM-poly,SVM-linear, xgboost,以及通过改变 模型的参数和 数据量大小,来观察 NDGG的评分结果,从而了解不同模型,不同参数和不同数据量大小对预测结果的影响.

    02
    领券