1. 项目概述：从水果分类到逻辑回归实战

最近在整理数学建模的笔记，翻到了当年用逻辑回归做二分类的一个经典案例——水果分类。这个项目听起来简单，不就是区分两种水果嘛，但麻雀虽小，五脏俱全。它几乎涵盖了监督学习从数据理解、模型构建到评估优化的全流程，是理解逻辑回归这个“万金油”分类器绝佳的入门实战。很多朋友学Python和机器学习，理论看了一堆，一到自己动手就懵，不知道代码从哪里开始写，参数怎么调，结果怎么看。这个项目就能很好地解决这个问题。它用的数据集很直观（就是水果的一些物理属性），目标明确（判断是A类还是B类），非常适合初学者和需要快速应用逻辑回归解决实际问题的数学建模参赛者。通过这个案例，你不仅能学会用 sklearn 快速搭建一个逻辑回归模型，更能深入理解模型背后的数学原理、评估指标的意义以及如何避免常见的陷阱。咱们不玩虚的，直接上代码、讲原理、说人话，让你看完就能自己动手复现，并且知道每一步为什么要这么做。

2. 核心思路与模型选型解析

2.1 为什么选择逻辑回归处理二分类水果数据？

面对“根据尺寸、颜色、重量等特征判断水果类型”这样的二分类问题，可选的模型很多，比如决策树、支持向量机（SVM）、甚至简单的K近邻（KNN）。那我为什么首选逻辑回归呢？这得从数据和任务本身的特点说起。

首先，我们的水果数据特征，如“直径”、“重量”、“糖度”，通常是连续型数值。逻辑回归本质上是一个广义线性模型，它假设特征与目标变量的对数几率（log odds）呈线性关系。这意味着，如果一个水果的重量增加一个单位，它属于某一类的“可能性”的对数值会呈现一个固定的变化（系数）。这种解释性非常直观，我们可以轻松地说出：“看，重量这个特征对判断它是苹果的贡献度是0.8，是橘子的贡献度是-0.8。”这对于数学建模中需要解释模型决策过程的要求至关重要。

其次，逻辑回归的输出是概率。它不像某些“硬分类器”直接输出0或1，而是输出一个0到1之间的概率值，代表样本属于正类的置信度。比如，模型预测某个水果是苹果的概率为0.85。这个概率输出本身就有价值，我们可以根据应用场景调整分类阈值（默认是0.5）。如果我们要确保抓到的“苹果”尽可能纯，可以把阈值提高到0.8，虽然会漏掉一些，但抓到的几乎都是真苹果。这种灵活性在实战中非常有用。

再者，从复杂度和计算效率考虑，逻辑回归训练速度快，对于特征维度不高（我们这个水果数据集特征通常就几个）的数据集，几乎瞬间完成。在数学建模竞赛中，时间就是生命，一个快速、可靠、结果可解释的基线模型，能为你后续尝试更复杂模型（如集成学习）节省大量时间，并提供对比基准。

最后，逻辑回归虽然简单，但它是很多复杂模型的基础。理解了它的损失函数（交叉熵损失）、优化算法（梯度下降及其变种），再去学习神经网络，会发现很多概念是一脉相承的。所以，用它来入门，性价比极高。

注意 ：逻辑回归并非万能。它默认假设特征与对数几率是线性关系。如果特征与目标类别之间存在复杂的非线性关系（比如根据形状和纹理区分奇形怪状的水果），单纯的逻辑回归可能效果不佳，这时需要考虑特征工程（如引入多项式特征）或换用非线性模型。

2.2 项目整体工作流设计

一个完整的机器学习项目，绝不是把数据丢进 LogisticRegression() 然后看准确率就完了。一个严谨的工作流能帮你系统性地解决问题，并暴露中间环节可能的风险。针对这个二分类水果项目，我设计的工作流如下：

  1. 数据获取与初探 ：加载数据，查看数据规模、特征含义、数据类型、有无缺失值。这是所有分析的起点，很多问题在这一步就能发现。
  2. 数据预处理与特征工程 ：清洗数据（处理缺失值、异常值），进行必要的特征缩放（如标准化），并可视化和分析特征与标签的关系。对于简单数据，特征工程可能不多，但探索性数据分析（EDA）必不可少。
  3. 数据集划分 ：将数据随机划分为训练集和测试集。 绝对禁止 用测试集参与任何训练过程（包括特征缩放参数的拟合），这是保证模型评估结果无偏、可靠的生命线。
  4. 模型训练与调参 ：在训练集上训练逻辑回归模型。核心是调节正则化超参数（如 C ），以在拟合能力和泛化能力之间取得平衡。
  5. 模型评估与诊断 ：在测试集上评估模型性能。不仅要看准确率，更要看精确率、召回率、F1分数，并绘制ROC曲线和计算AUC值，全面诊断模型在不同方面的表现。
  6. 模型解释与应用 ：分析模型系数，理解每个特征对预测结果的贡献方向和大小。最终将模型封装，用于对新水果样本的预测。

这个流程形成了一个闭环，确保每一步都有据可依，结果可复现。下面，我们就沿着这个流程，一步步拆解实现。

3. 数据准备与探索性分析

3.1 数据加载与初步观察

假设我们的水果数据保存在一个CSV文件 fruits.csv 中，包含以下字段： diameter_cm （直径，厘米）、 weight_g （重量，克）、 sugar_content （糖度，百分比）、 color_score （颜色评分，1-10）、 fruit_type （水果类型，0代表“橘子”，1代表“苹果”）。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report, confusion_matrix, roc_curve, auc

# 设置绘图风格
sns.set(style="whitegrid")
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

# 1. 加载数据
df = pd.read_csv('fruits.csv')
print("数据形状:", df.shape)
print("\n前5行数据:")
print(df.head())
print("\n数据基本信息:")
print(df.info())
print("\n描述性统计:")
print(df.describe())

运行这段代码，你会立刻对数据有个整体认识：有多少样本（行），多少个特征（列），有没有缺失值（ info() 会显示非空计数），以及每个特征的取值范围、均值、标准差（ describe() ）。这是你的“第一印象”。

3.2 数据清洗与特征可视化

检查缺失值是必须的。对于逻辑回归，常见的处理方式有直接删除缺失样本，或用均值、中位数填充。这里假设我们的数据是完整的。

接下来，让我们看看特征分布以及它们与目标变量的关系。这能帮助我们直观感受哪些特征可能更重要，以及是否存在线性可分趋势。

# 2. 检查缺失值
print("缺失值统计:")
print(df.isnull().sum())

# 假设数据完整，进行可视化
# 特征分布直方图
fig, axes = plt.subplots(2, 2, figsize=(12, 10))
features = ['diameter_cm', 'weight_g', 'sugar_content', 'color_score']
for idx, feat in enumerate(features):
    ax = axes[idx//2, idx%2]
    df[feat].hist(ax=ax, bins=20, edgecolor='black')
    ax.set_title(f'{feat} 分布')
    ax.set_xlabel(feat)
    ax.set_ylabel('频数')
plt.tight_layout()
plt.show()

# 特征与标签的散点图/箱线图
fig, axes = plt.subplots(2, 2, figsize=(12, 10))
for idx, feat in enumerate(features):
    ax = axes[idx//2, idx%2]
    # 按水果类型分组绘制箱线图，看特征在不同类别上的分布差异
    df.boxplot(column=feat, by='fruit_type', ax=ax)
    ax.set_title(f'{feat} 按水果类型分布')
    ax.set_xlabel('水果类型 (0:橘子, 1:苹果)')
    ax.set_ylabel(feat)
    # 去掉自动生成的标题前缀
    ax.set_title('')
    fig.suptitle('') # 去掉总标题
plt.tight_layout()
plt.show()

# 计算特征与标签的相关系数（点二列相关，适用于连续变量和二分类变量）
correlations = {}
for feat in features:
    # 点二列相关系数计算
    corr = np.corrcoef(df[feat], df['fruit_type'])[0, 1]
    correlations[feat] = corr
print("\n特征与目标变量的相关系数:")
for feat, corr in correlations.items():
    print(f"{feat}: {corr:.3f}")

通过箱线图，你可以清晰地看到，比如“苹果”的平均重量和直径可能显著大于“橘子”，而“橘子”的糖度和颜色评分可能更高。相关系数则给出了一个量化的指标，正值表示特征值越大，越可能是苹果（1），负值则相反。这些观察都能为后续模型解释提供佐证。

实操心得 ：EDA（探索性数据分析）的时间绝不能省。我见过很多新手跳过这一步，直接建模，结果模型效果不好，又不知道问题出在哪里。花20%的时间做EDA，能帮你避免后面80%的盲目调参。可视化图表比干巴巴的数字更能揭示问题，比如发现某个特征存在极端异常值，或者两个特征高度相关（共线性），这些都需要在预处理阶段解决。

4. 逻辑回归模型构建与核心原理

4.1 模型训练前的关键步骤：划分与标准化

在把数据喂给模型之前，有两件至关重要的事：划分数据集和特征标准化。

数据集划分 ：我们必须用一部分数据来“教”模型（训练集），用另一部分从未见过的数据来“考”模型（测试集），这样才能客观评估它面对新样本时的真实能力（泛化能力）。 train_test_split 是标准做法，通常按7:3或8:2的比例划分。

特征标准化 ：逻辑回归虽然不像SVM或KNN那样对尺度极度敏感，但进行标准化（使每个特征均值为0，标准差为1）依然是一个好习惯。这是因为逻辑回归的优化算法（如梯度下降）在不同尺度特征上的收敛速度不同，标准化可以加速训练，并使正则化更公平地作用于所有特征。 关键点 ：标准化器（ StandardScaler ）的拟合（ fit ）必须且只能使用训练集数据，然后用这个拟合好的转换器去转换训练集和测试集。绝对不能用整个数据集来 fit ，否则就造成了数据泄露，模型评估结果会过于乐观。

# 3. 准备特征X和标签y
X = df[features].values  # 转换为NumPy数组
y = df['fruit_type'].values

# 4. 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42, stratify=y)
print(f"训练集样本数: {X_train.shape[0]}, 测试集样本数: {X_test.shape[0]}")

# 5. 特征标准化
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train) # 只在训练集上拟合scaler
X_test_scaled = scaler.transform(X_test)       # 用训练集的参数转换测试集

参数 stratify=y 保证了训练集和测试集中两类水果的比例与原数据集一致，这在样本不均衡时尤为重要。 random_state 固定了随机种子，确保每次运行划分结果一致，便于复现。

4.2 逻辑回归的数学内核与sklearn实现

逻辑回归的核心是 Sigmoid函数 ，它将线性回归的预测值（一个实数）映射到(0,1)区间，解释为概率。 公式为： P(y=1|x) = 1 / (1 + exp(-z)) ，其中 z = w0 + w1*x1 + w2*x2 + ... + wn*xn 。

我们的目标是找到一组权重（ w0, w1, ..., wn ），使得模型预测的概率尽可能接近真实的标签。衡量这个“接近程度”的损失函数是 交叉熵损失 。训练过程就是通过优化算法（如梯度下降）最小化这个损失函数。

在 sklearn 中，这一切被封装得非常简洁：

# 6. 创建并训练逻辑回归模型
# 初始化模型，设置正则化强度C和求解器
# C是正则化强度的倒数，C越小，正则化越强。‘liblinear’是处理小数据集的好选择。
model = LogisticRegression(C=1.0, solver='liblinear', random_state=42)
model.fit(X_train_scaled, y_train)

# 查看训练好的模型参数
print("模型截距 (w0):", model.intercept_)
print("模型系数 (w1, w2, ...):", model.coef_)
  • C ：最重要的超参数。 C 值越大（如 C=100 ），正则化越弱，模型更倾向于拟合训练数据，可能过拟合； C 值越小（如 C=0.01 ），正则化越强，模型更简单，可能欠拟合。默认值1.0是一个不错的起点。
  • solver ：优化算法。对于我们这种小型数据集， ‘liblinear’ 或 ‘sag’ 都是不错的选择。 ‘lbfgs’ 是默认的，对于多数情况也适用。
  • random_state ：确保可复现性。

训练后， model.coef_ 给出了每个特征对应的权重。正值表示该特征值增加会提高样本被预测为“苹果”（1）的概率，负值则相反。 model.intercept_ 是偏置项。

5. 模型评估与深度诊断

5.1 超越准确率：全面的分类评估指标

在测试集上跑一下准确率，可能是很多人做的第一步也是唯一一步评估。但准确率在类别不平衡或不同错误代价不同的场景下会失灵。比如，如果我们99%的水果都是橘子，一个模型只要永远预测“橘子”，就能获得99%的准确率，但这显然是个烂模型。

因此，我们需要一套组合拳：

# 7. 在测试集上进行预测
y_pred = model.predict(X_test_scaled) # 预测类别（0或1）
y_pred_proba = model.predict_proba(X_test_scaled)[:, 1] # 预测属于类别1的概率

# 8. 综合评估
print("=== 混淆矩阵 ===")
cm = confusion_matrix(y_test, y_pred)
print(cm)
# 可视化混淆矩阵
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', xticklabels=['橘子', '苹果'], yticklabels=['橘子', '苹果'])
plt.ylabel('真实标签')
plt.xlabel('预测标签')
plt.title('混淆矩阵')
plt.show()

print("\n=== 分类报告 ===")
print(classification_report(y_test, y_pred, target_names=['橘子', '苹果']))

# 9. ROC曲线与AUC
fpr, tpr, thresholds = roc_curve(y_test, y_pred_proba)
roc_auc = auc(fpr, tpr)

plt.figure()
plt.plot(fpr, tpr, color='darkorange', lw=2, label=f'ROC曲线 (AUC = {roc_auc:.2f})')
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--', label='随机猜测')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('假正率 (FPR)')
plt.ylabel('真正率 (TPR)')
plt.title('接收者操作特征曲线 (ROC)')
plt.legend(loc="lower right")
plt.show()
  • 混淆矩阵 ：这是所有评估的基础。它清晰展示了四类结果：真正例（TP，苹果被正确预测为苹果）、假正例（FP，橘子被误判为苹果）、真反例（TN，橘子被正确预测为橘子）、假反例（FN，苹果被误判为橘子）。
  • 分类报告 ：提供了精确率、召回率、F1分数和支持度。
    • 精确率 ：在所有被预测为“苹果”的样本中，真正是苹果的比例。 Precision = TP / (TP + FP) 。关心的是“预测的准不准”。
    • 召回率 ：在所有真正的“苹果”样本中，被模型成功找出来的比例。 Recall = TP / (TP + FN) 。关心的是“找的全不全”。
    • F1分数 ：精确率和召回率的调和平均数，是两者的综合考量。
  • ROC曲线与AUC ：ROC曲线描绘了当分类阈值从1到0变化时，真正率（TPR）和假正率（FPR）的变化情况。曲线下的面积就是AUC值，越接近1，说明模型整体分类性能越好，且在不同阈值下都表现稳定。AUC是衡量模型排序能力（将正样本排在负样本前面的能力）的优异指标，对类别不平衡相对不敏感。

5.2 模型解释与特征重要性分析

逻辑回归的一大优势是可解释性。我们可以直接查看模型系数来理解特征的影响。

# 10. 特征重要性分析
feature_importance = pd.DataFrame({
    'feature': features,
    'coefficient': model.coef_[0]
})
feature_importance['abs_coef'] = np.abs(feature_importance['coefficient'])
feature_importance = feature_importance.sort_values('abs_coef', ascending=False)

print("\n=== 特征重要性（按系数绝对值排序）==="
print(feature_importance)

# 可视化系数
plt.figure(figsize=(8,5))
bars = plt.barh(feature_importance['feature'], feature_importance['coefficient'])
plt.xlabel('系数值')
plt.title('逻辑回归特征系数')
# 根据系数正负给条形图着色
for bar, coef in zip(bars, feature_importance['coefficient']):
    if coef >= 0:
        bar.set_color('skyblue')
    else:
        bar.set_color('salmon')
plt.tight_layout()
plt.show()

通过这个分析，你可以清晰地告诉别人：“在我们的模型中， weight_g （重量）是区分苹果和橘子最重要的特征，且其系数为正，意味着水果越重，模型越倾向于判断其为苹果。而 sugar_content （糖度）的系数为负，说明糖度越高，越可能是橘子。” 这种基于数据的、量化的解释，在数学建模论文或业务报告中极具说服力。

6. 模型优化与超参数调优

6.1 网格搜索寻找最优正则化强度

默认的 C=1.0 不一定是最优的。我们需要系统性地寻找在测试集（或更严谨地，在验证集）上表现最好的超参数。这里我们使用交叉验证结合网格搜索。

from sklearn.model_selection import GridSearchCV

# 定义参数网格
param_grid = {
    'C': [0.001, 0.01, 0.1, 1, 10, 100, 1000],
    'solver': ['liblinear', 'lbfgs']
}

# 创建网格搜索对象，使用5折交叉验证，以F1分数作为评估指标
grid_search = GridSearchCV(LogisticRegression(random_state=42, max_iter=1000),
                           param_grid,
                           cv=5,
                           scoring='f1', # 也可以使用 'accuracy', 'roc_auc'
                           n_jobs=-1) # 使用所有CPU核心加速
grid_search.fit(X_train_scaled, y_train)

print("最佳参数组合:", grid_search.best_params_)
print("最佳交叉验证分数 (F1):", grid_search.best_score_)

# 使用最佳参数重新训练最终模型（GridSearchCV的best_estimator_已经是最佳模型）
best_model = grid_search.best_estimator_

# 在测试集上评估最佳模型
y_pred_best = best_model.predict(X_test_scaled)
print("\n=== 调优后模型在测试集上的分类报告 ===")
print(classification_report(y_test, y_pred_best, target_names=['橘子', '苹果']))

GridSearchCV 会遍历 param_grid 中所有参数组合（这里是7*2=14种），对每一种组合进行5折交叉验证（将训练集分成5份，轮流用4份训练，1份验证），计算平均得分（这里用F1）。最后选出平均得分最高的参数组合。这个过程能有效利用数据，避免因单次划分的随机性导致参数选择不佳，并防止模型在训练集上过拟合。

6.2 处理类别不平衡问题

如果我们的水果数据中，苹果和橘子的数量相差悬殊（比如90%是橘子，10%是苹果），模型可能会倾向于总是预测多数类，导致对少数类的识别率极低。这时可以采取以下策略：

  1. 调整类别权重 ：在 LogisticRegression 中设置 class_weight='balanced' 。这会自动根据类别频率调整损失函数中每个类别的权重，让模型更关注少数类。 
    model_balanced = LogisticRegression(C=1.0, class_weight='balanced', random_state=42)
  2. 过采样/欠采样 ：使用 imbalanced-learn 库（需安装）中的SMOTE等方法对少数类进行过采样，或对多数类进行欠采样，使训练集类别分布均衡。
  3. 使用更合适的评估指标 ：如前所述，放弃准确率，重点关注精确率-召回率曲线下的面积（PR-AUC）或少数类的F1分数。

在我们的示例中，假设数据是平衡的，这一步可以省略。但了解这些方法对于处理真实世界的不平衡数据至关重要。

7. 实战总结与避坑指南

7.1 完整代码流程回顾与封装

将以上所有步骤整合成一个完整的、可复用的函数或脚本，是项目收尾的好习惯。这不仅能帮你梳理逻辑，也便于未来在其他类似项目上快速启动。

def fruit_classification_pipeline(data_path, test_size=0.3, random_state=42):
    """
    水果二分类完整流程函数
    """
    # 1. 加载与探索
    df = pd.read_csv(data_path)
    # ... (EDA代码，可选但建议保留)
    
    # 2. 准备数据
    features = ['diameter_cm', 'weight_g', 'sugar_content', 'color_score']
    X = df[features].values
    y = df['fruit_type'].values
    
    # 3. 划分数据集
    X_train, X_test, y_train, y_test = train_test_split(
        X, y, test_size=test_size, random_state=random_state, stratify=y)
    
    # 4. 标准化
    scaler = StandardScaler()
    X_train_scaled = scaler.fit_transform(X_train)
    X_test_scaled = scaler.transform(X_test)
    
    # 5. 训练与调优（这里简化为直接训练）
    model = LogisticRegression(C=1.0, solver='liblinear', random_state=random_state)
    model.fit(X_train_scaled, y_train)
    
    # 6. 评估
    y_pred = model.predict(X_test_scaled)
    y_pred_proba = model.predict_proba(X_test_scaled)[:, 1]
    
    print(classification_report(y_test, y_pred))
    # ... (可在此添加混淆矩阵、ROC曲线绘制)
    
    # 7. 返回模型、缩放器和特征列表，便于对新样本预测
    return model, scaler, features

# 使用函数
model, scaler, feature_names = fruit_classification_pipeline('fruits.csv')

# 对新样本进行预测示例
new_fruit = np.array([[7.5, 180, 12, 6]]) # 一个新水果的特征
new_fruit_scaled = scaler.transform(new_fruit)
prediction = model.predict(new_fruit_scaled)
prediction_proba = model.predict_proba(new_fruit_scaled)
print(f"预测类别: {prediction[0]} (0:橘子, 1:苹果)")
print(f"预测概率: [橘子: {prediction_proba[0,0]:.3f}, 苹果: {prediction_proba[0,1]:.3f}]")

7.2 常见问题与排查技巧实录

在实际操作中，你肯定会遇到各种报错和意外情况。这里记录几个我踩过的坑和解决方法：

  1. 收敛警告 ：训练时出现 ConvergenceWarning: lbfgs failed to converge... 。

    • 原因 ：迭代次数不够。逻辑回归的优化算法需要迭代足够次数才能收敛到最优解。
    • 解决 ：增加 max_iter 参数，比如 LogisticRegression(max_iter=1000) 。如果增加后仍不收敛，可能是数据有问题（如特征尺度差异巨大，未标准化），或者正则化强度 C 设置得太小，导致问题本身过于复杂。

  2. 预测概率全是0或1 ，或者非常极端（如0.9999）。

    • 原因 ：模型过于自信，可能是过拟合，或者特征与标签之间存在近乎完美的线性可分关系（在简单人造数据中常见）。
    • 排查 ：检查训练集和测试集准确率。如果训练集接近100%而测试集低很多，就是过拟合，需要加强正则化（减小 C ）。如果测试集也很高，那可能就是数据本身太容易区分了。

  3. 特征系数非常大或非常小 。

    • 原因 ：最常见的原因是特征未标准化。不同尺度的特征（如重量以克为单位，直径以厘米为单位）会导致系数数值失去可比性，也影响优化过程。
    • 解决 ：务必进行特征标准化（ StandardScaler ）。标准化后，系数的大小才能真正反映特征的重要性。

  4. 模型在训练集上表现很好，在测试集上很差 。

    • 原因 ：典型的过拟合。
    • 解决步骤 ：
      • 首先，检查是否发生了数据泄露？确保测试集完全没有参与训练过程的任何环节（包括特征缩放器的拟合）。
      • 其次，尝试增加正则化强度（减小 C 值）。
      • 最后，考虑是否特征过多或样本过少，可以尝试特征选择（如用 SelectKBest ）或获取更多数据。

  5. 想用概率输出，但 predict_proba 报错 。

    • 原因 ：有些求解器（如 ‘liblinear’ ）在多类分类下可能不支持概率估计。但在二分类下通常支持。
    • 解决 ：确保在初始化模型时，对于多分类问题，使用支持概率估计的求解器，如 ‘lbfgs’ , ‘newton-cg’ , ‘sag’ , ‘saga’ 。

这个基于Python和逻辑回归的水果分类项目，虽然基础，但完整走一遍，你对机器学习建模的流程、逻辑回归的原理与应用、以及 sklearn 工具链的掌握，会上一个坚实的台阶。记住，好的模型不是调参调出来的，而是基于对数据和问题的深刻理解设计出来的。先从逻辑回归这样一个解释性强、流程清晰的模型开始你的机器学习之旅，准没错。

# 逻辑回归 # 机器学习
Logo
码道开发者社区

码道开发者社区，聚焦华为云码道 CodeArts 代码智能体，沉淀 Agent、Skill、鸿蒙开发实战内容，供开发者查阅资料、交流技术、分享工程实践

更多推荐

cover

AI Agent的应用场景

avatar 码道开发者社区
cover

GLM-5.3-Flash深度解析：3200亿参数只卖Opus四十分之一，国产算力首次跑通前沿模型

avatar 码道开发者社区
cover

Claude API + Python实战：结构化输出后，如何拦住“看起来正确”的JSON

avatar 码道开发者社区