5.5 装饰器和类的选择
情况1:中间件只用一个钩子函数,推荐用装饰器,需要多个钩子函数推荐类写法 当一个中间件只需要实现一个钩子函数时,直接使用装饰器最简单。 当一个中间件需要实现多个钩子函数时,类写法更合...
2.3. 常量
1.什么是常量? 在程序中一旦被赋值,就不希望被修改的量(区别于变量)。 2.具体语法 Python 中一般约定使用全大写变量名来表示常量,涉及到多个单词时,用下划线做分隔。 ADULT_AGE = 18 MONT...
4.2.3 正规方程法
正规方程法介绍 正规方程法(Normal Equation)是一种用于求解线性回归的解析解的方法。它基于最小二乘法,通过求解矩阵方程来直接获得参数值。 将损失函数转换为矩阵形式: 2.API使用 # fit_in...
小节一:先定义“什么叫成功”——没有 Success Criteria,所有 Evaluation 都是空的
理解成功标准时,先别急着找一个通用的布尔值。修代码和分析数据的验收方式明显不同,但两者都得同时检查结果、限制条件和验证证据。 左侧强调测试与修改约束必须一起满足;右侧强调数据结论需...
案例分析一:一个“会修 Bug”的 Coding Agent,最终到底会经历哪些步骤?
场景背景 我们先提前看看课程最终项目之一。 用户上传一个 Flask 项目,然后提交任务,“这个项目启动时报错,帮我定位原因。如果能安全修复,就修改后重新测试。” 传统聊天模型需要你自己复制...
小节三:上下文不是“越多越好”——真正难的是相关性、优先级、冲突与长度控制
现在最危险的误区来了,“既然模型需要上下文,那我把所有东西都塞进去就好了。” 这是很多 Agent 越跑越差的原因。 问题一:重复信息会增加噪声 例如: System Prompt: 不要修改 tests/ AGENT...
章末自测
题目 1:为什么一个 while True 的 Agent Main Loop 容易陷入死循环? 请结合“局部动作合理、全局任务无进展”解释,并说明为什么不能完全依赖模型自己判断是否停止。 Agent 每一轮...
第六部分:项目实战
学习目标:运用前五部分学到的方法,独立完成至少一个适合 Vibe Coding 的真实项目 完成标志:独立完成一个项目,能运行、能展示、能部署,并能写出清晰的复盘说明 6.1 独立实战说明 恭喜你走到...
5. 模型训练与评估
在本部分,我们将: 训练 XGBoost 模型 评估模型性能(准确率、召回率、F1-score 等) 使用网格搜索优化超参数 用可视化方法分析模型表现 5.1 模型训练 我们使用 XGBoost 进行训练,...
5. 模型训练与评估
本部分的目标是 训练 XGBoost 票房预测模型,并进行评估与优化,确保模型具有良好的泛化能力,能够较准确地预测电影票房。 5.1 模型训练 在上一部分,我们已经选择 XGBoost Regressor...












