头歌python机器学习 --- 模型评估、选择与验证

### Python 中机器学习模型的评估、选择与验证方法 #### 模型评估的核心概念 在机器学习中,模型评估是一个至关重要的环节。为了确保模型能够有效地应用于实际场景,通常会将数据划分为训练集和测试集[^2]。一般而言,80%的数据被分配给训练集以构建模型,而剩余的20%则作为测试集用于评估模型性能。 #### 常见的评估指标 对于不同类型的分类问题,可以选择不同的评估指标来衡量模型的表现。当类别分布较为均衡时,可以采用 **accuracy** 来度量模型的整体准确性;然而,在面对类别不平衡的情况时,则应优先考虑诸如 **recall** 和 **precision** 的指标[^4]。 #### 交叉验证的应用 为了更全面地评估模型性能并减少因单一划分方式带来的偏差,常使用交叉验证的方法。例如,可以通过 `KFold` 实现 k 折交叉验证,从而多次迭代计算模型得分。以下是利用 5 折交叉验证分别测试随机森林 (Random Forest) 和 GBDT 模型效果的一个示例代码片段: ```python from sklearn.model_selection import cross_val_score from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier # 定义模型 rf = RandomForestClassifier(random_state=1) gbdt = GradientBoostingClassifier(random_state=1) # 执行交叉验证 scores_rf = cross_val_score(rf, X, y, cv=5, scoring='accuracy') scores_gbdt = cross_val_score(gbdt, X, y, cv=5, scoring='accuracy') print(f'Random Forest Accuracy: {scores_rf.mean()} ± {scores_rf.std()}') print(f'GBDT Accuracy: {scores_gbdt.mean()} ± {scores_gbdt.std()}') ``` 上述代码展示了如何通过调用 `cross_val_score` 函数实现对两种算法平均精度及其标准差的估算[^5]。 #### 特征选择的影响 除了优化模型本身外,合理选取输入特征同样能显著提升预测能力。基于模型的特征选择方法允许我们借助已训练好的模型去量化各个属性的重要性,并据此筛选最有效的子集[^3]。 #### 推荐的学习资源与工具 针对希望深入研究此领域的从业者,《Python机器学习实战》是一本非常实用的参考资料[^1]。与此同时,scikit-learn 库提供了丰富的功能支持整个流程中的每一步操作,包括但不限于数据预处理、建模以及最终的结果分析阶段。

创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

Python内容推荐

python机器学习房价预测实战案例

python机器学习房价预测实战案例

机器学习房价预测实战案例:输入数据集,train和test分别是训练集和测试集,关注房价分布,剔除离群样本;进行特征工程,训练回归模型,stacking 集成学习以及多模型线性融合。

机器学习实战(第六章-支持向量机-所有代码与详细注解-python3.7)

机器学习实战(第六章-支持向量机-所有代码与详细注解-python3.7)

机器学习实战(第六章-支持向量机-所有代码与详细注解-python3.7) 机器学习实战(第六章-支持向量机-所有代码与详细注解-python3.7)

Python头歌集合题解[可运行源码]

Python头歌集合题解[可运行源码]

本文详细介绍了头歌实践教学平台上的Python编程题解,涵盖了从基础语法到高级应用的多个方面。内容包括Python初体验、基础语法、函数结构、函数调用、模块使用、字符串处理、元组与字典操作、列表操作、循环结构、顺序与选择结构、类的基础语法、类的继承、NumPy基础及高级操作、Pandas数据处理、Matplotlib绘图、机器学习算法等多个模块。每个模块都提供了具体的任务描述、编程要求和实现代码,帮助学习者逐步掌握Python编程的核心技能。此外,还介绍了机器学习中的模型评估、选择与验证方法,以及如何使用Scikit-Learn解决实际问题。

人工智能实战应用案例:Python实现房价预测.zip

人工智能实战应用案例:Python实现房价预测.zip

人工智能实战应用案例:Python实现房价预测.zip

航空公司客户价值大数据分析源代码含数据python版

航空公司客户价值大数据分析源代码含数据python版

航空公司客户价值大数据分析全部的源代码,使用python编写,含数据部分

Python全栈项目代码-社区问答平台

Python全栈项目代码-社区问答平台

社区问答平台是典型的内容型全栈项目,用户可以发布技术问题,其他用户可以回答、点赞并采纳最佳答案。 项目最终实现以下能力: - 用户创建与复用; - 问题发布; - 问题列表展示; - 关键词与标签搜索; - 问题回答; - 回答点赞; - 回答采纳; - SQLite 数据持久化; - 前后端分离调用。 --- ## 二、技术栈 | 层级 | 技术 | 说明 | | --- | --- | --- | | 后端框架 | FastAPI | 提供 RESTful API,开发体验接近现代 Python Web 框架 | | 数据库 | SQLite | 单文件数据库,适合课程设计、毕业设计 Demo 和本地部署 | | ORM | SQLAlchemy | 定义用户、问题、回答模型及关系 | | 数据校验 | Pydantic | 定义请求体和响应结构 | | 前端 | HTML/CSS/JavaScript | 不依赖构建工具,浏览器直接运行 | | 接口调用 | Fetch API | 前端通过 HTTP 请求访问后端 | | 部署 | Uvicorn + 静态页面 | 后端启动 API 服务,前端直接打开或用 http.server 托管 |

机器学习-KNN算法实现

机器学习-KNN算法实现

机器学习knn算法实现,工程使用pycharm建立,包括机器学习实战的代码和自己重写的部分代码,增加部分函数的使用方法介绍。

机器学习之knn算法及代码

机器学习之knn算法及代码

K最邻近结点算法(k-Nearest Neighbor algorithm)的缩写形式,是电子信息分类器算法的一种。KNN方法对包容型数据的特征变量筛选尤其有效。

Skr-Eric的机器学习课堂(七)– KNN算法和推荐引擎

Skr-Eric的机器学习课堂(七)– KNN算法和推荐引擎

KNN算法 K – 若干个 N – Nearest,最近 N – Neighbors, 邻居 1.分类 对于一个未知类别的样本,在其周围寻找距离最近的K个已知样本,根据与距离成反比的加权投票,决定未知样本的类别。 # -*- coding: utf-8 -*- from __future__ import unicode_literals import numpy as np import sklearn.neighbors as sn import matplotlib.pyplot as mp train_x, train_y = [], [] with open('../../data

机器学习--KNN算法.pptx

机器学习--KNN算法.pptx

物流人工智能_机器学习

机器学习之KNN算法

机器学习之KNN算法

1.基础概念 kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 kNN方法在类别决策时,只与极少量的相邻样本有关。由于kNN方法主要靠周围有限的邻近的样本,而不是靠判别类域的方法来确定所属类别的,因此对于类域的交叉或重叠较多的待分样本集来说,kNN方法较其他方法更为适合。 KNN算法不仅可以用于分类,还可以用于回归。通过找出一个样本的k个最近邻居,将这些邻居的属性的平均值赋给该样本,就可以得到该样本的属性。更有用的方法

头歌-强化学习[项目代码]

头歌-强化学习[项目代码]

本文介绍了强化学习的基本概念和算法,包括第1关的强化学习算法和第2关的深度强化学习。强化学习是一种通过与环境交互来学习最优策略的机器学习方法,广泛应用于游戏、机器人控制等领域。深度强化学习则结合了深度学习的强大表示能力,进一步提升了强化学习的性能和应用范围。

Tensorflow练习1对电影评论进行分类

Tensorflow练习1对电影评论进行分类

是按照demo来运行的,其中遇到了不少的错误,一一修改后得到的可运行版本,里面已经包含了数据源,开发环境是python3.5.2+Tensorflow1.5.0,亲测可用

nn-cnn-mnist:这是基于keras的卷积神经网络,用于训练和测试keras mnist数据集

nn-cnn-mnist:这是基于keras的卷积神经网络,用于训练和测试keras mnist数据集

个人简历 这是基于keras的卷积神经网络,用于训练和测试keras mnist数据集

发论文【ACDC微电网的能源管理策略】微电网仿真模型包括光伏发电机、燃料电池系统、超级电容器和直流侧的电池,包括电压源变换器(VSC),用于将微电网的直流侧与交流侧相连接Simulink仿真实现

发论文【ACDC微电网的能源管理策略】微电网仿真模型包括光伏发电机、燃料电池系统、超级电容器和直流侧的电池,包括电压源变换器(VSC),用于将微电网的直流侧与交流侧相连接Simulink仿真实现

内容概要:本文介绍了一个基于Simulink的AC/DC微电网仿真模型,该模型集成了光伏发电机、燃料电池系统、超级电容器以及直流侧的蓄电池,并通过电压源变换器(VSC)实现直流与交流子系统的互联。模型聚焦于多源多储微电网的能量管理策略研究,涵盖分布式能源与混合储能系统的协调控制、功率平衡、系统稳定性分析,支持并网与离网两种运行模式的仿真切换。该平台可用于验证先进的能源调度算法,如改进粒子群优化等智能控制策略,适用于高水平科研论文的仿真支撑,尤其面向EI、SCI期刊投稿需求。; 适合人群:具备电力系统、新能源技术、自动化或电气工程背景的研究生、科研人员及从事微电网相关工作的工程技术人员。; 使用场景及目标:①开展AC/DC微电网能量管理策略的设计与仿真验证;②支撑高水平学术论文(如EI、SCI收录)中仿真实验部分的撰写;③为多能源系统协调控制、储能优化配置、微电网经济运行等前沿课题提供可靠的仿真基础和技术参考; 阅读建议:建议在Matlab/Simulink环境中动手搭建并调试模型,结合文中提及的优化算法进行仿真实验,深入理解系统动态响应与控制逻辑,可进一步拓展至氢能储能、电-氢-氨耦合系统等新型综合能源系统的研究方向。

单片机Keil C251 V5.5.4

单片机Keil C251 V5.5.4

代码转载自:https://pan.quark.cn/s/a4b39357ea24 单片机C51学习-练习例程 ===================== 555定时器 AT24C02 DS1302实时时钟 DS18B20 LCD1602 LED灯 LED点阵 PCF8591 中断 串口通信 光敏热敏电阻 数码管 看门狗寄存器 空闲掉电模式 红外遥控 继电器 蜂鸣器 软件复位 锁存器 键盘 项目 LCD时钟 如果编码有问题,打开有乱码, 可以使用iconv指令. $ iconv -f gbk -t utf-8 hello.c > hello.utf-8.c

Windows 10 site download link.txt

Windows 10 site download link.txt

已经博主授权,源码转载自 https://pan.quark.cn/s/33d64542c84e 该网站提供了一个官方链接,通过此链接可以获取系统安装工具MediaCreationTool1909的下载文件,并且能够下载到Windows系统的最新版本安装程序。

【SCI一区复现】基于配电网韧性提升的应急移动电源预配置和动态调度(下)-MPS动态调度(Matlab代码实现)

【SCI一区复现】基于配电网韧性提升的应急移动电源预配置和动态调度(下)-MPS动态调度(Matlab代码实现)

内容概要:本文是“基于配电网韧性提升的应急移动电源预配置和动态调度”系列研究的下半部分,聚焦于突发事件后应急移动电源(MPS)的动态调度优化问题。研究针对配电网在故障扰动下的快速恢复需求,构建了以负荷恢复最大化、供电可靠性提升为目标的动态调度数学模型,并结合实际电网运行特性,对MPS的路径规划、供电时序、负载匹配等关键环节进行联合优化。采用高效的优化算法求解该模型,实现了对失电区域的精准、高效供电恢复,显著增强了配电网的韧性。文中提供了完整的Matlab代码实现,支持读者复现SCI一区高水平研究成果,涵盖了从问题建模、算法设计到仿真验证的全流程,是电力系统应急响应与韧性提升领域的重要技术参考。; 适合人群:具备一定电力系统分析基础和Matlab编程能力,从事配电网优化、电力系统韧性、应急调度、智能电网等方向研究的研究生、科研人员及电力行业工程技术人员。; 使用场景及目标:① 学习并掌握面向配电网韧性提升的MPS动态调度建模方法与求解技术;② 复现并验证SCI一区论文级别的优化算法与仿真流程,提升科研创新能力与学术论文撰写水平;③ 将该模型与代码应用于实际或仿真的配电网应急调度方案设计、性能评估与决策支持。; 阅读建议:建议读者先学习本系列“上篇”关于MPS预配置的内容,再结合本文的动态调度部分进行系统性学习,以便全面理解“预配置-动态调度”的协同优化机制。同时,应仔细研读提供的Matlab代码,进行调试、修改与实验,深入掌握从理论模型到算法实现的完整技术链条。

技嘉Z77-D3H nvme bios 直接刷 速度杠杠的

技嘉Z77-D3H nvme bios 直接刷 速度杠杠的

技嘉Z77-D3H nvme bios 直接刷 速度杠杠的

分布式四轮驱动整车建模和控制Simulink仿真模型

分布式四轮驱动整车建模和控制Simulink仿真模型

内容概要:本文介绍了一个基于Simulink平台构建的分布式四轮驱动整车建模与控制系统仿真模型,旨在实现对车辆动力学行为的高精度模拟及先进控制策略的验证。该模型涵盖四轮独立驱动的扭矩分配、车辆纵向与横向动力学、轮胎-路面相互作用、以及关键控制算法(如转矩协调、稳定性控制等)的集成设计,支持复杂工况下的系统级仿真,适用于智能驾驶、电动化底盘研发及车辆控制算法优化等领域。模型具备良好的扩展性,可结合ADAS、自动驾驶系统进行整车级闭环测试,并支持硬件在环(HIL)验证。; 适合人群:面向具备车辆工程、控制理论或自动化等相关专业背景,从事新能源汽车、智能驾驶系统开发或车辆动力学研究的研发人员及高校研究生。; 使用场景及目标:①开展四轮驱动车辆的转矩矢量分配、电子稳定程序(ESP)、主动前轮转向(AFS)等控制算法的设计与验证;②支撑高级驾驶辅助系统(ADAS)和自动驾驶系统的整车级仿真测试;③用于教学实验或科研项目中对分布式驱动架构及其控制策略的深入分析与创新研究。; 阅读建议:建议在Simulink环境中动手实践,结合车辆动力学理论深入理解模型结构,重点关注控制模块与整车模型之间的耦合逻辑,并可根据具体应用场景拓展传感器模型或接入硬件在环系统进行实时验证。

最新推荐最新推荐

recommend-type

PyPI 官网下载 | mlpack3-3.4.2-cp36-cp36m-manylinux1_x86_64.whl

资源来自pypi官网,解压后可用。 资源全名:mlpack3-3.4.2-cp36-cp36m-manylinux1_x86_64.whl
recommend-type

实现基于C++或者python基本库,初学学习之用.zip

人工智能-项目实践-机器学习
recommend-type

机器学习的一些基础算法,主要使用Python、Cpp、Matlab编写。.zip

matlab算法,适合毕业设计、课程设计作业,所有源码均经过严格测试,可以直接运行,可以放心下载使用。
recommend-type

jenkins-conf:Jenkins的配置文件

mlpack Jenkins配置和测试支持 该存储库包含Jenkins( )使用的许多脚本,用于构建和测试mlpack。
recommend-type

学生成绩管理系统C++课程设计与实践

资源摘要信息:"学生成绩信息管理系统-C++(1).doc" 1. 系统需求分析与设计 在进行学生成绩信息管理系统开发前,首先需要进行系统需求分析,这是确定系统开发目标与范围的过程。需求分析应包括数据需求和功能需求两个方面。 - 数据需求分析: - 学生成绩信息:需要收集学生的姓名、学号、课程成绩等数据。 - 数据类型和长度:明确每个数据项的数据类型(如字符串、整型等)和长度,例如学号可能是字符串类型且长度为一定值。 - 描述:详细描述每个数据项的意义,以确保系统能够准确处理。 - 功能需求分析: - 列出功能列表:用户界面应提供清晰的操作指引,列出所有可用功能。 - 查询学生成绩:系统应能通过学号或姓名查询学生的成绩信息。 - 增加学生成绩信息:允许用户添加未保存的学生成绩信息。 - 删除学生成绩信息:能够通过学号或姓名删除已经保存的成绩信息。 - 修改学生成绩信息:通过学号或姓名修改已有的成绩记录。 - 退出程序:提供安全退出程序的选项,并确保所有修改都已保存。 2. 系统设计 系统设计阶段主要完成内存数据结构设计、数据文件设计、代码设计、输入输出设计、用户界面设计和处理过程设计。 - 内存数据结构设计: - 使用链表结构组织内存中的数据,便于动态增删查改操作。 - 数据文件设计: - 选择文本文件存储数据,便于查看和编辑。 - 代码设计: - 根据功能需求,编写相应的函数和模块。 - 输入输出设计: - 设计简洁明了的输入输出提示信息和操作流程。 - 用户界面设计: - 用户界面应为字符界面,方便在命令行环境下使用。 - 处理过程设计: - 设计数据处理流程,确保每个操作都有明确的处理逻辑。 3. 系统实现与测试 实现阶段需要根据设计阶段的成果编写程序代码,并进行系统测试。 - 程序编写: - 完成系统设计中所有功能的程序代码编写。 - 系统测试: - 设计测试用例,通过测试用例上机测试系统。 - 记录测试方法和测试结果,确保系统稳定可靠。 4. 设计报告撰写 最后,根据系统开发的各个阶段,撰写详细的设计报告。 - 系统描述:包括问题说明、数据需求和功能需求。 - 系统设计:详细记录内存数据结构设计、数据文件设计、代码设计、输入/输出设计、用户界面设计、处理过程设计。 - 系统测试:包括测试用例描述、测试方法和测试结果。 - 设计特点、不足、收获和体会:反思整个开发过程,总结经验和教训。 时间安排: - 第19周(7月12日至7月16日)完成项目。 - 7月9日8:00到计算机学院实验中心(三楼)提交程序和课程设计报告。 指导教师和系主任(或责任教师)需要在文档上签名确认。 系统需求分析: - 使用表格记录系统需求分析的结果,包括数据项、数据类型、数据长度和描述。 - 分析数据项如学生成绩信息、状态器、链表节点等,确定其属性和行为。 以上就是文档中提到的学生成绩信息管理系统开发的关键知识点。开发此类系统需要熟练掌握C++编程基础,了解面向对象的程序设计思想,以及熟悉文件操作和链表等数据结构的应用。此外,良好的软件开发流程意识、测试意识和文档撰写能力也是必不可少的。
recommend-type

别再手动拖拽了!用Lumerical脚本批量创建FDTD仿真结构(附完整代码)

# 告别低效建模:Lumerical脚本自动化实战指南 在光子学仿真领域,时间就是科研生命线。当同行还在GUI界面里反复点击菜单时,你已经用脚本批量生成了20组参数化结构——这不是未来场景,而是每位FDTD用户都应该掌握的基础生产力革命。本文将彻底改变你与Lumerical的交互方式,从手动拖拽的农耕时代,跃迁到自动化建模的工业文明。 ## 1. 为何脚本建模是必然选择 2019年Nature Photonics的一项研究显示,科研工作者在仿真工具上平均浪费37%的时间在重复性操作上。对于需要参数扫描的纳米光学结构设计,这个数字可能更高。手动创建10个不同尺寸的纳米柱阵列意味着: -
recommend-type

Java邮件解析任务中,如何安全高效地提取HTML邮件内容并避免硬编码、资源泄漏和类型转换异常?

<think>我们被要求优化一段Java代码,该代码用于处理邮件(特别是来自特定发件人的构建通知邮件)。代码的主要问题包括: 1. 重复获取邮件内容:在检查MIME类型后,多次调用`msg[i].getContent()`,这可能导致性能问题或流关闭异常。 2. 类型转换问题:直接将邮件内容转换为`Multipart`而不进行类型检查,可能引发`ClassCastException`。 3. 代码结构问题:逻辑嵌套过深,可读性差,且存在重复代码(如插入邮件详情的操作在两个地方都有)。 4. 硬编码和魔法值:例如在解析HTML表格时使用了硬编码的索引(如list3.get(10)),这容易因邮件
recommend-type

RH公司应收账款管理优化策略研究

资源摘要信息:"本文针对RH公司的应收账款管理问题进行了深入研究,并提出了改进策略。文章首先分析了应收账款在企业管理中的重要性,指出其对于提高企业竞争力、扩大销售和充分利用生产能力的作用。然后,以RH公司为例,探讨了公司应收账款管理的现状,并识别出合同管理、客户信用调查等方面的不足。在此基础上,文章提出了一系列改善措施,包括完善信用政策、改进业务流程、加强信用调查和提高账款回收力度。特别强调了建立专门的应收账款回收部门和流程的重要性,并建议在实际应用过程中进行持续优化。同时,文章也意识到企业面临复杂多变的内外部环境,因此提出的策略需要根据具体情况调整和优化。 针对财务管理领域的专业学生和从业者,本文提供了一个关于应收账款管理问题的案例研究,具有实际指导意义。文章还探讨了信用管理和征信体系在应收账款管理中的作用,强调了它们对于提升企业信用风险控制和市场竞争能力的重要性。通过对比国内外企业在应收账款管理上的差异,文章总结了适合中国企业实际环境的应收账款管理方法和策略。" 根据提供的文件内容,以下是详细的知识点: 1. 应收账款管理的重要性:应收账款作为企业的一项重要资产,其有效管理关系到企业的现金流、财务健康以及市场竞争力。不良的应收账款管理会导致资金链断裂、坏账损失增加等问题,严重影响企业的正常运营和长远发展。 2. 应收账款的信用风险:在信用交易日益频繁的商业环境中,企业必须对客户信用进行评估,以便采取合理的信用政策,降低信用风险。 3. 合同管理的薄弱环节:合同是应收账款管理的法律基础,严格的合同管理能够保障企业权益,减少因合同问题导致的应收账款风险。 4. 客户信用调查:了解客户的信用状况对于预测和控制应收账款风险至关重要。企业需要建立有效的客户信用调查机制,识别和筛选信用良好的客户。 5. 应收账款回收策略:企业应建立有效的账款回收机制,包括定期的账款跟进、逾期账款的催收等。同时,建立专门的应收账款回收部门可以提升回收效率。 6. 应收账款管理流程优化:通过改进企业内部管理流程,如简化审批流程、提高工作效率等措施,能够提升应收账款的管理效率。 7. 应收账款管理策略的调整和优化:由于企业的内外部环境复杂多变,因此制定的管理策略需要根据实际情况进行动态调整和持续优化。 8. 信用管理和征信体系的作用:建立和完善企业内部信用管理体系和征信体系,有助于企业更好地控制信用风险,并在市场竞争中占据有利地位。 9. 对比国内外应收账款管理实践:通过研究国内外企业在应收账款管理上的不同做法和经验,可以借鉴先进的管理理念和方法,提升国内企业的应收账款管理水平。 综上所述,本文深入探讨了应收账款管理的多个方面,为RH公司乃至其他同类型企业提供了应收账款管理的改进方向和策略,对于财务管理专业的教育和实践都具有重要的参考价值。
recommend-type

新手别慌!用BingPi-M2开发板带你5分钟搞懂Tina Linux SDK目录结构

# 新手别慌!用BingPi-M2开发板带你5分钟搞懂Tina Linux SDK目录结构 第一次拿到BingPi-M2开发板时,面对Tina Linux SDK里密密麻麻的文件夹,我完全不知道从哪下手。就像走进一个陌生的大仓库,每个货架上都堆满了工具和零件,却找不到操作手册。这种困惑持续了整整两天,直到我意识到——理解目录结构比死记硬背每个文件更重要。 ## 1. 为什么SDK目录结构如此重要 想象你正在组装一台复杂的模型飞机。如果所有零件都混在一个箱子里,你需要花大量时间寻找每个螺丝和面板。但如果有分门别类的隔层,标注着"机身部件"、"电子设备"、"紧固件",组装效率会成倍提升。Ti
recommend-type

Java线程池运行时状态怎么实时掌握?有哪些靠谱的监控手段?

<think>我们之前已经讨论过Java线程池监控的多种方法,包括使用第三方工具和自定义监控。现在用户再次询问Java线程池监控方法,我们需要根据引用内容以及之前讨论的内容进行总结和扩展。 引用[1]提到使用JDK自带的监控工具,引用[2]提到了三种常用的线程池创建方式,引用[3]给出了通过ThreadPoolExecutor获取线程池状态的方法。 结合之前回答的内容,我们可以将监控方法分为以下几类: 1. 使用JDK自带工具(如jconsole, jvisualvm)进行监控。 2. 通过编程方式获取线程池状态(如引用[3]所示)。 3. 扩展ThreadPoolExecutor,