GraphicalDot

不,你不能那样做。

您必须定义第三个类别“其他”或适合您的任何名称,并为您的模型提供一些与该类别相关的数据。确保所有三个类别的培训示例的数量都是相等的,否则“其他”作为一个非常广泛的类别可能会使您的模型偏向“其他”类别。

另一种方法是从不同类别的句子中获取名词短语,包括“其他”,然后输入模型,将其视为机器学习模型的功能选择步骤。这样就可以去除无关词添加的噪声,性能优于tf idf。

如果你有大量的数据,去深入学习模型,自动选择功能。

不要使用自己操纵概率的方法,50-50%的概率意味着模型在你定义的两个类之间被混淆,它不知道第三个“其他类”。 假设这个句子是“我想要意大利早餐”,那么这个模型会混淆这个句子是属于“意大利语”还是“早餐”类别,但这并不意味着它属于“其他”类别。

我用另一个图书馆的coincurve来做。

import coincurve   
alice_priv = "29307c4354b7d9d311d2cec4878c0de56c93a921d300273c19577e9004de3c9f"

alice_pub = "02f3c25355c29f64ea8e9b4e11b583ac0a7d0d8235f156cffec2b73e5756aab206"

bob_pub = "03a1db8e8b047e1350958a55e0a853151d0e1f685fa5cf3772e01bccc5aa5cb2eb"

bob_priv = "4138d1b6dde34f81c38cef2630429e85847dd5b70508e37f53c844f66f19f983"

alice_coin_priv =  coincurve.PrivateKey.from_hex(alice_priv)

bob_coin_priv = coincurve.PrivateKey.from_hex(bob_priv)

binascii.hexlify(alice_coin_priv.ecdh(bob_coin_priv.public_key.public_key))

十六进制编码的共享机密是

b'92959cb394b71a05d440e0e2973bc9d0e7182eb86bb94d3a260ce8353c7a0317'

验证工作

bob_coin_priv.ecdh(alice_coin_priv.public_key.public_key)==  alice_coin_priv.ecdh(bob_coin_priv.public_key.public_key)

您应该迭代到n/2,因为任何“数字”都不能被任何大于“数字”一半的数字整除。

for i in range(m, n+1):
    _sum = 0
    for j in range(1, int(i/2)+1):
        if i%j==0:
            _sum += j
    if _sum==i:
       print(i)