机器学习笔记(4) -- 文本分类实例(20Newgroups数据集)

文本分类任务(weibo_senti_100k为数据集) 在主程序中,可以通过给定输入张量来获取模型的输出张量。# ---------------------------数据准备------------------------------------------## ---------------------------搭建模型结构---------------------------------------## ---------------------------加载数据集---------------------------------------# 阅读详情
1. 问题定义

在这个项目中会采用20Newgroups的数据,这是在网上非常流行的对文本进行分类和聚类的数据集。数据集中的数据分为两部分,一部分是用来训练算法模型的数据,一部分是用来评估算法的新数据。网上还提供了3个数据集,这里采用了20new-bydate这个数据集进行项目研究。这个数据集是按照日期进行排序的,并去掉了部分重复数据和header,共包含18846个文档。

2.导入数据

这里使用scikit-learn的loadfiles导入文档数据,文档是按照不同的分类分目录来保存的,文件目录 名称即所属类别。在这里插入图片描述
在导入文档数据之前,要导入项目中所需的类库。

# 导入类库
from sklearn.datasets import load_files

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfVectorizer

from sklearn.linear_model import LogisticRegression
from sklearn.naive_bayes import MultinomialNB
from sklearn.neighbors import KNeighborsClassifier
from sklearn.svm import SVC
from sklearn.tree import DecisionTreeClassifier

from sklearn.metrics import classification_report
from sklearn.metrics import accuracy_score

from sklearn.model_selection import cross_val_score
from sklearn.model_selection import KFold
from sklearn.model_selection import GridSearchCV

from sklearn.ensemble import AdaBoostClassifier
from sklearn.ensemble import RandomForestClassifier

from matplotlib import pyplot as plt

import warnings
warnings.filterwarnings('ignore')

利用机器学习对文本进行分类,与对数值特征进行分类最大的区别是,对文本进行分类是要先提取文本特征,提取到的文本特征属性的个数是巨大的,会有超万个的特征属性。

3. 文本特征提取

文本数据属于非结构化的数据,一般要转换成结构化的数据才能够通过机器学习算法进行分类。常见的做法是将文本转换成“文档-词项矩阵”,矩阵中的元素可以使用词频或TF-IDF值等。

TF-IDF值是一种用于信息检索与数据挖掘的常用加权技术。TF的意思是词频(Term Frequency),IDF的意思是逆向文件频率(Inverse Document Frequency)。TF-IDF的主要思想是:如果某一个词或短语在一篇文章中出现的频率高,并且在其他文章中很少出现,则认为此词或短语具有很好的类别区分能力,时适合用来分类。TF-IDF实际上是TF*IDF。
IDF的主要思想是:如果包含词条t的文档越少,也就是n越小,IDF越大,则说明词条t具有很好的类别区分能力,如果某一类文档C中包含词条t的文档数为m,而其他类包含t的文档总数为k,显然所有包含t的文档数n = m + k,当m打的时候,n也大,按照IDF公式得到的IDF的值小,这说明该词条t的类别区分能力不强。但是实际上,如果一个词条在一个类的文档中频繁出现,这说明该词条能够很好地代表这个类的文本特征,这样的词条应该被赋予较高的权重,并将其作为该类文本的特征词,以区别于其他类文档。这就是IDF的不足之处,在一份给定的文件里,TF指的是某一个给定的词语在该文件中出现的频率,这是对词数(Term Count)的归一化,乙方他偏向长的文件。IDF是一个词语普遍重要性的度量,某一特定词语的IDF,可以由总文件数目除以包含该词语的文件的数目,再将得到的商取对数得到。
在scikit-learn中提供了词频和TF-IDF来进行文本特征提取的实现,分别是CountVectorizer和TfidTransformer。下面对训练数据集分别进行词频和TF-IDF的计算。

# 数据准备与理解
# 计算词频
count_vect = CountVectorizer(stop_words= 'english',decode_error ='ignore')
X_train_counts = count_vect.fit_transform(dataset_train.data)
# 查看数据维度
print(X_train_counts.shape)

词频统计结果:
在这里插入图片描述
然后计算TF-IDF:

# 计算TF-IDF
tf_transformer = TfidfVectorizer(stop_words='english',decode_error='ignore')
X_train_counts_tf = tf_transformer.fit_transform(dataset_train.data)
# 查看数据维度
print(X_train_counts_tf.shape)

TF-IDF的计算结果:

在这里插入图片描述
这里通过两种方法进行了文本特征的提取,并且查看了数据维度,得到的数据维度还是非常巨大的。

4. 评估算法

通过简单地查看数据维度,不能确定那个算法对和这个问题比较有效。下面将采用10折交叉验证的方式来比较算法的准确度,一遍找到处理问题最有效的两三种算法,然后进行下一步的处理。

# 设置评估算法的基准
num_folds = 10
seed = 7
scoring = 'accuracy'

接下来将会利用提取到的文本特征TF-IDF来对算法进行审查,审查的算法如下:

  • 线性算法:逻辑回归(LR)
  • 非线性算法:分类与回归树(CART)、支持向量机(SVM)、朴素贝叶斯分类器(MNB)和K近邻(KNN)。
# 评估算法
# 生成算法模型
models = {}
models['LR'] = LogisticRegression()
models['SVM'] = SVC()
models['CART'] = DecisionTreeClassifier()
models['MNB'] = MultinomialNB()
models['KNN'] = KNeighborsClassifier()

所有的算法使用默认参数,比较算法的准确度和标准方差,以便从中选择两三种可以进一步进行研究的算法。

# 比较算法
results = []
for key in models:
    kfold = KFold(n_splits= num_folds,random_state= seed)
    cv_results = cross_val_score(models[key],X_train_counts_tf,dataset_train.target,cv = kfold,scoring=scoring)
    results.append(cv_results)
    print('%s :%f(%f)'%(key,cv_results.mean(),cv_results.std()))

执行结果显示,逻辑回归(LR)具有最后的准确度,朴素贝叶斯分类器(MNB)和K近邻也值得进一步研究。
在这里插入图片描述
接下来看一下算法每次执行结果的分布情况。
在这里插入图片描述

5.算法调参

通过上面的分析,逻辑回归(LR)和朴素贝叶斯分类器(MNB)算法值得进一步优化。下面对这两个算法的参数进行调参,进一步提高算法的准确度。

5.1 逻辑回归调参

在逻辑回归中的超参数是C。C是目标的约束函数,C值越小则正则化强度越大。对C进行设定一定数量的值,如果临界值是最优参数,重复这个步骤,直到找到最优值。

# 调参LR
param_grid = {}
param_grid['C'] = [0.1,5,13,15]
model = LogisticRegression()
kfold = KFold(n_splits=num_folds,random_state=seed)
grid = GridSearchCV(estimator=model,param_grid = param_grid, scoring = scoring,cv=kfold)
grid_result = grid.fit(X=X_train_counts_tf,y=dataset_train.target)
print('最优:%s 使用%s'%(grid_result.best_score_,grid_result.best_params_))

可以看到C的最优参数是15。在这里插入图片描述

5.2 朴素贝叶斯分类器调参

通过对逻辑回归调参,准确度提升到大概0.92,提升还是比较大的。朴素贝叶斯分类器有一个alpha参数,该参数是一个平滑参数,默认值为1.0。我们也可以对这个参数进行调参,以提高算法的准确度。

# 调参 MNB
param_grid ={}
param_grid['alpha'] = [0.001,0.01,0.1,1.5]
model = MultinomialNB()
kfold = KFold(n_splits=num_folds,random_state=seed)
grid = GridSearchCV(estimator= model, param_grid = param_grid, scoring=scoring, cv=kfold)
grid_result = grid.fit(X = X_train_counts_tf, y = dataset_train.target)
print('最优:%s 使用%s'%(grid_result.best_score_,grid_result.best_params_))

同样,通过多次调整param_grid,得到的朴素贝叶斯分类器的alpha参数的最优值是0.01。
在这里插入图片描述
通过调参发现,逻辑回归在C = 15 是具有最好的准确度。接下来进行审查集成算法。

6. 集成算法

除了调参,提高算法准确度的方法是使用集成算法。下面对两种集成算法进行比较,看看能否进一步提高模型的准确度。

随机森林(RF)
AdaBoost(AB)

# 集成算法
ensembles = {}
ensembles['RF'] = RandomForestClassifier()
ensembles['AB'] = AdaBoostClassifier()
# 比较集成算法
results = []
for key in ensembles:
    kfold = KFold(n_splits= num_folds,random_state= seed)
    cv_results = cross_val_score(ensembles[key],X_train_counts_tf,dataset_train.target,cv = kfold,scoring = scoring)
    results.append(cv_results)
    print('%s : %f(%f)'%(key,cv_results.mean(),cv_results.std()))

评估结果:
在这里插入图片描述

7. 集成算法调参

通过对集成算法的分析,发现随机森林算法具有较高的准确度和非常稳定的数据分布,非常值得进行进一步的研究。下面通过调参对随机森林算法进行优化。随机森林有一个很重要的参数n_estimators,下面对n_estimators进行调参优化,争取找到最优解。

# 调参RF
param_grid = {}
param_grid['n_estimators'] = [10,100,150,200]
model = RandomForestClassifier()
kfold = KFold(n_splits=num_folds,random_state= seed)
grid = GridSearchCV(estimator=model,param_grid = param_grid, scoring = scoring,cv = kfold)
grid_result = grid.fit(X =X_train_counts_tf,y = dataset_train.target)
print('最优:%s 使用%s'%(grid_result.best_score_,grid_result.best_params_))

调参之后的最优结果如下:
在这里插入图片描述

8. 确定最终模型

通过对算法的比较和调参发现,逻辑回归算法具有最高的准确度,因此使用逻辑回归算法生成算法模型。接下来会利用评估数据集对生成的模型进行验证,以确认模型的准确度。需要注意的是,为了保持数据特征的一致性,对新数据进行文本特征提取是应进行特征扩充,下面使用之前生成的tf_transformer的transform方法来处理评估数据集。

# 生成模型
model = LogisticRegression(C = 15)
model.fit(X_train_counts_tf,dataset_train.target)
X_test_counts = tf_transformer.transform(dataset_test.data)
predictions = model.predict(X_test_counts)
print(accuracy_score(dataset_test.target, predictions))
print(classification_report(dataset_test.target, predictions))

从结果可以看到,准确度大概达到了85%,与期待的结果比较一致。执行结果:
在这里插入图片描述

参考从书:《机器学习Python实践》 魏贞原

中文文本分类问题:THUCNews数据集 中文文本分类问题:THUCNews数据集1 THUCNews数据集与预处理1.1 数据集下载1.2 数据量1.3 数据预处理1.3.1 导入数据1.3.2 将文字型的label 转为数字label2 特征工程2.1 TF-IDF并将文件保存至本地 1 THUCNews数据集与预处理 1.1 数据集下载 本文采用了清华NLP组提供的THUCNews新闻文本分类数据集的子集 数据下载链接: THUC... 阅读详情

相关推荐

解决fetch_20newsgroups下载速度巨慢问题的方法

前言: 当我们在学习机器学习时,我们会用到sklearn.datasets来获取数据集,小数据集在我们安装sklearn时就已经下载好了保存在本地,但是当我们需要大数据集时就需要到网上下载,比如新闻数据,我们可以使用fetch_20newsgroups()方法来下载,但是下载速度巨慢,试过的人都深有体会,所以我在这里介绍一个方法,来解决这个问题,如果有更好的方法,欢迎各位大佬赐教! 1、从http://qwone.com/~jason/20Newsgroups/上面找到Data...

Mr.Zhang_9436的博客 1581

文本分类(情感分析)——中文数据集汇总

会不定期发布相关设计内容包括但不限于如下内容:信号处理、通信仿真、算法设计、matlab appdesigner,gui设计、simulink仿真......希望能帮到你!

小嘤熊的博客 2万+

NLP任务常见数据集介绍

作者:禅与计算机程序设计艺术 1.简介 自然语言处理(Natural Language Processing, NLP)是计算机科学领域的一个重要方向,是一门融语言学、计算机科学、数学于一体的科学。其中文本处理(Text Processing)是NLP的一个重要子领域。文本处理的任务可以包括但不限于信息

AI天才研究院 1823

关于文本分类(情感分析)的中文数据集汇总

文本分类(情感分析)中文数据集汇总 这段时间在公司NLP组里实习,相应的开始学习了一些NLP的知识,并搜索了一些关于NLP中文本分类领域的相关数据集,本文主要列举一些中文数据集。关于英语数据集,且听下回分解。 1.THUCNews数据集: THUCNews是根据新浪新闻RSS订阅频道2005~2011年间的历史数据筛选过滤生成,包含74万篇新闻文档(2.19 GB),均为UTF-8纯文本格式。我们...

lip 5万+

20 Newsgroups数据集

原文: The 20 Newsgroups data set is a collection of approximately 20,000 newsgroup documents, partitioned (nearly) evenly across 20 different newsgroups. To the best of my knowledge, it was originally collected by Ken Lang, probably for his Newsweeder: Lear

不务正业的猿 1856

文本分类数据集(共13个20ng,mr,R8,R52,ohsumed,wiki,agnews等)

文本分类数据集(共13个20ng,mr,R8,R52,ohsumed,wiki,agnews等) 数据量很多,适合进行深度学习实验

python朴素贝叶斯调参_机器学习笔记(4) -- 文本分类实例(20Newgroups数据集)...

1. 问题定义在这个项目中会采用20Newgroups的数据,这是在网上非常流行的对文本进行分类和聚类的数据集。数据集中的数据分为两部分,一部分是用来训练算法模型的数据,一部分是用来评估算法的新数据。网上还提供了3个数据集,这里采用了20new-bydate这个数据集进行项目研究。这个数据集是按照日期进行排序的,并去掉了部分重复数据和header,共包含18846个文档。2.导入数据这里使用sci...

weixin_39707725的博客 2338

halcon3D 点云拟合球体

halon3D 点云拟合球面

weixin_43213429的博客 1643

文本分类

# 在实际应用中还有一类问题比较重要,那就是文本分类。from sklearn.datasets import load_files from sklearn.feature_extraction.text import CountVectorizer from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.linear_model import LogisticRegression from sklearn.nai.

可又不甘懦弱 256

AUTO-DL平台快速部署BEVFormer:Nuscenes数据集完整训练避坑指南

本文详细介绍了在AUTO-DL平台高效部署BEVFormer模型并利用Nuscenes数据集进行完整训练的实战指南。重点解析了平台数据管理、环境配置、数据集迁移解压、预处理及训练启动等全流程中的关键步骤与常见避坑技巧,帮助研究者和工程师快速复现这一前沿视觉感知模型,节省云端训练时间与成本。

weixin_29188043的博客 337

M2DGR数据集在一些SLAM框架上的配置与运行:ORB-SLAM系列、VINS-Mono、LOAM系列、FAST-LIO系列、hdl_graph_slam

为了说明以上这些SLAM框架的测试与数据集适配,以M2DGR数据集为例进行各自的配置与运行,方便我以后适配自己的数据集,运行的SLAM框架包括:ORB-SLAM2、ORB-SLAM3、VINS-Mono、A-LOAM、LeGO-LOAM、LIO-SAM、LVI-SAM、FAST-LIO2、FAST-LIVO、Faster-LIO、hdl_graph_slam。实验基于Ubuntu20.04,其中ORB、VINS-Mono、和LOAM系列的安装参考我以前的博客,有详细的安装方法,其他的框架在后面会简单介绍一下

zardforever123的博客 1万+

websocketpp区分文件和文本_机器学习之文本分类项目

此项目针对20 Newgroups 的数据集进行分析研究,这是网上非常流行的对文本进行分类和聚类的数据集。一、数据集特点分析数据集中的数据分为两部分,一部分是用来训练算法模型的数据,一部分是用来评估算法的新数据。网站上还提供了3个数据集,这里采用 20news-bydate 这个数据进行项目研究。这个数据集是按照日期进行排序的,并去掉了部分重复数据和header,共包含18846个文档。...

weixin_39853863的博客 147

14.4kW大功率母线变换器设计:LLC+矩阵变压器+GaN实战解析

在数据中心供电架构中,隔离母线变换器将高压直流母线转换为48V低压母线,是大功率供电链路的核心环节。随着功率密度与效率要求不断攀升,传统移相全桥与普通LLC方案已难以满足300A级输出需求。基于LLC/CLLC谐振拓扑,结合矩阵变压器与GaN功率器件,成为新一代高性能母线变换器的主流技术路线。矩阵变压器将大功率磁性元件拆分为多个小单元,配合原边串联副边并联结构,有效降低绕组损耗并提升功率密度;GaN器件则通过高频软开关进一步压减开关损耗。本文以一台14.4kW样机为例,完整梳理从拓扑选型、谐振参数计算、同步

weixin_28273593的博客 347

ML之NB:基于20newsgroups数据集(20类新闻文本)利用NB朴素贝叶斯算法(CountVectorizer/TfidfVectorizer+去除停用词)进行分类预测、评估

​ ML之NB:基于20newsgroups数据集(20类新闻文本)利用NB朴素贝叶斯算法(CountVectorizer/TfidfVectorizer+去除停用词)进行分类预测、评估 目录 相关文章 基于20newsgroups数据集(20类新闻文本)利用NB朴素贝叶斯算法(CountVectorizer/TfidfVectorizer+去除停用词)进行分类预测、评估 相关文章 ML之NB:基于news新闻文本数据集利用纯统计法、kNN、朴素贝叶斯(高斯/多元伯努利/多项式)、

头部AI社区如有邀博主AI主题演讲请私信—心比天高,仗剑走天涯,保持热爱,奔赴向梦想!低调,专注,谦虚,自律,反思,成长,还算比较正能量的博主,公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然,有点小情怀,也有点使命感呀 1万+

手把手教你用Deep Single-Image Portrait Relighting实现人像光影重塑(附GitHub代码)

本文提供了一份详细的实战指南,手把手教你利用Deep Single-Image Portrait Relighting技术实现人像光影重塑。文章从环境搭建、核心原理拆解出发,逐步指导构建简易重光照流程,并探讨了使用预训练模型进行效果优化的进阶方法,最后附上避坑指南与常见问题排查,帮助开发者快速上手这一AI图像处理技术。

weixin_29065015的博客 320

22、狭义相对论与曲线坐标空间相关知识解析

本文深入解析了狭义相对论与曲线坐标空间的核心概念,涵盖能量-动量张量的定义与守恒、曲线坐标系下的度量张量与基向量性质、协变与逆变张量的变换规则,并介绍了克里斯托费尔符号与协变导数的计算方法。进一步探讨了在弯曲空间中进行微积分运算的基础理论及其在广义相对论中的关键应用,如爱因斯坦场方程如何描述物质-能量对时空曲率的影响,为理解黑洞等引力现象提供了理论框架。

lambda的博客 117

Newsgroups数据集介绍

源自如http://qwone.com/~jason/20Newsgroups/。 20newsgroups数据集是用于文本分类、文本挖据和信息检索研究的国际标准数据集之一。数据集收集了大约20,000左右的新闻组文档,均匀分为20个不同主题的新闻组集合。一些新闻组的主题特别相似(e.g.comp.sys.ibm.pc.hardware/ comp.sys.mac.hardware),还有一些...

weixin_30344795的博客 470

RK3588, FFmpeg 拉流 RTSP, mpp 硬解码转RGB

RK3588, FFmpeg 拉流 RTSP, mpp 硬解码转RGB

J。 2345

sklearn——20newsgroups

因为实验要用到20newsgroups,所以决定好好看一下sklearn关于20newsgroups的官方文档 文档网址:http://scikit-learn.org/stable/datasets/twenty_newsgroups.html#usage 20newsgroups划分成train和test 这是我下载的 然后看一下文章的个数from sklearn.datase

panghaomingme的博客 8274

深入URP之Shader篇1: URP Shader概述

我们知道,URP和HDRP都是基于SRP的,尽管现在可以使用Shader Graph编写Shader,但是手写Shader仍然是有一定的优势,特别是在性能方面,手写Shader可以更极致的优化,因此我们在项目中前期都是直接使用Shader Graph编写Shader,项目后期会改成手写Shader来提高性能。而在SRP中手写Shader,我们仍然使用的是Shader Lab,这个结构并没有太大的变化,但是SRP Shader中使用Shader Lab语言还是有几点不同。

聚焦游戏和图形引擎开发技术 4642

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

机器学习笔记

StandardScaler.fit_transform(X) X:numpy array格式的数据[n_sampes,n_features] 返回值:转换后的形状相同的array。MinMaxScalar.fit_transform(X) X:numpy array格式的数据[n_samples,n_features] 返回值:转换后的形状相同的array。CountVectorizer.fit_transform(X) X:文本或者包含文本字符串的可迭代对象 返回值:返回sparse矩阵。

xiaolian848的博客 35

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

Sklearn用户手册(三): 文本数据的处理

本次内容:一些关于文本处理的东西

kapoyegou的专栏 2714

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

基于KNN的newsgroup 18828文本分类器的Python实现

还是同前一篇作为学习入门。 1. KNN算法描述: step1: 文本向量化表示,计算特征词的TF-IDF值 step2: 新文本到达后,根据特征词确定文本的向量 step3 : 在训练文本集中选出与新文本向量最相近的k个文本向量,相似度度量采用“余弦相似度”,根据实验测试的结果调整k值,此次选择20 step4: 在新文本的k个邻居中,依次计算每类的权重, step5: 比...

aldcblo9125的博客 661

深度学习模型可解释性初探

1. 可解释性是什么 0x1:广义可解释性 广义上的可解释性指: 在我们需要了解或解决一件事情的时候,我们可以获得我们所需要的足够的可以理解的信息。 比如我们在调试 bug 的时候,需要通过变量审查和日志信息定位到问题出在哪里。 比如在科学研究中面临一个新问题的研究时,我们需要查阅一些资料来了解这个新问题的基本概念和研究现状,以获得对研究方向的正确认识。 反过来理解,如果在一些...

weixin_33860553的博客 6774

机器学习之文本分类(附带训练集+数据集+所有代码)

我本次对4类文本进行分类((所有截图代码和数据集最后附带免费下载地址)) 主要步骤:  1.各种读文件,写文件  2.使用jieba分词将中文文本切割  3.对处理之后的文本开始用TF-IDF算法进行单词权值的计算  4.去掉停用词  5.贝叶斯预测种类 文本预处理:  除去噪声,如:格式转换,去掉符号,整体规范化  遍历的读取一个文件下的每个文本 中文分词 中文分词就是...

天才幻想家 1万+

NLP自然语言处理——文本分类之数据集汇总

文本分类数据集汇总名词解释一、“达观杯”文本智能处理挑战赛数据集1、数据格式2、测试集:test_set.csv数据集二数据集三参考文献 名词解释 (1)脱敏处理 一、“达观杯”文本智能处理挑战赛数据集 “达观杯”文本智能处理挑战赛数据集包含了两个文件,分别是:train_set.csv和test_set.csv。以下是关于这两个数据集的介绍 1、数据格式 2、测试集:test_set.csv 数...

Little_Yu的博客 8520
上一篇: 机器学习笔记(3) -- Boston House Price数据集预测
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值