粉丝6318获赞4.0万


今天我们来讲高斯奥特曼。高斯奥特曼绝对是一个独特的存在,被称为慈爱的战士。月神模式是高斯的初世形态,也是他最常使用的形态。 咱们先看外形,全身以清爽的青蓝色为基调,搭配银色的线条勾勒面部,沿用了初代奥特曼的 b 型脸设计,但眼神格外柔和,活脱脱一个行走的月光,难怪被称为慈爱的战士。 这形态的核心亮点根本不是战斗力,而是那些堪称魔法的进化和治愈技能。他的战斗风格特别像咱们中国的太极,讲究四两拨千斤,遇到敌人攻击从不硬刚, 而是灵活回避化解力道,再用技能安抚对方情绪。最具代表性的技能就是满月光波,右手掌向前推出一道柔和的光线,能直接平复怪兽的狂暴情绪,让他恢复理智。这个形态完美权势了高斯不战而屈人之兵的理念。 如果说月神模式是以德服人,那日冕模式就是以利服恶。当遇到那些无可救药的残暴敌人,比如纯粹的邪恶宇宙人,或者被卡奥斯病毒深度感染 无法进化的怪兽时,高斯就会切换成这个象征太阳烈焰的红色形态,开启制裁模式。形态上,日冕模式全身变成赤热的赤红色,名为日之核, 整体造型充满爆发力,就像燃烧的太阳巨人。战斗风格也来了个一百八十度大转弯,从防御反击变成主动进攻,不仅格斗即灵力,还拥有一系列威力惊人的火焰系技能。不过日冕模式的能量消耗比月神模式大得多,毕竟火力全开的代价就是续航下降, 所以高斯不到万不得已不会轻易使用这个形态,而且这个形态也不是单纯的杀入机器,它的存在是为了守护月神模式的慈爱,只有彻底消灭邪恶,才能给更多生命带来和平, 这正是高斯强大之人更要温柔的信念体现。随着剧情推进,卡欧斯病毒不断进化,出现了像卡欧斯美比特这样既能免疫进化又能压制日免模式的强敌。在 tv 第三十集里,高斯被卡欧斯美比特轻松击败, 武藏为了保护怪兽和同伴,爆发出想守护一切的强烈勇气,这份意志与日全食的光芒相结合,让高斯诞生了第一个融合形态,日式模式。这不仅是形态的升级, 更是五藏与高斯祭拜申化的证明,标志着他们从合作者变成了一心同体的勇者。日时摩时的外形堪称高斯所有形态中最华丽的一个,底色依然是蓝红相见,但胸口多出了象征勇气的金色护甲, 额头的能量水晶变成了金色,整体就像日全食食的金环,神秘又威严,被称为太阳和月亮重合的神秘巨人。作为月神模式和日冕模式的融合体,日时模式完美兼顾了慈爱与强度,更厉害的是它的技能体系既能净化治愈,又能强力打击, 而且同一个技能对不同敌人有不同效果,对善良的怪兽是治愈光线,对邪恶敌人就是破坏光线,真正做到了区别对待。 宇宙日冕模式是高斯在宇宙空间战斗时的专属形态,因为宇宙环境没有大气阻力,能量消耗方式和地球不同, 所以高斯进化出了这个适配宇宙作战的形态。外形上和日冕模式相似,整体更适合高速机动和空间作战。能力方面,宇宙日冕模式的最大亮点是速度和超能力,能充分发挥高斯的奥特念力,比如瞬间移动、空间停止等技能。 未来模式是高斯的终极形态,这个形态的诞生堪称奇迹中的奇迹,五脏被关在光量子空间濒临死亡时,收到了来自地球同伴等的希望之力,这份跨越时空的信念注入高斯体内,催生了象征未来与可能性的未来模式。 外形上,未来模式以金色和蓝色为主色调,花纹比日式模式更复杂,胸口的彩色计时器周围环绕着金色光晕,整体散发着神圣的气息,被称为相信未来的希望巨人。未来模式的技能充满了希望的寓意, 核心必杀技高斯重击是将全身能量凝聚在右拳,打出一道金色冲击波,威力足以摧毁大型宇宙怪兽。高斯正是用未来模式的力量配合杰斯提斯的光芒,最终融合成雷杰多奥特曼,成功劝阻了德拉希翁,守护了地球和整个宇宙的和平。

拥有慈爱战士称号的高斯为何又被奥迷们称为阴间战士?众所周知,我们的奥特曼出场往往都是正义的化身,可是在这些正义的奥特曼中,却有几位阴间的奥特曼, 有超兽是没有痛觉的艾斯,随地大小巷的迪迦,还有瞬移戏弄怪兽的高斯,今天我们就来盘点一下慈爱的高师傅有哪些阴间操作。 高斯奥特曼第一次来到地球就开始了和巴尔坦星人的对战,面对巴尔坦星人的第一次攻击,直接开始高速旋转首劈,第一次面对怪兽的光线攻击,直接前冲滑移,给怪兽的光线劈成两半,吓得巴尔坦星人急忙转移战场,落地还不忘撞碎一栋楼, 展现自己的邪恶立场。再看高师傅,一个大鹏展翅滑移落地,再来一个瞬移接平 a, 面对八二弹性人的飞刀,再度展现肉身实力,由于不小心被怪兽捆住受到电击,直接开启暴怒模式,日冕形态一开演都不演了,开始技能乱放 家的怪兽开启分身,试图用人多来安慰自己,我以为高斯终于开始慌乱,结果就看到高斯直接开启分身,原来高师傅左右看是在数人头,有几个怕自己分多了说自己欺负人, 后面面对怪兽的飞刺使出空中乱转,轻松化解了所有攻击,最后也是给怪兽打出了悔恨的泪水, 早知道高斯这么英,你开瞬音我就跑了。其实这里高斯动作诡异,还是由于当时特效水平有限,在后来的 tv 剧中表现就有了改观,并且为了展现武藏的慈爱,尽量避免了暴力剧情。在 tv 剧第六集中,弟弟怪兽莫格尔顿因为受到打扰从沉睡中苏醒, 只见二人打斗的过程中,高斯被怪兽用尾巴缠住了脖子,我还以为怪兽要给高斯来一场免费电疗,结果高斯尼竟然这样诡异的跑开了, 这是高斯速度太快还是怪兽太蠢?竟然反过来被高斯缠住了,还顺手打个结,最后这跺脚,看来高斯是真没把这只怪兽放在眼里。更抽象的来了, 在剧中第十集,面对吸收了社会怨气而进入巨大化暴走状态的青铜魔神盖修特,高斯奥特曼使用身体应接怪兽的攻击,正当我以为高斯将接受的能量聚集起来,又返还到了怪兽身上, 个老六,我真的服了,高斯,你自己都亮红灯了,你还在这里秀操作呢?在剧中第十八集,面对被破除封印的怨灵鬼,高斯先来一招满月光波,眼见净化无用,直接开启日日免刑。讲道理,准备一招解决怪兽, 结果技能达到了天空之中,只见天空落下雷电,刚好劈中手拿长刀的怨灵鬼。好呀,这一招叫智商碾压,给怨灵鬼来了一套电击治疗,怨灵鬼浑身的怨气都散尽了,还给高师傅磕头表示感谢。 在剧中第三十集,高斯被怪兽卡欧斯打败,身体变为透明状态。面对怪兽的再次现身,高斯心念一动,天空中一束光就照射下来, 我的表情跟五藏一样惊讶,带着一动泉水,这还怎么玩?在剧中第四十集,高斯对战卡欧斯变幻的卡欧斯奥特曼, 只见卡欧斯使用日时风车攻击,高斯奥特曼使用瞬移躲避,反手也给卡欧斯使出日时风车,给卡欧斯来了一场现场教学,让卡欧斯知道不要在高斯面前炫技,不然高斯是真的会顶号的。 在后来的赛加奥特曼剧场中,高师傅更是全程月神形态划水还被石头砸晕了过去,后面才知道原来高师傅是来连热点的,这高四也是阴的没边了。好了,以上就是本次视频的全部内容,你还了解哪些奥特曼的阴间操作呢?

的一个模型,他们一个不同的一个效果,那本小节呢,我们将进行一个我们这个分类任务的一个讲解,然后我们来先看一下我们本小节的一个实战的一个案例, 那我们本小节的实战呢,就是说也是和我们这个之前课程里面讲的内容是一致的,就是我们一个芯片质量好坏的一个预测, 我们这个数据呢有 x 一 和 x 二两个维度。然后呢我们来看一下我们的一个具体的一个任务。首先呢我们是基于我们这个 data class raw data, 然后我们要根据我们这个高斯分布概率密度函数寻找到异常点, 并且呢我们找到了这个异常点之后呢,我们要去判断是否把它剔除掉。那我们可以就是说其实这个高斯密分布的一个概率密度函数啊,就是说我们之前提到了一个我们的一个异常检测 normal detection, 对 吧? 好,我们第二个任务呢,就是说这里呢 flag 老师已经把我们这个处理好的这个新的数据叫做 processed, 这个数据呢也给到大家,那我们呢进行一个 pca 预处理,然后确定我们这个数据呢要保留几个成分,是 原来是有两个维度的,能不能缩减到一个维度,对吧?那除此之外我们第三个任务呢,就是我们进行一个数据分离,那具体的方法呢?我们在之前的一个准备环节也和大家介绍过了,有一个 trend test, 一个 split 的 一个方法。 好,这是我们三个任务。除此之外呢我们还有第四个任务呢,就是说使用 k n n 模型来进行一个分类,并且呢我这个 enables 呢,我会取十,这个时候呢我们来计算它的一个准确率,并且把这个分类边界给格式化出来。 好,除此之外我们还会尝试呢,就是说去计算我们的一个混淆矩阵,然后通过这个混淆矩阵,我们就可以更好的去判断我们这一个模型的表现怎么样了。另外呢,我们还有最后一个任务,就是我会尝试不同的这个 enables 的 数值,大家可以看一下在不同数值下它的准确率是怎么样的,并且把它画出来, 从而能让你更好的去做决定,说哪一个模型更好。然后因为我们本一个实战的一个就是说任务比较多,所以我们会把它分成两个小的小节来进行讲解。好,那我们现在直接进入我们本节课程的一个实战环节,我们先调出我们的代码界面, 那我们这个任务呢,大家已经看到了,就还是一二三四五六,对吧?然后我们还是一样的前面呢,我们快速的进行一个数据的一个载入和格式化。 好,那我们一样的啊, load the data, 然后我们 import pandas as pd, import numpi as np, 相信大家敲了这么多遍,应该自己也能很好的记住了,好,我们 data 就是 pd read c s v, 对 吧?然后我们这个数据的名称呢,就是我们这个 data class raw, 点 c s v 好 把它加载进来,那我们可以看一下它里面的部分数据,运行一下,我们看下里面部分数据,这个数据不存在 data class p d, 不好意思,这个是点敲太多了,有时候也会忘记,好,没问题,对吧?然后呢,我们就是说完成我们一个数据的赋值吧, define x, 然后我们这里呢还没有直接是 x 和 y, 没有是 train, 因为我们之后会进行一个数据分离, 所以我们这里呢就直接是用的所有的数据了,那我们把原来最后一列给去掉,那就是这个啊,我们对应的这一个 y, 对 吧?给去掉,然后呢就是 x 等于一,那么 y 呢?就是 data location 所有行,然后呢我们对应的一个 y, 好, ok, 没问题,好,那我们这个相当于完成了数据的一个负值,那我们接下来呢,就是可以进行一个 visualize data, 对 吧?还是一样的,我们为了节约时间吧,我们就直接载入我们之前用到的一个 代码,可以就是说我们没有必要再重新去敲了,其实都是一样的,为了节约一些大家的一些时间,因为我们本节课它的一个内容呢会比较多一点,所以我这里就不再敲了,因为都是一样的哈,我们 figure, 然后我们这个输入数据,我们这个 x, 对 吧?还有我们对应的一个 y, 然后呢,我们这个是, 这边是 x 一, 对吧?从这边是 x 二,然后我们可以看一下 plot scatter x and y, x and y, 啊,对了,不好意思,这个其实我是个分类的一个任务,所以呢,这里面其实还不一样,那就是 x, 然后对应的 所有的这个行,然后 x 一, 对吧,然后呢还有 x location 所有行,我们的 x 二, 理解一下,哎,这个就是我们数据了,当然呢,我们还需要对它进行一个,就是说筛选出来就是 y 是 等于零的,以及 y 等于一的,是分开的, y 等于 y 等于零的,对吧? 然后呢这个呢就是我们的这个不好的样本 by sample, 然后呢我们还有我们的好的样本,那就是我们对应的 good sample, 我 们把这给到它。 good sample, 然后呢就是 y 是 等于一的,是好的,好,我们再把它的这个 legend 画出来,一起 e, n, d, 然后呢我们就会有这个 good and bad, 对 吧?然后呢它对应的呢就是 good sample, 还有就是 bad sample, 好, 可以了,没问题,那我们这个时候呢可塑化编好了,那我们接下来呢,我们看下我们的任务,基于这个,我们要高斯分布的概率密度函数去寻找我们这个异常点,并把它进行一个剔除。 那这个呢,大家可以回忆一下我们之前的一个异常检测,那我们呢就是说我们已经有对应的一个方法了,也是在这个 s k n 的 工具包里面,我们要就是 anomaly protection, 对 吧?好,那我们呢就是从这个 s k n 的 工具包 variance, s k n, c o v s k n 啊,没错, l u v a, 我 说怎么打不出来。 variance import 就是 这个异常数据点的一个模型, a normal detection 的 一个 model, 我 们直接创建一个对应的一个十例, 然后呢我们把它默认的这个 contamination 设置成零点零二吧,因为如果零点一的话,我怕这个点有点多,然后我们直接进行一个模型的一个训练就可以了。 然后我们这个输入数据呢,就是我们这个,因为大家这个时候啊,如果你把所有的这个 x 给它,它就找不出数异常点的,因为你会发现这个时候 他并没有拿一些点说偏离的特别远,对吧?所以我们把他这个就是好的数据样本和坏的数据样本分开来给到他,然后让他分成这两类单独的去找。那我们呢就是说我们先把我们这个 换样本给到它, y 等于零的样本给到它,然后呢我们再去把它进行一个就是 y pre 的 一个预测出来,然后那这个应该是我们的这一个本身是一个换样本的一个预测,对吧?就是我们基于这个换样本数据,然后 predict, 然后就是说我们把这个输入数据啊,就是说给到它,然后让它进行一个预测就可以了。 这样的话呢我们可以看一下这个预测出来的一个结果。纯就是说我们之前也说过了,就是如果他是一的话呢,说明他是正的样本,如果他是负一的话,说明他是异常点,哎,最后有一个负一,对吧? 好,那我们要怎么样去格式化我们这个异常点呢?其实我们在之前的这个异常检测的章节里面已经和大家讲解过了,其实也非常简单,就是我们在原来这个画图的基础上呢,我们再把这个异常点再画出来就可以了。 好,我们这里呢先把原来的这个画出来,然后呢我们再画一个我们这个异常点,那我们直接呢这个异常点是在这个我们这个原来是 y 等于零的这一个数据里面,然后再增加一个二次筛选,就是我把这个 y predict by 应该是等于负一,这个不就是我们对应的一个异常点吗?对吧?那等于负一, 那我们对应的呢,还有就是我们这一个后面这一块的一个 out 筛选,然后呢我们给他加上个标志 mark 呢,就是假设是一个叉叉吧,就是 x, 然后呢我们这个画的大一点点幺五零,好,我们看一下, 哎,这个异常点就找出来了,就这个点,对吧?感觉很不错哎,就是说自动的就找到了我们这个异常数据点,因为很多时候啊,你是没有办法去格式化所有数据的,你的维度可能非常高,所以我们通过这个方式呢,就找到了我们的异常点,如果你把这个零点零要改大一点,它就可以找到更多的点 啊。除此之外呢,我们可以尝试用一样的方法,然后对我们的另外一个维度,就是我们这一个 y 等于一的这个维度啊,也进行一次操作。然后到时候呢大家可以自己尝试一下,你发现了这个时候你可以找到这两个点, 但找到这两个点之后啊,就是说大家一般来说完成这个异常检测之后,自己还要去对原来数据进行一次观测,你看这个点呢,是不是呢?你可以把它保留,那这里呢就是说 廖老师只是把这个点给删掉了,因为这个点离他的这个正常点还是比较接近的,所以呢我就保留了。那不管怎么样,就是说我们这里呢已经格式化了,我们这一个就是异常点的一个数据点,并且呢就相当于我们完成了一个我们第一步异常点,然后呢 你剔除的方式很简单,一个呢你可以直接在这个数值里面把它删除掉,或者呢你找到原来这个 excel 数据,然后把那一行删掉就行了。好,这个我们就完成了我们这个第一部分第一个任务,那我们第二个任务呢,就是基于我们这个已经剔除了异常点的数据呢, 进行一个 pca 处理,然后我们来看一下,就是说需要保留多少个维度的数据。好,那这个时候呢,我们就是说已经不是这个 low 数据了,我们就这个 process 的 一个数据,那我们直接再把我们这一个数据加载一遍,那我们这里呢就为了节约时间,我们就直接把上面的代码给复制过来, 新建一些 cell, 然后呢我们前面的这个赋值呢也直接加载过来,我们就没有必要再去重新进行一次了。好,我们在这里,然后我们这里呢就是 processed, 对 吧?已经处理过的一个数据,好像是有没有异地的? 好,我们这个 process 的 一个数据。好,这个相当于就是我们已经啊处理好的一些数据。那我们接下来呢就是说我们要进行一个 pca 的 一个预处理了,我们这里呢可以先运行一下,好,没问题, 然后呢我们就进行一个 pca 处理,那我们可以回忆一下,我们要 pca 处理怎么去实现呢?也是先导入相应的 file execute, 对 吧? import 要先进行一个标准化处理, send a serial, 然后呢再我们要进行一个降维,就是 import 我 们的 pca 的 这一个方法。然后呢我们先进行一个标准化处理, x normal 就是 我们这个 standard scale, 对 吧? 然后呢进行一个 fit transform transform, 对 吧?然后呢我们把这个就是原来的 x 的 数据呢给到它作为输入,这个就是我们的一个进行一个标准化处理的数据了,然后我们接下来呢,我们创建一个 pca 的 一个实力, 那我们知道我们是有两维的一个输入的,对吧?所以我们这个 un components 呢,就是等于二,如果是三维呢就等于三。好,接下来呢我们就可以直接计算我们进行一个降维处理之后的这个 x 的 一个数据呢,就是说 fit transform, 然后呢是进行了标准化之后的一个数据 x null, 然后接下来呢我们要计算出它对应的一个这个各个维度上它的主成分,它对应的一个标准差的一个比例是多少?那就是 pca explain 的 一个 varance ratio, v a r r a n c ratio, 对 吧?然后我们再把我们的这一个标准差的一个比例给打印出来就可以了。好,我们可以呃,看一下,运行一下,这个应该是有地方打错了,这个是点 好哎,我们可以看到我们这一个对应这个主成分上它的一个标准差,一个是零点五三,一个是零点四六,都还是比较高的。当然呢,通常来说呢,我们也说过了,我们喜欢把它进行一个格式化的一个展示, 那我们就 figure, figure size 五五,对吧?那我们调用一个 plot 这个 bar 的 一个方法,就可以直接把它,我们是有两维的,然后把这个 y ratio 给展示出来,这个是非常快的收, 我们可以看一下 variance ratio, 然后 plot figure, figure size, 好, 可以看到啊,就是说这两个主成分上它的一个标准差都挺高的,那也就意味着我们这两个维度的数据呢,都是需要进行一个保留的, 就是说我们这个时候没有办法进行一个降维了,比较可惜,但没关系,就是以后大家如果维度比较高的数据呢,你可以进行一个这个 pca 操作,然后你就可以确定你是否需要进行降维。好,那我们第三个任务呢,就要进行我们的一个数据分离。 好,我们这里呢有一个 random state 是 四 test, side 是 零点四,我们先把它拷贝过来,我们待会儿需要用到我们一个进行一个 chain and test split, 对 吧?数据分离。 好,那这个呢,其实很简单的啦,就是我们调用相应的一个工具包就行了,就是 model, 它是在 model selection 里面,我们有一个对应的一个 train test split, 就是 说数据分离的方法,然后呢 x train 我 们的一个 x test, 然后呢我们还有 y train and y test, 对 吧?直接调用我们的这个方法,这里呢是 import, 对吧?把它载入进来,然后呢我们这个输入数据呢,就是我们的这个,那我们说过了,我们这个 p c a 之后,发现两个数据都要保留,那这个时候你可以使用我们这个 x reduced, 也可以使用我们原来的数据,那这里呢,我就使用我们这个原来的数据了,大家之后可以尝试使用我们这个 主成分分析之后的数据,把这个就是说默认的一些参数给到它。好,我们可以看一下我们这个进行一个数据分离之后,它的一个数据,它的一些 它的一个维度是怎么样的。我们把这 x train 还有我们这个 x test 对 应的一个 shape 打印出来,还有我们 x 的 一个 shape, 我 们可以对比一下, 你看我们这个训练数据呢,是二十一行两列,然后测试数据呢,十四行两列,然后原来的数据是三十五行两列,对吧?就说明啊你这个原来的原始数据呢被拆成了这个 两部分,一个是训练数据,一个是测试数据,然后这个测试数据啊大概是占比百分之四十的。好,这个时候呢我们就完成了我们这一个就是我们的一个数据分离的这一个步骤。好,那我们再看一下,我们接下来还需要进行还有三个任务, 那我们第四个任务呢,就是我们建立一个 k n 模型,并且完成我们的一个分类。好,那这个其实完成分类之后呢,我们再计算 好我们一个 figure 四,然后呢我们这里呢就是说进行一个,就是我们把这个筛选的时候呢,就已经不再是像原来这样筛选了,而是说我们 我们要用这个 y range predictor, 而且我们这个输入的数据啊, 也已经不再是我们这一个就是说 x location, 而是我们这个 x range 里面的第一行和第一列,我们这个 x range 就是 第二列原始数据,然后呢我们这个 就画的数据,那这个时候我们这个 x range 测的这一个结果呢,就已经在这边完成了, 输错了,我们可以看一下这个是多了一个 r a range, 这个 n p a range, 然后也是零到十。大家这个都是 进行一个模型的一个预测,然后再把这 test 好, 我们运行一下,那这个呢就是我们 k n n 模型的一个结果,好,训练数据百分之九十点五,嗯,挺高的,但是测试数据啊,只有百分之。 在上一个小节里面我们进行了 它,这个就是好的数据样本分开来给到它,然后呢分成这两类单独的去找。那我们呢就是说我们先把 把我们这个坏样本给到它, y 等于零的样本给到它,然后呢我们再去 异常点,并把它进行一个剔除。那这个呢大家可以回忆一下我们之前的一个异常检测,那我们呢就是说我们已经有对应的一个方法了,也是在这个 excel 的 工具包里面,我们要就是 anomaly protection, 对 吧?好,那我们呢就是从这个 s k n 的 工具包 variance, s k n c o v s k l n 啊,没错, l u v a, 我 说怎么打不出来 variance import 就是 这个异常数据点 elix developer。 好 的,那我们呢就是说一个异常数据点 elix developer。 好 的,那我们直接创建一个对应的一个十例, 然后呢我们把它默认的这个 contamination 设置成零点零二吧,因为如果零点一的话,我怕这个点有点多,然后我们直接进行一个模型的一个训练就可以了, 然后我们这个输入数据呢,就是我们这个,因为大家这个时候啊,如果你把所有的这个 x 给它,它就找不出数异常点的,因为你会发现这个时候 他并没有哪一些点说偏离的特别远,对吧?所以我们把他这个就是好的数据样本和坏的数据样本分开来给到他,然后让他分成这两类单独的去找。那我们呢就 尝试一下,你发现啊,这个时候你可以找到这两个点,那找到这两个点之后啊,就是说大家一般来说完成这个异常检测之后,自己还要去对原来数据进行一次观测,你看这个点呢,是不是真的是异常点?如果是你就把它删掉,如果不是呢,你可以把它保留,那这里呢就是说 fla 老师只是把这一个点给删掉了,因为这找到原来的 excel 数据,然后把那一行删掉就行了。好,这个我们这个时候呢,我们就是说以 就是原来的 x 的 数据呢,给到它作为输入,这个就是我们的一个进行一个标准化处理的数据了。然后我们接下来呢我们创建一个 pca 的 一个实力,那我们知道 这些就是以后大家如果维度比较高的数据呢,你可以进行一个这个 pca 操作,然后你就可以确定你是否需要进行降维。好,那我们 分离之后,它的一个数据,它的一些它的一个维度是怎么样的?我们把这 x train 还有我们这个 x test 对 应的一个 shape 都打印出来,还有我们 x 的 一个 shape, 我 们可以对比一下, 你看我们这个训练数据呢,是二十一行两列,然后测试数据呢,十四行两列,然后原来的数据是三十五行两列,对吧?就说明啊你这个原来的原始数据呢,被拆成了这个 两部分,一个是训练数据,一个是测试数据,然后这个测试数据啊,大概是占比百分之四十的。好,这个时候呢,我们就完成了我们这一个 就是我们的一个数据分离的这一个步骤。好,那我们再看一下,我们接下来还需要进行还有三个任务, 那我们第四。

哈喽啊兄弟们,今天我们就来聊聊那位一缕神光破混沌,身姿缥缈斩妖邪的奇迹战士,赛迦奥特曼。 他是粉丝口中只在剧场版和舞台剧上边的传说,也是神秘四奥中最年轻的一位,他就是 我们本期人物质的主角,奇迹战士赛加一。到赛加,我们总会先想到那场惊天动地的融合。他诞生于二零一二年的奥特曼传奇,由光之国的问题儿童赛罗、慈爱的勇者高斯以及来自平行世界的宇宙打工仔戴拿合体而成。 这三位性格理念截然不同的顶级战士,在绝望的尽头完成了一次史无前例的三位一体。但问题来了,为什么偏偏是他们三个的融合,创造出了在家这样一位近乎法则的存在?这就要从他们各自的根基说起了。我们先看赛罗,当年他年少轻狂,激情想触碰等离子火 花塔,结果被老爹赛文一脚踹去乡下特训。那次失败是他个人英雄主义和力量渴望的极致体现,是一次向内求的失败, 他的成长是学会了何为责任与伙伴。而赛加的诞生,恰恰是赛罗那次触碰火花塔行为的完美镜像。 如果说赛罗当年想一个人获得宇宙的终极力量,那么赛加的诞生则是三位战士在放弃自我的前提下,为了守护他人而向外求,与人类的羁绊共鸣,最终引来了宇宙的奇迹之光。 赛罗触碰火花塔是想成为光,而赛甲的诞生是为了让别人能继续沐浴在光中,这是从我到我们的升华。 赛甲的本质不是一个更强的个体,而是一个完美的关系。赛罗代表着突破与锋芒,他的不羁和强大为这个组合提供了最锋利的毛, 是打破僵局的决定性力量。高斯代表慈爱与守护,他的温柔和包和是这个组合的盾与心,确保了力量不会失控,始终为守护生命而战。戴拿代表着希望与期望,这 来自另一个世界的英雄,他象征着跨越次元的连接与永不放弃的信念,是维系这个奇迹的纽带。他们三个,一个是秩序的挑战者,一个是和平的守护者,一个是未来的探索者。他们各自的不完美在融合的瞬间相互弥补,最终形成了一个哲学意义上的文人塞加。他不是简单的一加,一加一等于三,而 而是通过融合触碰了奥特力量体系中最深层的东西共鸣。所以你看,赛加的战斗方式也充满了这种三维一体的影子。他和海帕杰队进行超越物理法则的高速空战,这是带拿其进行的速度与高斯未来型的感知力的结合。他挥动赛加光轮的精准与果决,又带着赛罗的影子, 而他那石破天惊的塞加极限一拳终结海帕杰顿,那依然不是单纯的力量,而是三位战士、人类以及整个地球的意志所集合体。也正是因为如此,塞加才如此稀有。他不是一个可以随时召唤的外挂,而是在特定的绝望条件下,当最纯粹的勇气、此爱与希望产生完美共鸣时, 宇宙法则本身降下的奇迹。这也就解释了为什么在银河格斗里,面对小金人军团的步步紧逼,我们迟迟看不到赛加的影子,因为那个能让奇迹发生的完美关系,需要最苛刻的条件才能再次达成。那么问题来了,各位认为在未来的银河格斗四或者其他作品中,需要出现怎样的 危机,才能让这三位传奇再次聚首,让赛加之光重现宇宙呢?把你的想法打在评论区,我们一起讨论吧!