delphi 如何屏蔽win98和winme下的系统热键alt+f4,ctrl+

Posted 2023-05-09

怎样在应用程序中屏蔽这些系统热键，并且使应用程序在ctrl+alt+del的任务栏中，应用程序看不见？

参考技术A 1,控制热启动键
Ctrl+Alt+Del:
要使系统的热启动键
Ctrl+Alt+Del
失效，使用以下语句：
SystemParametersInfo(SPI_SCREENSAVERRUNNING,
1,
0,
0);
恢复使用以下语句：
SystemParametersInfo(SPI_SCREENSAVERRUNNING,
0,
0,
0);2,使窗体的
Alt+F4
快捷键(关闭窗体)失效
把
Form
的
KeyPreview
设为
True，然后响应
OnKeyDown
事件：
procedure
TForm1.FormKeyDown(Sender:
TObject;
var
Key:
Word;
Shift:
TShiftState);
begin
if
(Key=VK_F4)
and
(ssAlt
in
shift)
then
Key
0;
end;

Python Sklearn 线性回归产生不正确的系数值

【中文标题】Python Sklearn 线性回归产生不正确的系数值

【英文标题】：Python Sklearn Linear Regression Yields Incorrect Coefficient Values

【发布时间】：2021-06-19 11:04:08

【问题描述】：

我正在尝试查找线性方程的斜率和 y 截距系数。我创建了一个测试域和范围，以确保我收到的数字是正确的。方程应该是 y = 2x + 1，但模型说斜率为 24，y 截距为 40.3125。该模型准确地预测了我给它的每个值，但我质疑如何获得正确的值。

import matplotlib.pyplot as plt
import numpy as np
from sklearn import datasets, linear_model
from sklearn.metrics import mean_squared_error, r2_score
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

X = np.arange(0, 40)
y = (2 * X) + 1

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.2, random_state=0)
X_train = [[i] for i in X_train]
X_test = [[i] for i in X_test]

sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.transform(X_test)

regr = linear_model.LinearRegression()

regr.fit(X_train, y_train)

y_pred = regr.predict(X_test)

print('Coefficients: \n', regr.coef_)
print('Y-intercept: \n', regr.intercept_)
print('Mean squared error: %.2f'
      % mean_squared_error(y_test, y_pred))
print('Coefficient of determination: %.2f'
      % r2_score(y_test, y_pred))

plt.scatter(X_test, y_test,  color='black')
plt.plot(X_test, y_pred, color='blue', linewidth=3)
print(X_test)

plt.xticks()
plt.yticks()

plt.show()

【参考方案1】：

发生这种情况是因为您扩展了训练和测试数据。因此，即使您将y 生成为X 的线性函数，您也可以通过标准化将X_train 和X_test 转换为另一个尺度（减去均值并除以标准差）。

如果我们运行您的代码但省略了您缩放数据的行，您将获得预期的结果。

X = np.arange(0, 40)
y = (2 * X) + 1

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.2, random_state=0)
X_train = [[i] for i in X_train]
X_test = [[i] for i in X_test]

# Skip the scaling of X_train and X_test
#sc = StandardScaler()
#X_train = sc.fit_transform(X_train)
#X_test = sc.transform(X_test)

regr = linear_model.LinearRegression()
regr.fit(X_train, y_train)

y_pred = regr.predict(X_test)

print('Coefficients: \n', regr.coef_)
> Coefficients: 
   [2.]
print('Y-intercept: \n', regr.intercept_)
> Y-intercept: 
   1.0