国产av日韩一区二区三区精品,成人性爱视频在线观看,国产,欧美,日韩,一区,www.成色av久久成人,2222eeee成人天堂

目錄
關(guān)鍵要點
機器學(xué)習(xí)的工作原理?
監(jiān)督學(xué)習(xí)
無監(jiān)督學(xué)習(xí)
強化學(xué)習(xí)
設(shè)置 Python 環(huán)境
步驟 1:定義問題
步驟 2:收集數(shù)據(jù)
步驟 3:拆分?jǐn)?shù)據(jù)集
步驟 4:構(gòu)建模型
步驟 5:評估模型
使用 Python 進行機器學(xué)習(xí)的常見問題解答 (FAQ)
學(xué)習(xí)使用 Python 進行機器學(xué)習(xí)的先決條件是什么?
Python 與其他機器學(xué)習(xí)語言相比如何?
我可以使用 Python 實現(xiàn)哪些常見的機器學(xué)習(xí)算法?
如何驗證我的 Python 機器學(xué)習(xí)模型的性能?
我可以使用 Python 進行監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)嗎?
如何處理機器學(xué)習(xí)模型中的過度擬合?
數(shù)據(jù)預(yù)處理在使用 Python 進行機器學(xué)習(xí)中的作用是什么?
如何使用 Python 可視化機器學(xué)習(xí)模型的性能?
我可以使用 Python 進行自然語言處理 (NLP) 嗎?
如何部署使用 Python 構(gòu)建的機器學(xué)習(xí)模型?
首頁 科技周邊 IT業(yè)界 Python的機器學(xué)習(xí)底漆

Python的機器學(xué)習(xí)底漆

Feb 10, 2025 pm 03:54 PM

A Primer on Machine Learning with Python

過去十年,機器學(xué)習(xí)已從科研實驗室走向日常的網(wǎng)絡(luò)和移動應(yīng)用程序。機器學(xué)習(xí)使您的應(yīng)用程序能夠執(zhí)行以前難以編程的任務(wù),例如檢測圖像中的物體和人臉、檢測垃圾郵件和仇恨言論,以及為電子郵件和消息應(yīng)用程序生成智能回復(fù)。

然而,執(zhí)行機器學(xué)習(xí)與經(jīng)典編程有著根本的不同。在本文中,您將學(xué)習(xí)機器學(xué)習(xí)的基礎(chǔ)知識,并創(chuàng)建一個可以根據(jù)花朵測量結(jié)果預(yù)測花卉種類的基本模型。

關(guān)鍵要點

  • 機器學(xué)習(xí)已從科學(xué)研究實驗室發(fā)展到日常的網(wǎng)絡(luò)和移動應(yīng)用程序,使應(yīng)用程序能夠執(zhí)行以前難以編程的任務(wù)。
  • 機器學(xué)習(xí)依賴于經(jīng)驗,通過示例訓(xùn)練模型,而不是向其提供規(guī)則。機器學(xué)習(xí)算法有不同的類別,每種類別都可以解決特定問題:監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)。
  • Python 由于其簡單性、可讀性和廣泛的生態(tài)系統(tǒng)(包括 Scikit-learn、TensorFlow 和 PyTorch 等庫和框架)而成為一種流行的機器學(xué)習(xí)語言。但是,理解 Python 編程、NumPy、Pandas 和 Matplotlib 等庫以及統(tǒng)計和概率的基本概念是前提條件。
  • 實施機器學(xué)習(xí)模型的過程包括定義問題、收集數(shù)據(jù)、將數(shù)據(jù)集拆分為訓(xùn)練集和測試集、構(gòu)建模型以及評估其性能。交叉驗證和訓(xùn)練測試拆分等技術(shù),以及準(zhǔn)確性、精確率、召回率和 F1 分?jǐn)?shù)等指標(biāo),可用于驗證模型的性能。

機器學(xué)習(xí)的工作原理?

經(jīng)典編程依賴于可以分解為不同的類、函數(shù)和 if-else 命令的明確定義的問題。另一方面,機器學(xué)習(xí)依賴于根據(jù)經(jīng)驗發(fā)展其行為。您不是向機器學(xué)習(xí)模型提供規(guī)則,而是通過示例對其進行訓(xùn)練。

機器學(xué)習(xí)算法有不同的類別,每種類別都可以解決特定問題。

監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)適用于您想要從輸入數(shù)據(jù)到結(jié)果的問題。所有監(jiān)督學(xué)習(xí)問題的共同特征是存在一個可以用來測試模型的真實情況,例如標(biāo)記的圖像或歷史銷售數(shù)據(jù)。

監(jiān)督學(xué)習(xí)模型可以解決回歸或分類問題?;貧w模型預(yù)測數(shù)量(例如銷售的商品數(shù)量或股票價格),而分類問題試圖確定輸入數(shù)據(jù)的類別(例如貓/狗/魚/鳥、欺詐/非欺詐)。

圖像分類、人臉檢測、股票價格預(yù)測和銷售預(yù)測是監(jiān)督學(xué)習(xí)可以解決的問題示例。

一些流行的監(jiān)督學(xué)習(xí)算法包括線性回歸和邏輯回歸、支持向量機、決策樹和人工神經(jīng)網(wǎng)絡(luò)。

無監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)適用于您擁有數(shù)據(jù)但不是結(jié)果,而是尋找模式的問題。例如,您可能希望根據(jù)客戶的相似性將其分組為細(xì)分市場。這在無監(jiān)督學(xué)習(xí)中稱為聚類?;蛘?,您可能希望檢測偏離企業(yè)正?;顒拥膼阂饩W(wǎng)絡(luò)流量。這稱為異常檢測,這是另一項無監(jiān)督學(xué)習(xí)任務(wù)。無監(jiān)督學(xué)習(xí)也可用于降維,這是一種通過去除無關(guān)特征來簡化機器學(xué)習(xí)任務(wù)的技巧。

一些流行的無監(jiān)督學(xué)習(xí)算法包括 K 均值聚類和主成分分析 (PCA)。

強化學(xué)習(xí)

強化學(xué)習(xí)是機器學(xué)習(xí)的一個分支,其中智能體試圖通過與其環(huán)境交互來實現(xiàn)目標(biāo)。強化學(xué)習(xí)涉及動作、狀態(tài)和獎勵。未經(jīng)訓(xùn)練的強化學(xué)習(xí)智能體從隨機采取行動開始。每個動作都會改變環(huán)境的狀態(tài)。如果智能體發(fā)現(xiàn)自己處于所需狀態(tài),則會獲得獎勵。智能體試圖找到產(chǎn)生最多獎勵的動作和狀態(tài)序列。

強化學(xué)習(xí)用于推薦系統(tǒng)、機器人技術(shù)和游戲機器人,例如谷歌的 AlphaGo 和 AlphaStar。

設(shè)置 Python 環(huán)境

在這篇文章中,我們將重點關(guān)注監(jiān)督學(xué)習(xí),因為它是最流行的機器學(xué)習(xí)分支,并且其結(jié)果更容易評估。我們將使用 Python,因為它具有許多支持機器學(xué)習(xí)應(yīng)用程序的功能和庫。但是,一般概念可以應(yīng)用于任何具有類似庫的編程語言。

(如果您不熟悉 Python,freeCodeCamp 提供了一個很棒的速成課程,可以幫助您入門。)

通常用于數(shù)據(jù)科學(xué)和機器學(xué)習(xí)的 Python 庫之一是 Scikit-learn,它提供了流行機器學(xué)習(xí)算法的實現(xiàn)。Scikit-learn 不是基本 Python 安裝的一部分,您必須手動安裝它。

macOS 和 Linux 預(yù)裝了 Python。要安裝 Scikit-learn 庫,請在終端窗口中鍵入以下命令:

<code>pip install scikit-learn</code>

或?qū)τ?Python 3:

<code>python3 -m pip install scikit-learn</code>

在 Microsoft Windows 上,您必須首先安裝 Python。您可以從官方網(wǎng)站獲取最新版本的 Windows Python 3 安裝程序。安裝 Python 后,在命令行窗口中鍵入以下命令:

<code>python -m pip install scikit-learn</code>

或者,您可以安裝 Anaconda 框架,其中包括獨立安裝的 Python 3 以及 Scikit-learn 和許多其他用于數(shù)據(jù)科學(xué)和機器學(xué)習(xí)的庫,例如 Numpy、ScipyMatplotlib。您可以在其官方網(wǎng)站上找到 Anaconda 免費個人版的安裝說明。

步驟 1:定義問題

每個機器學(xué)習(xí)項目的第一個步驟是了解您想要解決的問題。定義問題將幫助您確定需要收集的數(shù)據(jù)類型,并讓您了解需要使用哪種機器學(xué)習(xí)算法。

在我們的例子中,我們想要創(chuàng)建一個模型,根據(jù)花瓣和萼片長度和寬度的測量結(jié)果來預(yù)測花的種類。

這是一個監(jiān)督分類問題。我們需要收集不同花卉標(biāo)本的測量列表及其相應(yīng)的物種。然后,我們將使用這些數(shù)據(jù)來訓(xùn)練和測試一個可以將測量結(jié)果映射到物種的機器學(xué)習(xí)模型。

步驟 2:收集數(shù)據(jù)

機器學(xué)習(xí)最棘手的部分之一是收集數(shù)據(jù)來訓(xùn)練您的模型。您必須找到一個可以收集訓(xùn)練模型所需數(shù)量數(shù)據(jù)的來源。您還需要驗證數(shù)據(jù)的質(zhì)量,確保它代表模型將處理的不同情況,并避免收集包含隱藏偏差的數(shù)據(jù)。

幸運的是,Scikit-learn 包含幾個玩具數(shù)據(jù)集,可以用來嘗試不同的機器學(xué)習(xí)算法?!傍S尾花數(shù)據(jù)集”恰好包含我們問題所需的確切數(shù)據(jù)。我們只需要從庫中加載它即可。

以下代碼加載住房數(shù)據(jù)集:

<code>pip install scikit-learn</code>

鳶尾花數(shù)據(jù)集包含 150 個觀測值,每個觀測值包含四個測量值 (iris.data) 和目標(biāo)花卉種類 (iris.target)??梢栽?iris.feature_names 中看到數(shù)據(jù)列的名稱:

<code>python3 -m pip install scikit-learn</code>

iris.target 包含數(shù)據(jù)集中注冊的三個花卉種類之一的數(shù)字索引 (0-2)?;ɑ芊N類的名稱可在 iris.target_names 中找到:

<code>python -m pip install scikit-learn</code>

步驟 3:拆分?jǐn)?shù)據(jù)集

在開始訓(xùn)練之前,您必須將數(shù)據(jù)拆分為訓(xùn)練集和測試集。您將使用訓(xùn)練集來訓(xùn)練機器學(xué)習(xí)模型,并使用測試集來驗證其準(zhǔn)確性。

這樣做是為了確保您的模型沒有過度擬合訓(xùn)練數(shù)據(jù)。過度擬合是指您的機器學(xué)習(xí)模型在訓(xùn)練示例上的表現(xiàn)良好,但在未見過的數(shù)據(jù)上的表現(xiàn)不佳。過度擬合可能是由于選擇了錯誤的機器學(xué)習(xí)算法、對模型進行了錯誤的配置、訓(xùn)練數(shù)據(jù)不佳或訓(xùn)練示例太少而導(dǎo)致的。

根據(jù)您正在解決的問題類型和擁有的數(shù)據(jù)量,您必須確定要分配給測試集的數(shù)據(jù)量。通常,當(dāng)您擁有大量數(shù)據(jù)(大約數(shù)萬個示例)時,即使只有大約 1% 的小樣本也足以測試您的模型。對于包含總共 150 條記錄的鳶尾花數(shù)據(jù)集,我們將選擇 75-25 分割。

Scikit-learn 有一個 train_test_split 函數(shù),它將數(shù)據(jù)集拆分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集:

<code>from sklearn.datasets import load_iris

iris = load_iris()
</code>

train_test_split 獲取數(shù)據(jù)和目標(biāo)數(shù)據(jù)集,并返回用于訓(xùn)練 (X_train 和 y_train) 和測試 (X_test 和 y_test) 的兩對數(shù)據(jù)集。test_size 參數(shù)確定將分配給測試的數(shù)據(jù)百分比(介于 0 和 1 之間)。stratify 參數(shù)確保訓(xùn)練數(shù)組和測試數(shù)組包含來自每個類別的平衡樣本數(shù)。random_state 變量存在于 Scikit-learn 的許多函數(shù)中,用于控制隨機數(shù)生成器并實現(xiàn)可重復(fù)性。

步驟 4:構(gòu)建模型

現(xiàn)在我們的數(shù)據(jù)已準(zhǔn)備就緒,我們可以創(chuàng)建一個機器學(xué)習(xí)模型并在訓(xùn)練集上對其進行訓(xùn)練。有許多不同的機器學(xué)習(xí)算法可以解決我們正在處理的分類問題。在我們的例子中,我們將使用“邏輯回歸”算法,它非常快,適用于簡單且不包含太多維度的分類問題。

Scikit-learn 的 LogisticRegression 類實現(xiàn)了此算法。實例化它之后,我們將通過調(diào)用 fit 函數(shù)在我們的訓(xùn)練集 (X_train 和 y_train) 上對其進行訓(xùn)練。這將調(diào)整模型的參數(shù)以找到測量值和花卉種類之間的映射。

<code>pip install scikit-learn</code>

步驟 5:評估模型

現(xiàn)在我們已經(jīng)訓(xùn)練了模型,我們想要衡量它的準(zhǔn)確性。LogisticRegression 類有一個 score 方法,它返回模型的準(zhǔn)確性。首先,我們將衡量模型在訓(xùn)練數(shù)據(jù)上的準(zhǔn)確性:

<code>python3 -m pip install scikit-learn</code>

這將返回大約 0.97,這意味著該模型準(zhǔn)確預(yù)測了 97% 的訓(xùn)練示例的類別,考慮到我們每個物種只有大約 37 個訓(xùn)練示例,這已經(jīng)相當(dāng)不錯了。

接下來,我們將檢查模型在測試集上的準(zhǔn)確性:

<code>python -m pip install scikit-learn</code>

這將給我們大約 95% 的結(jié)果,略低于訓(xùn)練準(zhǔn)確性,這是很自然的,因為這些是模型從未見過的示例。通過創(chuàng)建更大的數(shù)據(jù)集或嘗試另一種機器學(xué)習(xí)算法(例如支持向量機),我們或許能夠進一步提高模型的準(zhǔn)確性,并彌合訓(xùn)練和測試性能之間的差距。

最后,我們想看看如何在新的示例上使用我們訓(xùn)練好的模型。LogisticRegression 類有一個 predict 函數(shù),它以觀測值數(shù)組作為輸入,并返回預(yù)測的類別。在我們的花卉分類器模型的情況下,我們需要向它提供四個測量值的數(shù)組(萼片長度、萼片寬度、花瓣長度、花瓣寬度),它將返回一個整數(shù),表示花的類別:

<code>from sklearn.datasets import load_iris

iris = load_iris()
</code>

恭喜!您創(chuàng)建了您的第一個機器學(xué)習(xí)模型。我們現(xiàn)在可以將其組合到一個應(yīng)用程序中,該應(yīng)用程序從用戶那里獲取測量結(jié)果并返回花卉種類:

<code>print(iris.feature_names)
'''
['sepal length (cm)',
 'sepal width (cm)',
 'petal length (cm)',
 'petal width (cm)']
'''
</code>

希望這是您成為機器學(xué)習(xí)大師的第一步。從這里開始,您可以繼續(xù)學(xué)習(xí)其他機器學(xué)習(xí)算法,學(xué)習(xí)更多關(guān)于機器學(xué)習(xí)基本概念的知識,并繼續(xù)學(xué)習(xí)更高級的主題,例如神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)。通過一些學(xué)習(xí)和實踐,您將能夠創(chuàng)建能夠檢測圖像中的物體、處理語音命令并與用戶進行對話的非凡應(yīng)用程序。

使用 Python 進行機器學(xué)習(xí)的常見問題解答 (FAQ)

學(xué)習(xí)使用 Python 進行機器學(xué)習(xí)的先決條件是什么?

要開始學(xué)習(xí)使用 Python 進行機器學(xué)習(xí),您需要對 Python 編程有基本的了解。熟悉 NumPy、Pandas 和 Matplotlib 等庫也很有益。此外,對統(tǒng)計和概率的基本了解至關(guān)重要,因為它們構(gòu)成了機器學(xué)習(xí)算法的核心。

Python 與其他機器學(xué)習(xí)語言相比如何?

由于其簡單性和可讀性,Python 是最流行的機器學(xué)習(xí)語言之一。它擁有廣泛的庫和框架,例如 Scikit-learn、TensorFlow 和 PyTorch,這些庫和框架簡化了機器學(xué)習(xí)模型的開發(fā)。R 和 Java 等其他語言也用于機器學(xué)習(xí),但 Python 廣泛的生態(tài)系統(tǒng)使其成為許多人的首選。

我可以使用 Python 實現(xiàn)哪些常見的機器學(xué)習(xí)算法?

Python 的 Scikit-learn 庫提供了各種機器學(xué)習(xí)算法的實現(xiàn)。一些常用的算法包括線性回歸、邏輯回歸、決策樹、隨機森林、支持向量機和 k 近鄰。對于深度學(xué)習(xí),您可以使用 TensorFlow 和 PyTorch 等庫。

如何驗證我的 Python 機器學(xué)習(xí)模型的性能?

您可以使用交叉驗證和訓(xùn)練測試拆分等技術(shù)來驗證模型的性能。Python 的 Scikit-learn 庫為此提供了函數(shù)。此外,您可以使用準(zhǔn)確性、精確率、召回率和 F1 分?jǐn)?shù)等指標(biāo)來進行分類問題,并使用均方誤差或 R 平方來進行回歸問題。

我可以使用 Python 進行監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)嗎?

是的,Python 支持監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)??梢允褂?Scikit-learn 等庫來實現(xiàn)回歸和分類等監(jiān)督學(xué)習(xí)算法。對于無監(jiān)督學(xué)習(xí),您可以使用 K 均值、層次聚類和 DBSCAN 等聚類算法。

如何處理機器學(xué)習(xí)模型中的過度擬合?

可以使用正則化、提前停止和神經(jīng)網(wǎng)絡(luò)的 dropout 等技術(shù)來處理過度擬合。您還可以使用 bagging 和 boosting 等集成方法來減少過度擬合。

數(shù)據(jù)預(yù)處理在使用 Python 進行機器學(xué)習(xí)中的作用是什么?

數(shù)據(jù)預(yù)處理是機器學(xué)習(xí)中的一個關(guān)鍵步驟。它包括清理數(shù)據(jù)、處理缺失值、編碼分類變量和縮放特征。Python 提供了 Pandas 和 Scikit-learn 等庫,可以進行高效的數(shù)據(jù)預(yù)處理。

如何使用 Python 可視化機器學(xué)習(xí)模型的性能?

您可以使用 Matplotlib 和 Seaborn 等庫來可視化模型的性能。這些庫提供了繪制混淆矩陣、ROC 曲線和學(xué)習(xí)曲線等圖形的函數(shù)。

我可以使用 Python 進行自然語言處理 (NLP) 嗎?

是的,Python 提供了 NLTK 和 SpaCy 等庫用于自然語言處理。這些庫提供了標(biāo)記化、詞性標(biāo)注、命名實體識別和情感分析等功能。

如何部署使用 Python 構(gòu)建的機器學(xué)習(xí)模型?

您可以使用 Flask 或 Django 等 Web 框架來部署機器學(xué)習(xí)模型。對于大規(guī)模部署,您可以使用 AWS、Google Cloud 或 Azure 等云平臺。它們提供模型部署、擴展和監(jiān)控的服務(wù)。

以上是Python的機器學(xué)習(xí)底漆的詳細(xì)內(nèi)容。更多信息請關(guān)注PHP中文網(wǎng)其他相關(guān)文章!

本站聲明
本文內(nèi)容由網(wǎng)友自發(fā)貢獻,版權(quán)歸原作者所有,本站不承擔(dān)相應(yīng)法律責(zé)任。如您發(fā)現(xiàn)有涉嫌抄襲侵權(quán)的內(nèi)容,請聯(lián)系admin@php.cn

熱AI工具

Undress AI Tool

Undress AI Tool

免費脫衣服圖片

Undresser.AI Undress

Undresser.AI Undress

人工智能驅(qū)動的應(yīng)用程序,用于創(chuàng)建逼真的裸體照片

AI Clothes Remover

AI Clothes Remover

用于從照片中去除衣服的在線人工智能工具。

Clothoff.io

Clothoff.io

AI脫衣機

Video Face Swap

Video Face Swap

使用我們完全免費的人工智能換臉工具輕松在任何視頻中換臉!

熱工具

記事本++7.3.1

記事本++7.3.1

好用且免費的代碼編輯器

SublimeText3漢化版

SublimeText3漢化版

中文版,非常好用

禪工作室 13.0.1

禪工作室 13.0.1

功能強大的PHP集成開發(fā)環(huán)境

Dreamweaver CS6

Dreamweaver CS6

視覺化網(wǎng)頁開發(fā)工具

SublimeText3 Mac版

SublimeText3 Mac版

神級代碼編輯軟件(SublimeText3)

SaaS的5個最佳支付門戶:您的最終指南 SaaS的5個最佳支付門戶:您的最終指南 Jun 29, 2025 am 08:28 AM

付款網(wǎng)關(guān)是付款過程的關(guān)鍵組成部分,使企業(yè)能夠在線接受付款。它充當(dāng)客戶與商人之間的橋梁,安全地傳輸付款信息并促進交易。 為了

用于購買SSL證書的經(jīng)濟有效的轉(zhuǎn)售商平臺 用于購買SSL證書的經(jīng)濟有效的轉(zhuǎn)售商平臺 Jun 25, 2025 am 08:28 AM

在一個在線信任不可談判的世界中,SSL證書對于每個網(wǎng)站都至關(guān)重要。 SSL認(rèn)證的市場規(guī)模在2024年價值56億美元,并且由于電子商務(wù)業(yè)務(wù)的激增而推動了強勁的增長

新研究聲稱AI比我們更好地'理解”情緒。特別是在情感上充滿電的情況下 新研究聲稱AI比我們更好地'理解”情緒。特別是在情感上充滿電的情況下 Jul 03, 2025 pm 05:48 PM

在我們認(rèn)為人類始終超越機器的領(lǐng)域的另一個挫折中,研究人員現(xiàn)在建議AI比我們更好地理解情感。研究人員發(fā)現(xiàn)人工智能證明了一個

由于新的Microsoft AI型號 由于新的Microsoft AI型號 Jul 05, 2025 am 12:44 AM

一種新的人工智能(AI)模型已經(jīng)證明了比幾個使用最廣泛使用的全球預(yù)測系統(tǒng)更快,更精確地預(yù)測重大天氣事件的能力。該名為Aurora的模型已接受過培訓(xùn)。

您的設(shè)備喂養(yǎng)AI助手并收集個人數(shù)據(jù),即使他們睡著了。這是如何知道您分享的內(nèi)容。 您的設(shè)備喂養(yǎng)AI助手并收集個人數(shù)據(jù),即使他們睡著了。這是如何知道您分享的內(nèi)容。 Jul 05, 2025 am 01:12 AM

不管喜歡與否,人工智能已成為日常生活的一部分。許多設(shè)備(包括電動剃須刀和牙刷)已成為AI驅(qū)動的“使用機器學(xué)習(xí)算法來跟蹤一個人的使用方式,Devi的方式

高級AI型號的CO&#8322;回答相同問題時的排放量比更常見的LLM 高級AI型號的CO&#8322;回答相同問題時的排放量比更常見的LLM Jul 06, 2025 am 12:37 AM

根據(jù)最近的一項研究,我們試圖使AI模型的功能越精確,其碳排放量就越大 - 某些提示產(chǎn)生的二氧化碳比其他提示高達50倍。

威脅AI聊天機器人,它將撒謊,作弊和'讓您死”以阻止您,并警告 威脅AI聊天機器人,它將撒謊,作弊和'讓您死”以阻止您,并警告 Jul 04, 2025 am 12:40 AM

根據(jù)一項新的研究,人工智能(AI)模型在模型的目標(biāo)和用戶決定之間發(fā)生沖突時可能會威脅和勒索人類。

See all articles