def svmModel(x_train,x_test,y_train,y_test,type): if type=='rbf': svmmodel=svm.SVC(C=15,kernel='rbf',gamma=10,decision_function_shape='ovr') else: svmmodel=svm.SVC(C=0.1,kernel='linear',decision_function_shape='ovr') svmmodel.fit(x_train,y_train.ravel()) print('SVM模型:',svmmodel) train_accscore=svmmodel.score(x_train,y_train) test_accscore=svmmodel.score(x_test,y_test) n_support_numbers=svmmodel.n_support_ return svmmodel,train_accscore,test_accscore,n_support_numbers if __name__=='__main__': iris_feature='花萼长度','花萼宽度','花瓣长度','花瓣宽度' path="D:\data\iris(1).data" data=pd.read_csv(path,header=None) x,y=data[[0,1]],pd.Categorical(data[4]).codes x_train,x_test,y_train,y_test=train_test_split(x,y,random_state=3,train_size=0.6) type='linear' svmmodel,train_accscore,test_accscore,n_support_numbers=svmModel(x_train,x_test,y_train,y_test,type) print('训练集准确率:',train_accscore) print('测试机准确率:',test_accscore) print('支持向量的数目:',n_support_numbers) print('-' * 50) if __name__=='__main__': path='D:/data/iris1-100.data' data=pd.read_csv(path,header=None) x=data[list(range(2,4))] y=data[4].replace(['Iris-versicolor','Iris-virginica'],[0,1]) svmmodel_param=(('linear',0.1),('rbf',1,0.1),('rbf',5,5),('rbf',10,10)) for i, param in enumerate(svmmodel_param): svmmodel,title,accuracyscore=svmModel(x,y,param) y_predict=svmmodel.predict(x) print(title) print('准确率:',accuracyscore) print('支持向量的数目:',svmmodel.n_support_)

时间: 2024-04-28 13:25:55 浏览: 121
ZIP

SVM.zip_Poly RBF_SVM poly_SVM_RBF_linear svm_svm rbf

这是一个使用 SVM 进行分类的 Python 代码。其中使用了 iris 数据集来进行测试,通过调整 SVM 模型的参数,来比较不同模型在数据集上的准确率和支持向量的数目。其中 SVM 模型的参数包括 C 值和 kernel 值,C 值是惩罚系数,kernel 值决定了 SVM 模型的核函数。代码中使用了线性核函数和径向基函数(RBF)核函数。
阅读全文

相关推荐

import numpy as npimport pandas as pdfrom sklearn.model_selection import train_test_splitfrom sklearn.svm import SVCfrom sklearn.metrics import accuracy_score, confusion_matriximport matplotlib.pyplot as pltimport xlrd# 加载数据集并进行预处理def load_data(filename): data = pd.read_excel(filename) data.dropna(inplace=True) X = data.drop('label', axis=1) X = (X - X.mean()) / X.std() y = data['label'] return X, y# 训练SVM分类器def train_svm(X_train, y_train, kernel='rbf', C=1, gamma=0.1): clf = SVC(kernel=kernel, C=C, gamma=gamma) clf.fit(X_train, y_train) return clf# 预测新的excel文件并输出预测结果excel、精度和混淆矩阵图def predict_svm(clf, X_test, y_test, filename): y_pred = clf.predict(X_test) accuracy = accuracy_score(y_test, y_pred) cm = confusion_matrix(y_test, y_pred) # 输出预测结果excel data = pd.read_excel(filename) data['predicted_label'] = pd.Series(y_pred, index=data.index) data.to_excel('predicted_result.xlsx', index=False) # 绘制混淆矩阵图 plt.imshow(cm, cmap=plt.cm.Blues) plt.title('Confusion matrix') plt.colorbar() tick_marks = np.arange(len(set(y_test))) plt.xticks(tick_marks, sorted(set(y_test)), rotation=45) plt.yticks(tick_marks, sorted(set(y_test))) plt.xlabel('Predicted Label') plt.ylabel('True Label') plt.show() return accuracy# 加载数据集并划分训练集和验证集data = pd.read_excel('data.xlsx')data.dropna(inplace=True)X = data.drop('label', axis=1)X = (X - X.mean()) / X.std()y = data['label']X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 训练SVM分类器clf = train_svm(X_train, y_train)# 预测新的excel文件accuracy = predict_svm(clf, X_test, y_test, 'test_data.xlsx')# 输出精度print('Accuracy:', accuracy)改进,预测新的结果输出在新表中

import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.svm import SVC from sklearn.metrics import accuracy_score, confusion_matrix import matplotlib.pyplot as plt import xlrd # 加载数据集并进行预处理 def load_data(filename): data = pd.read_excel(filename) data.dropna(inplace=True) X = data.drop('label', axis=1) X = (X - X.mean()) / X.std() y = data['label'] return X, y # 训练SVM分类器 def train_svm(X_train, y_train, kernel='rbf', C=1, gamma=0.1): clf = SVC(kernel=kernel, C=C, gamma=gamma) clf.fit(X_train, y_train) return clf # 预测新的excel文件并输出预测结果excel、精度和混淆矩阵图 def predict_svm(clf, X_test, y_test, filename, result_file): y_pred = clf.predict(X_test) accuracy = accuracy_score(y_test, y_pred) cm = confusion_matrix(y_test, y_pred) # 输出预测结果excel data = pd.read_excel(filename) data['predicted_label'] = pd.Series(y_pred, index=data.index) data.to_excel(result_file, index=False) # 绘制混淆矩阵图 plt.imshow(cm, cmap=plt.cm.Blues) plt.title('Confusion matrix') plt.colorbar() tick_marks = np.arange(len(set(y_test))) plt.xticks(tick_marks, sorted(set(y_test)), rotation=45) plt.yticks(tick_marks, sorted(set(y_test))) plt.xlabel('Predicted Label') plt.ylabel('True Label') plt.show() return accuracy # 加载数据集并划分训练集和验证集 data = pd.read_excel('data.xlsx') data.dropna(inplace=True) X = data.drop('label', axis=1) X = (X - X.mean()) / X.std() y = data['label'] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 训练SVM分类器 clf = train_svm(X_train, y_train) # 预测新的excel文件 accuracy = predict_svm(clf, X_test, y_test, 'test_data.xlsx', 'predicted_result.xlsx') # 输出精度 print('Accuracy:', accuracy)修改代码,多个特征变量,一个目标变量进行预测

如何在下面的代码中给nv值限制在nu <= 0 or nu > 1:from sklearn.svm import OneClassSVM from sklearn.model_selection import train_test_split import numpy as np from deap import creator, base, tools, algorithms # 创建OneClassSVM分类器 clf = OneClassSVM() # 定义优化目标,这里使用评估分类器的准确率 creator.create("FitnessMax", base.Fitness, weights=(1.0,)) creator.create("Individual", list, fitness=creator.FitnessMax) # 定义一些算法参数 POPULATION_SIZE = 10 P_CROSSOVER = 0.9 P_MUTATION = 0.1 MAX_GENERATIONS = 50 HALL_OF_FAME_SIZE = 3 N_PARAMETER = 4 MIN_PARAM = 0.01 MAX_PARAM = 10.0 # 定义适应度评价函数,使用交叉验证计算准确率 def evaluate(individual): clf.set_params(kernel='rbf', gamma=individual[0], nu=individual[1]) accuracy = 0 for i in range(5): X_train, X_test = train_test_split(X_TRAIN, test_size=0.2) clf.fit(X_train) accuracy += clf.score(X_test) return accuracy / 5, # 定义遗传算法工具箱 toolbox = base.Toolbox() toolbox.register("attr_float", lambda: np.random.uniform(MIN_PARAM, MAX_PARAM)) toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr_float, n=N_PARAMETER) toolbox.register("population", tools.initRepeat, list, toolbox.individual) toolbox.register("evaluate", evaluate) toolbox.register("mate", tools.cxBlend, alpha=0.5) toolbox.register("mutate", tools.mutGaussian, mu=0, sigma=1, indpb=0.1) toolbox.register("select", tools.selTournament, tournsize=3) # 定义精英机制 hall_of_fame = tools.HallOfFame(HALL_OF_FAME_SIZE) # 运行遗传算法 population = toolbox.population(n=POPULATION_SIZE) stats = tools.Statistics(lambda ind: ind.fitness.values) stats.register("avg", np.mean) stats.register("min", np.min) stats.register("max", np.max) population, logbook = algorithms.eaSimple(population, toolbox, cxpb=P_CROSSOVER, mutpb=P_MUTATION, ngen=MAX_GENERATIONS, stats=stats, halloffame=hall_of_fame) # 输出优化结果 best_individual = tools.selBest(population, k=1)[0] best_parameters = [] for param in best_individual: best_parameters.append(round(param, 2)) print("OneClassSVM params: gamma={}, nu={}".format(*best_parameters))

解析如下代码:from sklearn.svm import OneClassSVM from sklearn.model_selection import train_test_split import numpy as np from deap import creator, base, tools, algorithms # 生成随机数据作为样本 X = np.random.rand(100, 5) # 创建OneClassSVM分类器 clf = OneClassSVM() # 定义优化目标,这里使用评估分类器的准确率 creator.create("FitnessMax", base.Fitness, weights=(1.0,)) creator.create("Individual", list, fitness=creator.FitnessMax) # 定义一些算法参数 POPULATION_SIZE = 10 P_CROSSOVER = 0.9 P_MUTATION = 0.1 MAX_GENERATIONS = 50 HALL_OF_FAME_SIZE = 3 N_PARAMETER = 4 MIN_PARAM = 0.01 MAX_PARAM = 10.0 # 定义适应度评价函数,使用交叉验证计算准确率 def evaluate(individual): clf.set_params(kernel='rbf', gamma=individual[0], nu=individual[1]) accuracy = 0 for i in range(5): X_train, X_test = train_test_split(X, test_size=0.3) clf.fit(X_train) accuracy += clf.score(X_test) return accuracy / 5, # 定义遗传算法工具箱 toolbox = base.Toolbox() toolbox.register("attr_float", lambda: np.random.uniform(MIN_PARAM, MAX_PARAM)) toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr_float, n=N_PARAMETER) toolbox.register("population", tools.initRepeat, list, toolbox.individual) toolbox.register("evaluate", evaluate) toolbox.register("mate", tools.cxBlend, alpha=0.5) toolbox.register("mutate", tools.mutGaussian, mu=0, sigma=1, indpb=0.1) toolbox.register("select", tools.selTournament, tournsize=3) # 定义精英机制 hall_of_fame = tools.HallOfFame(HALL_OF_FAME_SIZE) # 运行遗传算法 population = toolbox.population(n=POPULATION_SIZE) stats = tools.Statistics(lambda ind: ind.fitness.values) stats.register("avg", np.mean) stats.register("min", np.min) stats.register("max", np.max) population, logbook = algorithms.eaSimple(population, toolbox, cxpb=P_CROSSOVER, mutpb=P_MUTATION, ngen=MAX_GENERATIONS, stats=stats, halloffame=hall_of_fame) # 输出优化结果 best_individual = tools.selBest(population, k=1)[0] best_parameters = [] for param in best_individual: best_parameters.append(round(param, 2)) print("OneClassSVM params: gamma={}, nu={}".format(*best_parameters))

为什么这段python代码用不了?它报错的是AttributeError: 'OneClassSVM' object has no attribute 'score' 错误代码为population, logbook = algorithms.eaSimple(population, toolbox, cxpb=P_CROSSOVER, mutpb=P_MUTATION, ngen=MAX_GENERATIONS, stats=stats, halloffame=hall_of_fame)完整代码如下:from sklearn.svm import OneClassSVM from sklearn.model_selection import train_test_split import numpy as np from deap import creator, base, tools, algorithms # 生成随机数据作为样本 X = np.random.rand(100, 5) # 创建OneClassSVM分类器 clf = OneClassSVM() # 定义优化目标,这里使用评估分类器的准确率 creator.create("FitnessMax", base.Fitness, weights=(1.0,)) creator.create("Individual", list, fitness=creator.FitnessMax) # 定义一些算法参数 POPULATION_SIZE = 10 P_CROSSOVER = 0.9 P_MUTATION = 0.1 MAX_GENERATIONS = 50 HALL_OF_FAME_SIZE = 3 N_PARAMETER = 4 MIN_PARAM = 0.01 MAX_PARAM = 10.0 # 定义适应度评价函数,使用交叉验证计算准确率 def evaluate(individual): clf.set_params(kernel='rbf', gamma=individual[0], nu=individual[1]) accuracy = 0 for i in range(5): X_train, X_test = train_test_split(X, test_size=0.3) clf.fit(X_train) accuracy += clf.score(X_test) return accuracy / 5, # 定义遗传算法工具箱 toolbox = base.Toolbox() toolbox.register("attr_float", lambda: np.random.uniform(MIN_PARAM, MAX_PARAM)) toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr_float, n=N_PARAMETER) toolbox.register("population", tools.initRepeat, list, toolbox.individual) toolbox.register("evaluate", evaluate) toolbox.register("mate", tools.cxBlend, alpha=0.5) toolbox.register("mutate", tools.mutGaussian, mu=0, sigma=1, indpb=0.1) toolbox.register("select", tools.selTournament, tournsize=3) # 定义精英机制 hall_of_fame = tools.HallOfFame(HALL_OF_FAME_SIZE) # 运行遗传算法 population = toolbox.population(n=POPULATION_SIZE) stats = tools.Statistics(lambda ind: ind.fitness.values) stats.register("avg", np.mean) stats.register("min", np.min) stats.register("max", np.max) population, logbook = algorithms.eaSimple(population, toolbox, cxpb=P_CROSSOVER, mutpb=P_MUTATION, ngen=MAX_GENERATIONS, stats=stats, halloffame=hall_of_fame) # 输出优化结果 best_individual = tools.selBest(population, k=1)[0] best_parameters = [] for param in best_individual: best_parameters.append(round(param, 2)) print("OneClassSVM params: gamma={}, nu={}".format(*best_parameters))

帮我在下面的代码中添加高斯优化,原代码如下:import numpy as np from sklearn.svm import OneClassSVM from scipy.optimize import minimize def fitness_function(x): """ 定义适应度函数,即使用当前参数下的模型进行计算得到的损失值 """ gamma, nu = x clf = OneClassSVM(kernel='rbf', gamma=gamma, nu=nu) clf.fit(train_data) y_pred = clf.predict(test_data) # 计算错误的预测数量 error_count = len([i for i in y_pred if i != 1]) # 将错误数量作为损失值进行优化 return error_count def genetic_algorithm(x0, bounds): """ 定义遗传算法优化函数 """ population_size = 20 # 种群大小 mutation_rate = 0.1 # 变异率 num_generations = 50 # 迭代次数 num_parents = 2 # 选择的父代数量 num_elites = 1 # 精英数量 num_genes = x0.shape[0] # 参数数量 # 随机初始化种群 population = np.random.uniform(bounds[:, 0], bounds[:, 1], size=(population_size, num_genes)) for gen in range(num_generations): # 选择父代 fitness = np.array([fitness_function(x) for x in population]) parents_idx = np.argsort(fitness)[:num_parents] parents = population[parents_idx] # 交叉 children = np.zeros_like(parents) for i in range(num_parents): j = (i + 1) % num_parents mask = np.random.uniform(size=num_genes) < 0.5 children[i, mask] = parents[i, mask] children[i, ~mask] = parents[j, ~mask] # 变异 mask = np.random.uniform(size=children.shape) < mutation_rate children[mask] = np.random.uniform(bounds[:, 0], bounds[:, 1], size=np.sum(mask)) # 合并种群 population = np.vstack([parents, children]) # 选择新种群 fitness = np.array([fitness_function(x) for x in population]) elites_idx = np.argsort(fitness)[:num_elites] elites = population[elites_idx] # 输出结果 best_fitness = fitness[elites_idx[0]] print(f"Gen {gen+1}, best fitness: {best_fitness}") return elites[0] # 初始化参数 gamma0, nu0 = 0.1, 0.5 x0 = np.array([gamma0, nu0]) bounds = np.array([[0.01, 1], [0.01, 1]]) # 调用遗传算法优化 best_param = genetic_algorithm(x0, bounds) # 在最佳参数下训练模型,并在测试集上进行测试 clf = OneClassSVM(kernel='rbf', gamma=best_param[0], nu=best_param[1]) clf.fit(train_data) y_pred = clf.predict(test_data) # 计算错误的预测数量 error_count = len([i for i in y_pred if i != 1]) print(f"Best fitness: {error_count}, best parameters: gamma={best_param[0]}, nu={best_param[1]}")

最新推荐

recommend-type

Python实现的径向基(RBF)神经网络示例

def train(self, x_train, t_train): # 计算隐藏层输出 h = [gaussian(x, mu, sigma) for x, mu, sigma in zip(x_train, self.mu, self.sigmas)] h = vstack(h).T # 使用最小二乘法求解权重 self.w = lstsq(h,...
recommend-type

Python中支持向量机SVM的使用方法详解

x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=1, train_size=0.6) ``` 接下来,我们创建并训练SVM分类器。SVM的主要参数包括`C`(正则化参数)和`kernel`(核函数)。例如,对于线性...
recommend-type

(175797816)华南理工大学信号与系统Signal and Systems期末考试试卷及答案

内容来源于网络分享,如有侵权请联系我删除。另外如果没有积分的同学需要下载,请私信我。
recommend-type

深圳建设施工项目安全生产奖惩管理制度.docx

深圳建设施工项目安全生产奖惩管理制度
recommend-type

离散数学课后题答案+sdut往年试卷+复习提纲资料

离散数学课后题答案+sdut往年试卷+复习提纲资料
recommend-type

Java毕业设计项目:校园二手交易网站开发指南

资源摘要信息:"Java是一种高性能、跨平台的面向对象编程语言,由Sun Microsystems(现为Oracle Corporation)的James Gosling等人在1995年推出。其设计理念是为了实现简单性、健壮性、可移植性、多线程以及动态性。Java的核心优势包括其跨平台特性,即“一次编写,到处运行”(Write Once, Run Anywhere),这得益于Java虚拟机(JVM)的存在,它提供了一个中介,使得Java程序能够在任何安装了相应JVM的设备上运行,无论操作系统如何。 Java是一种面向对象的编程语言,这意味着它支持面向对象编程(OOP)的三大特性:封装、继承和多态。封装使得代码模块化,提高了安全性;继承允许代码复用,简化了代码的复杂性;多态则增强了代码的灵活性和扩展性。 Java还具有内置的多线程支持能力,允许程序同时处理多个任务,这对于构建服务器端应用程序、网络应用程序等需要高并发处理能力的应用程序尤为重要。 自动内存管理,特别是垃圾回收机制,是Java的另一大特性。它自动回收不再使用的对象所占用的内存资源,这样程序员就无需手动管理内存,从而减轻了编程的负担,并减少了因内存泄漏而导致的错误和性能问题。 Java广泛应用于企业级应用开发、移动应用开发(尤其是Android平台)、大型系统开发等领域,并且有大量的开源库和框架支持,例如Spring、Hibernate、Struts等,这些都极大地提高了Java开发的效率和质量。 标签中提到的Java、毕业设计、课程设计和开发,意味着文件“毕业设计---社区(校园)二手交易网站.zip”中的内容可能涉及到Java语言的编程实践,可能是针对学生的课程设计或毕业设计项目,而开发则指出了这些内容的具体活动。 在文件名称列表中,“SJT-code”可能是指该压缩包中包含的是一个特定的项目代码,即社区(校园)二手交易网站的源代码。这类网站通常需要实现用户注册、登录、商品发布、浏览、交易、评价等功能,并且需要后端服务器支持,如数据库连接和事务处理等。考虑到Java的特性,网站的开发可能使用了Java Web技术栈,如Servlet、JSP、Spring Boot等,以及数据库技术,如MySQL或MongoDB等。"
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

【MVC标准化:肌电信号处理的终极指南】:提升数据质量的10大关键步骤与工具

![MVC标准化](https://img-blog.csdn.net/20160221141956498) # 摘要 MVC标准化是肌电信号处理中确保数据质量的重要步骤,它对于提高测量结果的准确性和可重复性至关重要。本文首先介绍肌电信号的生理学原理和MVC标准化理论,阐述了数据质量的重要性及影响因素。随后,文章深入探讨了肌电信号预处理的各个环节,包括噪声识别与消除、信号放大与滤波技术、以及基线漂移的校正方法。在提升数据质量的关键步骤部分,本文详细描述了信号特征提取、MVC标准化的实施与评估,并讨论了数据质量评估与优化工具。最后,本文通过实验设计和案例分析,展示了MVC标准化在实践应用中的具
recommend-type

能否提供一个在R语言中执行Framingham数据集判别分析的详细和完整的代码示例?

当然可以。在R语言中,Framingham数据集是一个用于心血管疾病研究的经典数据集。以下是使用`ggfortify`包结合` factoextra`包进行判别分析的一个基本步骤: 首先,你需要安装所需的库,如果尚未安装,可以使用以下命令: ```r install.packages(c("ggfortify", "factoextra")) ``` 然后加载所需的数据集并做预处理。Framingham数据集通常存储在`MASS`包中,你可以通过下面的代码加载: ```r library(MASS) data(Framingham) ``` 接下来,我们假设你已经对数据进行了适当的清洗和转换
recommend-type

Blaseball Plus插件开发与构建教程

资源摘要信息:"Blaseball Plus" Blaseball Plus是一个与游戏Blaseball相关的扩展项目,该项目提供了一系列扩展和改进功能,以增强Blaseball游戏体验。在这个项目中,JavaScript被用作主要开发语言,通过在package.json文件中定义的脚本来完成构建任务。项目说明中提到了开发环境的要求,即在20.09版本上进行开发,并且提供了一个flake.nix文件来复制确切的构建环境。虽然Nix薄片是一项处于工作状态(WIP)的功能且尚未完全记录,但可能需要用户自行安装系统依赖项,其中列出了Node.js和纱(Yarn)的特定版本。 ### 知识点详细说明: #### 1. Blaseball游戏: Blaseball是一个虚构的棒球游戏,它在互联网社区中流行,其特点是独特的规则、随机事件和社区参与的元素。 #### 2. 扩展开发: Blaseball Plus是一个扩展,它可能是为在浏览器中运行的Blaseball游戏提供额外功能和改进的软件。扩展开发通常涉及编写额外的代码来增强现有软件的功能。 #### 3. JavaScript编程语言: JavaScript是一种高级的、解释执行的编程语言,被广泛用于网页和Web应用的客户端脚本编写,是开发Web扩展的关键技术之一。 #### 4. package.json文件: 这是Node.js项目的核心配置文件,用于声明项目的各种配置选项,包括项目名称、版本、依赖关系以及脚本命令等。 #### 5.构建脚本: 描述中提到的脚本,如`build:dev`、`build:prod:unsigned`和`build:prod:signed`,这些脚本用于自动化构建过程,可能包括编译、打包、签名等步骤。`yarn run`命令用于执行这些脚本。 #### 6. yarn包管理器: Yarn是一个快速、可靠和安全的依赖项管理工具,类似于npm(Node.js的包管理器)。它允许开发者和项目管理依赖项,通过简单的命令行界面可以轻松地安装和更新包。 #### 7. Node.js版本管理: 项目要求Node.js的具体版本,这里是14.9.0版本。管理特定的Node.js版本是重要的,因为在不同版本间可能会存在API变化或其他不兼容问题,这可能会影响扩展的构建和运行。 #### 8. 系统依赖项的安装: 文档提到可能需要用户手动安装系统依赖项,这在使用Nix薄片时尤其常见。Nix薄片(Nix flakes)是一个实验性的Nix特性,用于提供可复现的开发环境和构建设置。 #### 9. Web扩展的工件放置: 构建后的工件放置在`addon/web-ext-artifacts/`目录中,表明这可能是一个基于WebExtension的扩展项目。WebExtension是一种跨浏览器的扩展API,用于创建浏览器扩展。 #### 10. 扩展部署: 描述中提到了两种不同类型的构建版本:开发版(dev)和生产版(prod),其中生产版又分为未签名(unsigned)和已签名(signed)版本。这些不同的构建版本用于不同阶段的开发和发布。 通过这份文档,我们能够了解到Blaseball Plus项目的开发环境配置、构建脚本的使用、依赖管理工具的运用以及Web扩展的基本概念和部署流程。这些知识点对于理解JavaScript项目开发和扩展构建具有重要意义。