AI编辑器-Trae 玩转AI 编程

参考

掘金社区地址

Trae下载地址

管理插件

Trae 从入门到实践:AI 编码的妙笔生花

掘金社区

掘金社区简介

掘金是面向全球中文开发者的技术内容分享与交流平台。我们通过技术文章、沸点、课程、直播等产品和服务,打造一个激发开发者创作灵感,激励开发者沉淀分享,陪伴开发者成长的综合类技术社区

登录注册掘金社区

首先打开掘金社区官网
掘金社区地址

如果没有注册的,可以注册下

已经注册的,就直接登录

安装与配置Trae编辑器

下载安装

下载地址
https://juejin.cn/trae-x-2025?inviteCode=VaemRzHyjEw6tooWbZad7PUS3gY8U2pf&utm_campaign=liebian_invite

下载编辑器,然后单击安装下一步

配置Trae

安装完成后

出现如下页面

单击开始
选择语言和主题。单击继续
是否需要从VSCode中导入,我这里没有导入,建议导入。我这里单击跳过

安装trae命令,安装完成,进入登录页面

单击登录,弹出浏览器页面,进入登陆页面,这里点击稀土掘金登录,使用掘金账号
授权使用掘金社区账号

单击同意

单击授权并登录

单击登录并打开Trae即可完成登录操作

如果没有登录的,也可以在Trae编辑器的右上角位置单击登录

安装插件

作为一个基于vscode开发的AI IDE,插件是必备的,具体可以参考如下:
管理插件

Trae 从入门到实践:AI 编码的妙笔生花

手动安装

首先打开插件市场,输入插件名称,然后安装即可

一键导入VSCode插件 超级实用

一键从vscode中导入配置

然后出现导入的过程,这个超级实用

等待片刻

使用Trae进行编码

开发一个贝叶斯算法的案例

输入如下问题

写一个基于sklearn的贝叶斯算法的案例,适合计算机专业大三同学学习的,要求包括导入依赖,数据集加载,拆分数据集,数据集探索,数据集处理,实例化三种贝叶斯算法,并分别基于三种贝叶斯算法完成模型训练,模型验证,模型评估,模型预测,模型保存,模型加载。

输出如下:

单击创建一个新文件,代码如下

python 复制代码
# 导入依赖
import numpy as np
import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB, MultinomialNB, BernoulliNB
from sklearn.metrics import accuracy_score, classification_report
import joblib

# 数据集加载
iris = datasets.load_iris()
X = iris.data  # 特征数据
y = iris.target  # 标签数据

# 拆分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 数据集探索
print("数据集基本信息:")
print("特征数量:", X.shape[1])
print("样本数量:", X.shape[0])
print("类别数量:", len(np.unique(y)))

# 数据集处理
# 由于鸢尾花数据集是数值型数据,且无缺失值,这里无需额外处理

# 实例化三种贝叶斯算法
gnb = GaussianNB()
mnb = MultinomialNB()
bnb = BernoulliNB()

# 定义一个函数来完成模型训练、验证、评估、预测、保存和加载
def train_and_evaluate(model, model_name):
    # 模型训练
    model.fit(X_train, y_train)

    # 模型验证
    y_pred = model.predict(X_test)

    # 模型评估
    accuracy = accuracy_score(y_test, y_pred)
    print(f"{model_name} 准确率: {accuracy:.2f}")
    print(f"{model_name} 分类报告:")
    print(classification_report(y_test, y_pred))

    # 模型预测
    sample = X_test[:5]
    predictions = model.predict(sample)
    print(f"{model_name} 对前5个样本的预测结果: {predictions}")

    # 模型保存
    joblib.dump(model, f'{model_name}_model.pkl')

    # 模型加载
    loaded_model = joblib.load(f'{model_name}_model.pkl')
    new_predictions = loaded_model.predict(sample)
    print(f"{model_name} 加载模型后对前5个样本的预测结果: {new_predictions}")

# 分别基于三种贝叶斯算法完成上述操作
train_and_evaluate(gnb, "高斯朴素贝叶斯")
train_and_evaluate(mnb, "多项式朴素贝叶斯")
train_and_evaluate(bnb, "伯努利朴素贝叶斯")

然后单击三角形,输出如下

选中这些警告代码,添加到对话中

输入

给出了对应解决方案

单击应用,或手动复制代码到文件,再次运行,输出如下,完美解决问题

trae命令

使用 trae 命令快速唤起 Trae。

python 复制代码
Trae

使用 trae my-react-app 命令在 Trae 中打开一个项目。

python 复制代码
trae my-react-app 
相关推荐
Virgil1392 小时前
【TrOCR】训练代码
人工智能·深度学习·ocr
锅挤2 小时前
深度学习3(向量化编程+ python中实现逻辑回归)
人工智能·深度学习
MARS_AI_6 小时前
云蝠智能 Voice Agent 落地展会邀约场景:重构会展行业的智能交互范式
人工智能·自然语言处理·重构·交互·语音识别·信息与通信
weixin_422456446 小时前
第N7周:调用Gensim库训练Word2Vec模型
人工智能·机器学习·word2vec
HuggingFace9 小时前
Hugging Face 开源机器人 Reachy Mini 开启预定
人工智能
企企通采购云平台10 小时前
「天元宠物」×企企通,加速数智化升级,“链”接萌宠消费新蓝海
大数据·人工智能·宠物
超级小忍10 小时前
Spring AI ETL Pipeline使用指南
人工智能·spring
张较瘦_10 小时前
[论文阅读] 人工智能 | 读懂Meta-Fair:让LLM摆脱偏见的自动化测试新方法
论文阅读·人工智能
巴伦是只猫11 小时前
【机器学习笔记 Ⅲ】4 特征选择
人工智能·笔记·机器学习
好心的小明11 小时前
【王树森推荐系统】召回11:地理位置召回、作者召回、缓存召回
人工智能·缓存·推荐系统·推荐算法