欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營(yíng)的一線(xiàn)實(shí)戰(zhàn)洞察。

KNN算法從原理到實(shí)戰(zhàn):鳶尾花數(shù)據(jù)集全流程調(diào)參與優(yōu)化

KNN算法從原理到實(shí)戰(zhàn):鳶尾花數(shù)據(jù)集全流程調(diào)參與優(yōu)化 1. 先把KNN這件事想明白一個(gè)不訓(xùn)練的算法憑什么上臺(tái)面K近鄰算法K-Nearest Neighbors簡(jiǎn)稱(chēng)KNN在機(jī)器學(xué)習(xí)里是個(gè)特別有意思的存在。你把訓(xùn)練集喂給它它幾乎什么都不干——不擬合參數(shù)、不更新權(quán)重、不建梯度、不迭代。fit()一調(diào)用時(shí)間基本花在把數(shù)據(jù)存進(jìn)內(nèi)存上。真正干活是在predict()那一刻來(lái)一個(gè)新樣本它把訓(xùn)練集里所有點(diǎn)和這個(gè)新樣本逐個(gè)算一遍距離找出最近的K個(gè)鄰居看這些鄰居大多屬于哪一類(lèi)就把新樣本判成哪一類(lèi)。這套邏輯樸素得像小區(qū)里問(wèn)路——你不知道某個(gè)地方在哪就問(wèn)身邊最近的幾個(gè)人多數(shù)人說(shuō)往東你大概就往東走。我在帶新人的時(shí)候常講一句話(huà)KNN的全部智能都藏在距離和K這兩個(gè)詞里。它沒(méi)有學(xué)到特征和標(biāo)簽之間的映射函數(shù)它學(xué)到的其實(shí)是整個(gè)訓(xùn)練集本身就是模型。這個(gè)特性決定了它的優(yōu)缺點(diǎn)都極其鮮明——實(shí)現(xiàn)簡(jiǎn)單、無(wú)需訓(xùn)練、天然支持多分類(lèi)、對(duì)非線(xiàn)性邊界有一定適應(yīng)力但同時(shí)內(nèi)存占用隨數(shù)據(jù)線(xiàn)性增長(zhǎng)、預(yù)測(cè)慢、對(duì)特征尺度極其敏感、在高維空間里幾乎失效。這篇文章講的是鳶尾花Iris數(shù)據(jù)集上的KNN完整實(shí)現(xiàn)。這個(gè)數(shù)據(jù)集小得可愛(ài)150條樣本4個(gè)特征花萼長(zhǎng)度、花萼寬度、花瓣長(zhǎng)度、花瓣寬度3個(gè)類(lèi)別三個(gè)不同品種每類(lèi)50條。很多人嫌它太簡(jiǎn)單一行代碼準(zhǔn)確率就96%但我偏偏喜歡拿它做教學(xué)載體因?yàn)樗蓛舻娇梢园衙恳粋€(gè)環(huán)節(jié)單獨(dú)拎出來(lái)反復(fù)折騰——你怎么選K、怎么縮放、怎么切分、怎么驗(yàn)證、怎么解釋結(jié)果全都看得清清楚楚不會(huì)有一堆臟數(shù)據(jù)干擾你的判斷。適合誰(shuí)看寫(xiě)過(guò)一點(diǎn)Python、聽(tīng)過(guò)KNN但沒(méi)真正跑通過(guò)全流程的人調(diào)包能出結(jié)果但說(shuō)不清為什么準(zhǔn)確率是96%而不是99%的人想手寫(xiě)一遍KNN理解底層的人。如果你已經(jīng)能熟練做網(wǎng)格搜索和特征工程這篇可能偏基礎(chǔ)但里面關(guān)于標(biāo)準(zhǔn)化順序、維度災(zāi)難、距離度量選擇的那些坑大概率還是能幫你省點(diǎn)時(shí)間。1.1 距離即投票KNN的核心假設(shè)到底是什么任何算法背后都有一套對(duì)世界的假設(shè)KNN的假設(shè)直白得不像話(huà)特征空間里挨得近的樣本標(biāo)簽大概率相同。這句話(huà)聽(tīng)起來(lái)像廢話(huà)但它成立是需要條件的。第一個(gè)條件特征必須能構(gòu)成一個(gè)有意義的度量空間。也就是說(shuō)兩個(gè)樣本之間的距離要真的能反映它們的相似程度。如果你的特征里混了用戶(hù)ID這種純編號(hào)ID1001和ID1002看起來(lái)距離是1但它們之間沒(méi)有任何語(yǔ)義關(guān)聯(lián)這種距離就是假的會(huì)把整個(gè)模型帶偏。第二個(gè)條件各特征的量綱要可比?;ㄝ嚅L(zhǎng)度單位是厘米取值范圍4.3到7.9如果我還加入一個(gè)花瓣面積單位是平方厘米取值可能到20以上。那么在歐氏距離的平方和里面積這個(gè)維度會(huì)完全壓制長(zhǎng)度維度長(zhǎng)度特征等于白給。這就是為什么KNN幾乎必須配標(biāo)準(zhǔn)化不是建議是必須。第三個(gè)條件樣本密度要足夠。KNN是純局部方法它只看鄰居。如果某個(gè)區(qū)域訓(xùn)練樣本極其稀疏那最近的K個(gè)鄰居可能其實(shí)離得很遠(yuǎn)投票結(jié)果的可靠性就大打折扣。所以KNN在樣本分布均勻、類(lèi)別邊界清晰的問(wèn)題上表現(xiàn)好在長(zhǎng)尾、稀疏、類(lèi)別極不平衡的問(wèn)題上容易翻車(chē)。想清楚這三點(diǎn)你就明白為什么很多人拿KNN跑出來(lái)的結(jié)果忽高忽低——不是算法玄學(xué)是這三個(gè)前提被破壞了。我見(jiàn)過(guò)有人把KNN直接用在幾千維的文本TF-IDF向量上然后抱怨KNN效果太差其實(shí)問(wèn)題不在KNN在于高維空間里最近這個(gè)概念已經(jīng)失真了這個(gè)后面會(huì)專(zhuān)門(mén)講。1.2 它和線(xiàn)性模型、樹(shù)模型的根本差別在哪拿KNN和邏輯回歸對(duì)比差別不只在效果更在模型的形態(tài)。邏輯回歸訓(xùn)練完得到的是一組權(quán)重模型被壓縮成幾個(gè)數(shù)字你甚至可以把它寫(xiě)在紙上KNN訓(xùn)練完得到的是一整個(gè)訓(xùn)練集模型體積等于數(shù)據(jù)體積。這是參數(shù)化模型和非參數(shù)化模型的分水嶺。和決策樹(shù)對(duì)比更有意思。決策樹(shù)是在特征空間上切格子切完之后每個(gè)格子給一個(gè)標(biāo)簽切法由訓(xùn)練數(shù)據(jù)決定但一旦確定就固定了KNN不切格子它的決策邊界是隨著查詢(xún)點(diǎn)移動(dòng)的每個(gè)新樣本都會(huì)臨時(shí)劃出一片鄰域。所以KNN的決策邊界可以非常曲折、非常非線(xiàn)性代價(jià)是它沒(méi)法給你一個(gè)可解釋的規(guī)則表。這個(gè)差別帶來(lái)的直接影響是預(yù)測(cè)成本。邏輯回歸預(yù)測(cè)是幾次乘加微秒級(jí)決策樹(shù)預(yù)測(cè)是幾次比較也是微秒級(jí)KNN預(yù)測(cè)要遍歷訓(xùn)練集算距離10萬(wàn)條樣本就是10萬(wàn)次距離計(jì)算。線(xiàn)上服務(wù)里如果QPS高、延遲敏感KNN基本不適合直接懟在請(qǐng)求鏈路上得配近似最近鄰索引或者做預(yù)計(jì)算。1.3 哪些場(chǎng)景該用它哪些場(chǎng)景趁早換我自己的判斷標(biāo)準(zhǔn)很簡(jiǎn)單看三條數(shù)據(jù)量中等偏小萬(wàn)級(jí)到十萬(wàn)級(jí)特征維度不高幾十維以?xún)?nèi)且特征都是數(shù)值型、量綱可以統(tǒng)一——用KNN很合適甚至經(jīng)常能打贏一些復(fù)雜模型。樣本量極大或者維度極高幾百上千維——先別急著上KNN除非你愿意上近似檢索。需要給出為什么這么判的業(yè)務(wù)解釋——KNN能給出因?yàn)楹瓦@5個(gè)歷史樣本最像這種解釋在某些風(fēng)控、推薦場(chǎng)景反而比權(quán)重系數(shù)更好用。實(shí)際落地里KNN出現(xiàn)頻率最高的地方往往不是主模型而是推薦系統(tǒng)的召回層找相似物品/相似用戶(hù)、圖像檢索的相似度匹配、異常檢測(cè)離所有鄰居都遠(yuǎn)的點(diǎn)判為異常、缺失值填補(bǔ)用鄰居的均值填、以及小樣本冷啟動(dòng)場(chǎng)景。這些場(chǎng)景有一個(gè)共同點(diǎn)——相似本身就是業(yè)務(wù)語(yǔ)義不需要額外解釋。2. 核心參數(shù)與原理細(xì)節(jié)K值、距離度量、決策規(guī)則2.1 K值怎么選偏差和方差的那桿秤K是KNN里唯一一個(gè)真正意義上的超參數(shù)它的作用是把局部的尺度調(diào)大調(diào)小。K1的時(shí)候模型完全信任最近的那一個(gè)點(diǎn)。訓(xùn)練集里只要有一個(gè)噪聲點(diǎn)或者標(biāo)錯(cuò)的樣本它周?chē)蜁?huì)被劃出一小塊錯(cuò)誤的領(lǐng)地。這叫過(guò)擬合方差極大換一批訓(xùn)練數(shù)據(jù)決策邊界抖得厲害。準(zhǔn)確率在訓(xùn)練集上永遠(yuǎn)是100%因?yàn)樽罱泥従泳褪撬约簻y(cè)試集上往往明顯掉一檔。K取很大比如K100那就等于每次預(yù)測(cè)都看一大片區(qū)域。極端情況KN所有樣本都參與投票預(yù)測(cè)結(jié)果對(duì)所有輸入都一樣永遠(yuǎn)是多數(shù)類(lèi)。這叫欠擬合偏差極大。所以K的選擇本質(zhì)就是在偏差和方差之間找平衡點(diǎn)。經(jīng)驗(yàn)做法有這么幾條從K sqrt(N)開(kāi)始試N是訓(xùn)練樣本數(shù)。150條樣本開(kāi)方約12所以鳶尾花上可以先試K11或13這類(lèi)奇數(shù)。二分類(lèi)問(wèn)題盡量取奇數(shù)避免平票。多分類(lèi)問(wèn)題平票的可能性低但sklearn內(nèi)部會(huì)按距離加權(quán)或取索引小的類(lèi)行為不一定符合你的預(yù)期能避開(kāi)就避開(kāi)。不要用訓(xùn)練集選K。必須用驗(yàn)證集或者交叉驗(yàn)證否則你會(huì)選出一個(gè)過(guò)擬合的極小K。K通常不會(huì)取到樣本量的很大比例一般不超過(guò)樣本數(shù)的十分之一到五分之一。在鳶尾花上做5折交叉驗(yàn)證掃一遍K你會(huì)看到一個(gè)很典型的U形曲線(xiàn)K從1漲到5左右準(zhǔn)確率快速上升5到15之間平臺(tái)區(qū)很平超過(guò)25之后開(kāi)始緩慢下滑。平臺(tái)的平坦程度說(shuō)明這個(gè)數(shù)據(jù)集類(lèi)別邊界很干凈實(shí)際上K取3到15結(jié)果都差不多在0.95以上。這時(shí)候真正的決策依據(jù)不是哪個(gè)準(zhǔn)確率高0.01而是哪個(gè)更穩(wěn)——我一般會(huì)選平臺(tái)區(qū)中間偏小的值兼顧穩(wěn)定性和局部性。2.2 距離度量不是只有歐氏距離默認(rèn)的歐氏距離是L2范數(shù)公式是各維度差值的平方和再開(kāi)根號(hào)。它在特征維度獨(dú)立、量綱統(tǒng)一、分布比較團(tuán)狀的時(shí)候最合適。曼哈頓距離是L1范數(shù)各維度差值絕對(duì)值求和。它對(duì)異常值更不敏感因?yàn)檎`差不被平方放大。如果某一維偶爾出現(xiàn)離譜的值L1會(huì)比L2穩(wěn)。余弦相似度衡量的是方向而不是長(zhǎng)度。文本向量、embedding向量這種長(zhǎng)度不重要、方向才重要的場(chǎng)景必須用余弦。你在高維稀疏向量上算歐氏距離結(jié)果基本被向量模長(zhǎng)主導(dǎo)完全沒(méi)有意義。閔可夫斯基距離是把上面這些統(tǒng)一起來(lái)的通式參數(shù)p決定具體形態(tài)p1是曼哈頓p2是歐氏p→∞是切比雪夫距離取各維度差值的最大值。sklearn里metricminkowski, p2就是歐氏距離。還有幾個(gè)值得知道但少用的馬氏距離考慮了特征之間的協(xié)方差能消除特征相關(guān)性影響但對(duì)小樣本估計(jì)協(xié)方差矩陣不穩(wěn)漢明距離專(zhuān)門(mén)給離散/二值特征用Jaccard用于集合相似度。選距離度量的判斷順序我一般是這樣的特征有明確物理量綱且相互獨(dú)立→歐氏存在離群點(diǎn)或分布偏斜→曼哈頓向量方向比大小重要→余弦特征間強(qiáng)相關(guān)→考慮馬氏或先做PCA去相關(guān)。2.3 投票規(guī)則與距離加權(quán)標(biāo)準(zhǔn)做法是等權(quán)投票K個(gè)鄰居一人一票。但這里有個(gè)隱含問(wèn)題——K5的時(shí)候最近的鄰居距離可能是1.0最遠(yuǎn)的那個(gè)可能是3.0它們的話(huà)語(yǔ)權(quán)完全一樣這顯然不太合理。weightsdistance就是來(lái)解決這個(gè)的每個(gè)鄰居的票權(quán)按距離的倒數(shù)分配。距離越近權(quán)重越大距離趨近于0時(shí)權(quán)重趨于無(wú)窮大。實(shí)現(xiàn)上sklearn用的是1/d而不是嚴(yán)格的1/d2避免數(shù)值爆炸。效果上距離加權(quán)在小K時(shí)通常能提升一點(diǎn)準(zhǔn)確率尤其在類(lèi)別邊界附近但在噪聲多的數(shù)據(jù)上反而可能放大單個(gè)異常點(diǎn)的影響。我的實(shí)測(cè)經(jīng)驗(yàn)是數(shù)據(jù)干凈、邊界清晰比如鳶尾花等權(quán)和距離加權(quán)差別在1個(gè)百分點(diǎn)以?xún)?nèi)數(shù)據(jù)噪聲大、密度不均等權(quán)反而更穩(wěn)?;貧w任務(wù)里KNN就是取鄰居標(biāo)簽的均值或加權(quán)均值邏輯完全對(duì)應(yīng)。分類(lèi)投票、回歸平均這是同一套思想的兩種輸出形式。2.4 維度災(zāi)難KNN在高維空間為什么會(huì)失靈這一條很關(guān)鍵但很多教程一筆帶過(guò)。高維空間里距離這個(gè)概念會(huì)鈍化。設(shè)想在一維區(qū)間[0,1]里隨機(jī)撒點(diǎn)最近鄰的距離大概在1/N量級(jí)在100維的單位超立方體里撒點(diǎn)任意兩點(diǎn)之間的距離會(huì)高度集中在一個(gè)很窄的范圍內(nèi)最近鄰和最遠(yuǎn)鄰的距離比值趨近于1。這意味著什么意味著最近的那個(gè)鄰居并不比隨便挑一個(gè)點(diǎn)近多少KNN的局部性假設(shè)直接崩塌。有個(gè)粗略的經(jīng)驗(yàn)說(shuō)法KNN在維度超過(guò)20左右就要小心了超過(guò)50基本只能靠降維或者換算法。這不是硬閾值跟樣本量有關(guān)——樣本量隨維度指數(shù)增長(zhǎng)才夠用所以維度和樣本量的關(guān)系比單純的維度數(shù)字更重要。對(duì)策很實(shí)在先做特征選擇把明顯無(wú)關(guān)的維度砍掉。用PCA或者別的降維手段壓到低維再跑KNN很多時(shí)候比直接堆全特征效果還好。如果維度確實(shí)高比如embedding檢索不要用暴力搜索改用近似最近鄰HNSW、IVF之類(lèi)的索引結(jié)構(gòu)現(xiàn)代向量檢索基本都是把這個(gè)思路工程化。2.5 特征縮放不做這一步后面全是白干標(biāo)準(zhǔn)化公式很基礎(chǔ)但值得寫(xiě)清楚因?yàn)楹芏嗉?xì)節(jié)在為什么這么算上$$z \frac{x - \mu}{\sigma}$$其中 μ 是訓(xùn)練集上該特征的均值σ 是訓(xùn)練集上該特征的標(biāo)準(zhǔn)差。變換之后每個(gè)特征的均值是0標(biāo)準(zhǔn)差是1。標(biāo)準(zhǔn)化不改變分布形狀只改尺度和位置。這里有兩個(gè)必須記住的操作禁忌計(jì)算 μ 和 σ 只能用訓(xùn)練集然后把這個(gè) μ、σ 應(yīng)用到驗(yàn)證集和測(cè)試集上。如果用全體數(shù)據(jù)算均值和方差再切分測(cè)試集的信息就泄漏進(jìn)訓(xùn)練過(guò)程了評(píng)估結(jié)果會(huì)虛高。正確做法是scaler.fit(X_train)后scaler.transform(X_test)或者用Pipeline把縮放和模型綁在一起。StandardScaler 對(duì)常數(shù)列標(biāo)準(zhǔn)差為0處理時(shí)會(huì)把該列置0不會(huì)報(bào)錯(cuò)但那一維就廢了。如果某個(gè)特征在訓(xùn)練集里只有一個(gè)值請(qǐng)?zhí)崆白R(shí)別出來(lái)刪掉。除了StandardScaler還有幾種常見(jiàn)選擇MinMaxScaler把值壓到[0,1]適合需要固定范圍或者稀疏數(shù)據(jù)RobustScaler用中位數(shù)和四分位距對(duì)離群點(diǎn)更穩(wěn)Normalizer是行歸一化改的是樣本向量的模長(zhǎng)而不是列的分布別和標(biāo)準(zhǔn)化搞混。在鳶尾花上標(biāo)準(zhǔn)化的影響其實(shí)不大因?yàn)樗膫€(gè)特征本來(lái)就在同一量級(jí)厘米歐氏距離不會(huì)嚴(yán)重失衡。但為了養(yǎng)成習(xí)慣也因?yàn)檫@是通用流程的一部分正式代碼里我還是會(huì)加上。這個(gè)習(xí)慣在你自己接手的真實(shí)數(shù)據(jù)上價(jià)值巨大——我踩過(guò)的最隱蔽的一次坑就是一個(gè)以元為單位的價(jià)格特征和一個(gè)以百分比為單位的比率特征混在一起KNN的準(zhǔn)確率一直在60%左右徘徊標(biāo)準(zhǔn)化之后直接跳到88%。3. 鳶尾花數(shù)據(jù)集實(shí)操?gòu)募虞d到評(píng)估的完整流程3.1 加載數(shù)據(jù)與第一輪觀察先用sklearn自帶的版本省去下載和清洗的功夫。import numpy as np import pandas as pd from sklearn.datasets import load_iris iris load_iris() X pd.DataFrame(iris.data, columnsiris.feature_names) y pd.Series(iris.target, nametarget) print(X.shape) # (150, 4) print(y.value_counts()) # 每類(lèi)各50 print(X.describe().round(2))跑出來(lái)你會(huì)看到各特征的范圍花萼長(zhǎng)度4.3到7.9花萼寬度2.0到4.4花瓣長(zhǎng)度1.0到6.9花瓣寬度0.1到2.5。四個(gè)特征量綱一致但分布寬度差了一倍多花瓣寬度的標(biāo)準(zhǔn)差比花萼寬度小不少說(shuō)明花瓣相關(guān)的特征區(qū)分度可能更高。再看一下類(lèi)別分布三個(gè)類(lèi)各50條完全均衡。這一點(diǎn)很重要——均衡數(shù)據(jù)上準(zhǔn)確率這個(gè)指標(biāo)才可信如果是9:1的不均衡數(shù)據(jù)全猜多數(shù)類(lèi)也有90%準(zhǔn)確率那時(shí)候必須看混淆矩陣、看每類(lèi)的precision和recall。還有一個(gè)必做的動(dòng)作看特征之間的相關(guān)性。print(X.corr().round(2))在鳶尾花上花瓣長(zhǎng)度和花瓣寬度的相關(guān)系數(shù)大約0.96花萼長(zhǎng)度和花瓣長(zhǎng)度大約0.87。高度相關(guān)意味著信息冗余對(duì)KNN來(lái)說(shuō)不致命它不像線(xiàn)性回歸那樣有共線(xiàn)性問(wèn)題但確實(shí)意味著你在重復(fù)計(jì)權(quán)同一個(gè)維度。這也是后面能不能做PCA降維的依據(jù)之一。我一般還會(huì)畫(huà)一下散點(diǎn)圖用花瓣長(zhǎng)度和花瓣寬度做二維投影肉眼就能看出三類(lèi)基本是分開(kāi)的其中一類(lèi)setosa和另外兩類(lèi)完全線(xiàn)性可分另外兩類(lèi)之間只有少量交疊。這解釋了為什么這個(gè)數(shù)據(jù)集的準(zhǔn)確率天花板在96%到98%之間——那2%到4%的錯(cuò)誤幾乎全部來(lái)自后兩類(lèi)的邊界樣本無(wú)論你怎么調(diào)K都是這個(gè)數(shù)。3.2 數(shù)據(jù)劃分與標(biāo)準(zhǔn)化的正確姿勢(shì)劃分訓(xùn)練測(cè)試集固定隨機(jī)種子保證可復(fù)現(xiàn)from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test train_test_split( X, y, test_size0.2, random_state42, stratifyy )stratifyy這個(gè)參數(shù)一定要加。它保證訓(xùn)練集和測(cè)試集里的類(lèi)別比例與原數(shù)據(jù)一致。150條數(shù)據(jù)、3個(gè)類(lèi)如果不分層隨機(jī)切出30條測(cè)試集有概率某一類(lèi)只分到6條甚至更少評(píng)估結(jié)果波動(dòng)會(huì)很大。分層之后每類(lèi)在測(cè)試集里穩(wěn)定出現(xiàn)10條。然后是標(biāo)準(zhǔn)化注意順序from sklearn.preprocessing import StandardScaler scaler StandardScaler() X_train_scaled scaler.fit_transform(X_train) # fit和transform都在訓(xùn)練集 X_test_scaled scaler.transform(X_test) # 只用transform這里有個(gè)細(xì)節(jié)fit_transform(X_train)之后scaler.mean_和scaler.scale_就固定了transform(X_test)用的是訓(xùn)練集的統(tǒng)計(jì)量。如果你寫(xiě)成scaler.fit_transform(X_test)那就是徹頭徹尾的數(shù)據(jù)泄漏測(cè)試集的均值方差參與了變換評(píng)估結(jié)果會(huì)偏樂(lè)觀。這個(gè)坑極其常見(jiàn)我在代碼review里見(jiàn)過(guò)不止一次。更穩(wěn)妥的寫(xiě)法是直接用Pipeline把縮放和模型串成一體交叉驗(yàn)證的時(shí)候sklearn會(huì)自動(dòng)保證每一折的縮放只在該折的訓(xùn)練部分?jǐn)M合from sklearn.pipeline import Pipeline from sklearn.neighbors import KNeighborsClassifier pipe Pipeline([ (scaler, StandardScaler()), (knn, KNeighborsClassifier(n_neighbors5)) ])用Pipeline最大的好處不是代碼短是從結(jié)構(gòu)上消滅了忘記順序的可能性。我現(xiàn)在的習(xí)慣是只要涉及任何需要fit的預(yù)處理一律走Pipeline不給自己犯錯(cuò)的機(jī)會(huì)。3.3 建模、預(yù)測(cè)與評(píng)估from sklearn.metrics import accuracy_score, classification_report, confusion_matrix pipe.fit(X_train, y_train) y_pred pipe.predict(X_test) print(f準(zhǔn)確率: {accuracy_score(y_test, y_pred):.4f}) print(confusion_matrix(y_test, y_pred)) print(classification_report(y_test, y_pred, target_namesiris.target_names))默認(rèn)K5跑出來(lái)測(cè)試集準(zhǔn)確率通常在0.93到0.97之間浮動(dòng)取決于random_state。混淆矩陣會(huì)顯示錯(cuò)誤集中在那兩個(gè)容易混的類(lèi)之間。光看一個(gè)測(cè)試集的結(jié)果不夠30條樣本錯(cuò)一條就是3.3個(gè)百分點(diǎn)波動(dòng)太大。養(yǎng)成習(xí)慣用交叉驗(yàn)證from sklearn.model_selection import cross_val_score scores cross_val_score(pipe, X, y, cv5, scoringaccuracy) print(f5折CV: {scores.mean():.4f} ± {scores.std():.4f})5折交叉驗(yàn)證用的是全部150條數(shù)據(jù)每一折都有120條訓(xùn)練、30條驗(yàn)證最后取5次平均。這個(gè)數(shù)字比單次train_test_split穩(wěn)定得多也是我用來(lái)判斷模型好壞的主要依據(jù)。注意這里的cross_val_score傳入的是完整的X和y內(nèi)部會(huì)自己切分——Pipeline保證了每一折的縮放只在訓(xùn)練折上擬合所以沒(méi)有泄漏。還有一個(gè)指標(biāo)值得看一眼predict_proba。proba pipe.predict_proba(X_test[:5]) print(proba.round(3))KNN輸出的概率就是K個(gè)鄰居里各類(lèi)的占比。K5的話(huà)概率只可能是0、0.2、0.4、0.6、0.8、1.0這幾檔粒度非常粗。如果你需要比較細(xì)的概率估計(jì)比如做排序或者閾值調(diào)整KNN不是好選擇它的概率沒(méi)經(jīng)過(guò)校準(zhǔn)??梢杂肅alibratedClassifierCV包一層或者干脆換邏輯回歸。3.4 手寫(xiě)一遍KNN把黑箱拆開(kāi)調(diào)包調(diào)通了不代表懂了。我強(qiáng)烈建議每個(gè)人手寫(xiě)一遍代碼不超過(guò)40行import numpy as np from collections import Counter class SimpleKNN: def __init__(self, k3, p2): self.k k self.p p def fit(self, X, y): self.X_train np.asarray(X, dtypefloat) self.y_train np.asarray(y) return self def _dist(self, a, b): if self.p 1: return np.abs(a - b).sum(axis1) if self.p 2: return np.sqrt(((a - b) ** 2).sum(axis1)) return np.max(np.abs(a - b), axis1) def predict(self, X): X np.asarray(X, dtypefloat) preds [] for x in X: d self._dist(x, self.X_train) idx np.argsort(d)[:self.k] votes Counter(self.y_train[idx]) preds.append(votes.most_common(1)[0][0]) return np.array(preds)寫(xiě)完自己手動(dòng)標(biāo)準(zhǔn)化一下再跑mu, sigma X_train.mean(0), X_train.std(0) Xtr (X_train - mu) / sigma Xte (X_test - mu) / sigma knn SimpleKNN(k5).fit(Xtr.values, y_train.values) pred knn.predict(Xte.values) print((pred y_test.values).mean())結(jié)果應(yīng)該和sklearn基本一致。手寫(xiě)的價(jià)值在于你會(huì)親眼看到預(yù)測(cè)這一步是O(N×D)的計(jì)算N是訓(xùn)練樣本數(shù)D是維度。這解釋了為什么KNN預(yù)測(cè)慢、為什么大數(shù)據(jù)量下必須上索引結(jié)構(gòu)。你也會(huì)看到argsort是整個(gè)流程的瓶頸——實(shí)際上只需要前K個(gè)用argpartition會(huì)快很多工業(yè)實(shí)現(xiàn)里還會(huì)用堆或者樹(shù)結(jié)構(gòu)。順便說(shuō)一個(gè)優(yōu)化點(diǎn)很多人不知道sklearn的KNN可以預(yù)計(jì)算距離矩陣在特征不變、只反復(fù)調(diào)K的場(chǎng)景下能省一半時(shí)間還有一個(gè)更實(shí)用的技巧是設(shè)置algorithmauto之外顯式指定kd_tree或ball_tree在低維中等數(shù)據(jù)量下比暴力搜索快一個(gè)數(shù)量級(jí)。4. 調(diào)參與性能優(yōu)化把準(zhǔn)確率從96%推到98%4.1 用網(wǎng)格搜索找K和權(quán)重手工試K效率太低直接上GridSearchCV。注意要搜的參數(shù)在Pipeline里帶前綴from sklearn.model_selection import GridSearchCV param_grid { knn__n_neighbors: list(range(1, 31, 2)), knn__weights: [uniform, distance], knn__p: [1, 2] } grid GridSearchCV(pipe, param_grid, cv5, scoringaccuracy, n_jobs-1) grid.fit(X, y) print(grid.best_params_) print(f{grid.best_score_:.4f})參數(shù)空間是15×2×260組每組5折一共300次訓(xùn)練加預(yù)測(cè)在鳶尾花這種規(guī)模上幾秒鐘就跑完了。一個(gè)觀察跑完之后你大概率會(huì)發(fā)現(xiàn)最優(yōu)的K落在3到11之間weights是uniform還是distance差距很小p是1還是2差距也很小。這說(shuō)明在這個(gè)數(shù)據(jù)集上這些超參并不敏感。這時(shí)候別再糾結(jié)了挑一個(gè)泛化誤差曲線(xiàn)平臺(tái)區(qū)靠中間的值定下來(lái)把精力放到別的地方去。但有一種情況需要注意GridSearchCV用的是同一份數(shù)據(jù)做交叉驗(yàn)證選參數(shù)然后再用同一個(gè)best_score_報(bào)告結(jié)果這個(gè)數(shù)字會(huì)略微偏樂(lè)觀因?yàn)閰?shù)是在這同一批數(shù)據(jù)上挑出來(lái)的最優(yōu)值。嚴(yán)格的評(píng)估應(yīng)該留一個(gè)從不參與調(diào)參的測(cè)試集最后單獨(dú)跑一次。我一般這么切先分出20%測(cè)試集鎖起來(lái)剩下80%做交叉驗(yàn)證調(diào)參最后用那20%報(bào)最終結(jié)果且只報(bào)一次。4.2 縮放方式對(duì)結(jié)果的對(duì)比實(shí)驗(yàn)這個(gè)實(shí)驗(yàn)值得親手做一遍體會(huì)一下預(yù)處理選擇會(huì)直接影響指標(biāo)。from sklearn.preprocessing import MinMaxScaler, RobustScaler from sklearn.model_selection import cross_val_score for name, sc in [(none, None), (standard, StandardScaler()), (minmax, MinMaxScaler()), (robust, RobustScaler())]: steps [(knn, KNeighborsClassifier(n_neighbors5))] if sc: steps.insert(0, (scaler, sc)) p Pipeline(steps) s cross_val_score(p, X, y, cv5) print(f{name:9s} {s.mean():.4f} ± {s.std():.4f})在鳶尾花上你會(huì)看到不縮放的結(jié)果其實(shí)只差一點(diǎn)點(diǎn)因?yàn)樗膫€(gè)特征量綱本來(lái)就接近。但如果我把花萼寬度乘以100模擬量綱差異不縮放的準(zhǔn)確率會(huì)立刻掉到0.6以下而標(biāo)準(zhǔn)化版本紋絲不動(dòng)。這個(gè)對(duì)比實(shí)驗(yàn)我每次帶人做都會(huì)做沖擊感比講十遍原理都強(qiáng)。順便提一個(gè)邊界情況如果數(shù)據(jù)里有明顯的極端離群點(diǎn)StandardScaler會(huì)被拉偏因?yàn)榫岛蜆?biāo)準(zhǔn)差都受離群值影響這時(shí)候RobustScaler通常更穩(wěn)。判斷方法很簡(jiǎn)單畫(huà)個(gè)箱線(xiàn)圖看看就清楚了。4.3 大數(shù)據(jù)量下的加速思路鳶尾花只有150條談性能優(yōu)化有點(diǎn)奢侈。但既然講到這把思路說(shuō)清楚對(duì)將來(lái)有用。暴力搜索的復(fù)雜度預(yù)測(cè)單個(gè)樣本是O(N×D)N條查詢(xún)就是O(N×M×D)。N到十萬(wàn)級(jí)、D到百級(jí)單次預(yù)測(cè)就要上千萬(wàn)次運(yùn)算這是不可接受的。第一條路是空間索引。KD樹(shù)在低維經(jīng)驗(yàn)上D20能顯著加速本質(zhì)是把空間遞歸二分查詢(xún)時(shí)剪枝掉不可能包含近鄰的分支。Ball Tree對(duì)高維稍好一些用超球體代替超矩形切分。sklearn里algorithm參數(shù)支持這兩種設(shè)置auto會(huì)讓它自動(dòng)選。但注意維度一高這些樹(shù)的剪枝效率急劇下降最后退化成接近暴力搜索。第二條路是近似最近鄰ANN。放棄精確找到最近的K個(gè)轉(zhuǎn)而以很高概率找到足夠近的K個(gè)換來(lái)數(shù)量級(jí)的速度提升。常見(jiàn)思路有基于圖的把樣本連成近鄰圖查詢(xún)時(shí)在圖上貪心游走、基于量化的把向量空間分桶只在附近桶里找、基于哈希的。這些在檢索場(chǎng)景已經(jīng)成為標(biāo)配文本、圖像、向量數(shù)據(jù)庫(kù)底層基本都是這套東西。第三條路是降維。PCA降到幾十維再跑既緩解維度災(zāi)難又直接降低每次距離計(jì)算的成本雙贏。前提是降維后保留的方差足夠一般看累計(jì)解釋方差到95%以上。第四條路是工程手段預(yù)計(jì)算距離矩陣、批量向量化用矩陣運(yùn)算代替循環(huán)、把訓(xùn)練集常駐內(nèi)存避免重復(fù)加載、用更緊湊的數(shù)據(jù)類(lèi)型float32代替float64內(nèi)存減半、速度提升。這些都是實(shí)現(xiàn)層面的小優(yōu)化累加起來(lái)也很可觀。5. 常見(jiàn)問(wèn)題與排查實(shí)錄5.1 準(zhǔn)確率異常低按這個(gè)順序排查我整理了一個(gè)排查順序從最常見(jiàn)的開(kāi)始第一檢查是否做了縮放。這是頭號(hào)原因占比超過(guò)一半。特征量綱差異大而沒(méi)縮放KNN基本等于只在一個(gè)特征上做判斷。第二檢查縮放是不是做在了劃分之前。如果先對(duì)全量數(shù)據(jù)fit_transform再切分雖然準(zhǔn)確率會(huì)虛高而不是變低但另一個(gè)常見(jiàn)錯(cuò)誤是把fit_transform用在了測(cè)試集上這會(huì)導(dǎo)致訓(xùn)練和測(cè)試的變換標(biāo)準(zhǔn)不一致結(jié)果可能變得很奇怪。第三檢查有沒(méi)有把ID、時(shí)間戳之類(lèi)的列喂進(jìn)去。這類(lèi)特征的距離沒(méi)有語(yǔ)義會(huì)嚴(yán)重稀釋真實(shí)特征的作用。特征列一定要手動(dòng)點(diǎn)一遍名。第四檢查類(lèi)別是否極度不平衡。不平衡時(shí)KNN會(huì)傾向于預(yù)測(cè)多數(shù)類(lèi)整體準(zhǔn)確率看起來(lái)還行但少數(shù)類(lèi)的召回率慘不忍睹。這時(shí)候要看每類(lèi)的指標(biāo)并考慮用weightsdistance或者對(duì)多數(shù)類(lèi)下采樣。第五檢查K值是不是太大。K接近樣本數(shù)時(shí)模型退化所有預(yù)測(cè)趨同。第六檢查是否存在重復(fù)樣本或近重復(fù)樣本導(dǎo)致的泄漏。如果同一條數(shù)據(jù)或幾乎相同的樣本同時(shí)出現(xiàn)在訓(xùn)練集和測(cè)試集KNN會(huì)直接背答案準(zhǔn)確率高得離譜。這在做過(guò)數(shù)據(jù)增強(qiáng)或者按時(shí)間切分不當(dāng)?shù)膱?chǎng)景里很常見(jiàn)。5.2 問(wèn)題速查表現(xiàn)象最可能的原因處理方式準(zhǔn)確率明顯低于預(yù)期未做特征縮放加StandardScaler走Pipeline準(zhǔn)確率虛高接近100%數(shù)據(jù)泄漏或重復(fù)樣本檢查切分邏輯去重縮放只在訓(xùn)練集fit訓(xùn)練集100%、測(cè)試集很差K過(guò)小過(guò)擬合增大K用交叉驗(yàn)證選值所有樣本預(yù)測(cè)成同一類(lèi)K過(guò)大或類(lèi)別極不平衡減小K處理不平衡調(diào)參后提升很小超參不敏感或特征信息不足轉(zhuǎn)去做特征工程別死磕超參維度很高時(shí)效果崩塌維度災(zāi)難特征選擇或降維換ANN索引預(yù)測(cè)速度很慢暴力搜索大樣本KD樹(shù)/Ball樹(shù)或近似檢索概率輸出只有幾檔KNN概率粒度等于1/K增大K或用概率校準(zhǔn)5.3 幾個(gè)我踩過(guò)的坑寫(xiě)下來(lái)省你時(shí)間坑一把predict和predict_proba的結(jié)果混用。前者返回類(lèi)別標(biāo)簽后者返回各類(lèi)占比。有次我在做閾值篩選直接把predict的結(jié)果當(dāng)概率去比較大小邏輯全錯(cuò)排查了半天才發(fā)現(xiàn)類(lèi)型不對(duì)??佣雎蕴卣鞯南嚓P(guān)性做特征越多越好的判斷。加了一堆高度相關(guān)的特征KNN的距離計(jì)算里同一個(gè)信息被反復(fù)計(jì)權(quán)效果反而下降。加特征之前先看相關(guān)性矩陣。坑三在時(shí)間序列數(shù)據(jù)上隨機(jī)切分。KNN天然會(huì)把未來(lái)的信息帶到過(guò)去因?yàn)橄嗨频臉颖驹跁r(shí)間上往往相鄰。時(shí)間序列必須按時(shí)間切分否則評(píng)估結(jié)果毫無(wú)意義??铀囊詾閚_neighbors是唯一要調(diào)的。實(shí)際上metric的選擇在文本、embedding類(lèi)任務(wù)上比K的影響大得多很多人壓根沒(méi)試過(guò)換度量??游逶谛颖旧线^(guò)度相信單次評(píng)估結(jié)果。150條數(shù)據(jù)測(cè)試集30條多對(duì)一個(gè)少對(duì)一個(gè)就是3.3個(gè)百分點(diǎn)。一定要用交叉驗(yàn)證并且報(bào)出均值±標(biāo)準(zhǔn)差而不是報(bào)一個(gè)孤零零的數(shù)字。坑六忘記固定隨機(jī)種子。每次跑結(jié)果都不一樣調(diào)試的時(shí)候根本不知道變化是來(lái)自你的改動(dòng)還是來(lái)自切分。random_state是必備參數(shù)不是可選項(xiàng)。我在實(shí)際使用中的一個(gè)體會(huì)是KNN看起來(lái)是最簡(jiǎn)單的算法之一但它對(duì)數(shù)據(jù)質(zhì)量的敏感度在所有常見(jiàn)模型里排前列。線(xiàn)性模型還能靠權(quán)重把噪聲特征壓下去樹(shù)模型還能靠分裂點(diǎn)忽略無(wú)用維度KNN不行——你給它什么特征它就老老實(shí)實(shí)按這些特征算距離一維都不能糊弄。所以用好KNN的關(guān)鍵從來(lái)不在算法本身而在數(shù)據(jù)準(zhǔn)備那幾步特征選得準(zhǔn)不準(zhǔn)、量綱統(tǒng)一了沒(méi)有、有沒(méi)有混進(jìn)偽特征。把這幾步做扎實(shí)KNN在很多中小規(guī)模問(wèn)題上依然是個(gè)又便宜又穩(wěn)的基線(xiàn)值得在項(xiàng)目早期就先跑一遍看看天花板在哪。
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
国产精品A成V人在线播放| 丁香五月激情性色郤| 色五月婷婷亚洲最大| www,超碰| 日韩抽插操逼| 欧美精品久| 97人人搞| 五月丁香啪啪激情| 久婷自拍视频| 99视频内射三四| 天天日夜夜| 色婷婷成人影片| 九九精品9| 99热97| 天堂久久精品| 丁香五月婷婷激情97| 激情五月丁香五月| 日韩色色网| 国产人妻人伦精品一区二区| 99这里有精品| 丁香婷婷久久激情| 色婷婷啪啪啪啪啪啪| 丁香五月天堂| 色五月婷婷久久| 91九色国产熟女| 色五月综合| xxx日本东京热| 亚洲综合网在线| 五月综合激情综合久| 99在线综合视频| 99视频精品| 管管補管管紱| 激情五月婷婷啪啪| 情趣视频66| 丁香五月激情棕合| 99热这里有精品| 丁香六月在线| 久久er免费视频| www...com黄在线观看| 五月婷激情| 免费九九热| 色涩视频久久| av人人干| 婷婷六月色开 | 开心五月丁香啪| 人妖色AV色综合| 99色性爰网络| 色五月婷婷亚洲最大| 激情深爱五月婷婷| 欧美久人人| 狠狠五月天| 天天色色天天| 狠狠干总合| 91色在线 | 日韩| 六月丁香啪啪| 亚洲熟女色| 开心日韩丁香婷婷五月| 婷婷六月综合| 九九久久偷拍| 少妇2做爰HD韩国电影| 51国精产品自偷自偷综合| 激情影院内射| 婷婷精品在线| 九九热在线视频| 伊人天堂婷婷| 99久久婷婷国产综合| 久久免费视频62| 色婷婷电影网| 操人精品| 色欲AVV| 97碰久久| 99热66| 99激情视频热| 五月天婷婷AV| 嫩草视频。| 丁香九月激情| 26UUU精品一区二区| 婷婷五月天直播| 成人AV中文字幕| 亚洲精品第一色色色色色色| 丁香五月性| 天天肏高清在线| 色欲五月婷婷| 五月婷婷co.m| 99色啊| 思思99久久| 欧美久久久中文字幕| A久久| 五月色丁香| 天天操九九插| www.粉嫩av.com| 人人叉久| 特黄三级又爽又粗又大| 丁香五月激情图片婷婷| 一二线视频 另类| 99re视频在线播放| 超碰免费大香蕉| 天天天天天天噜| 婷婷另类开心| 婷婷六月丁香综合| 天天日天天干天天爱| 亚洲激情综| 97涩婷婷婷婷基地| 丁香五月激情啪啪综合| 欧美婷婷色| 丁香婷婷久久| 色九月| 色情综合| 色综合色综合网| 色九月婷婷丁香| 五月停停激情网| 亚洲综合激| 97人人草| 丁香婷婷五月天校园春色| AV无码免费| 日本欧美啪啪| 77777亚洲午夜久久| 射满了还射免费在线观看 -午夜版全集-新视觉影院 | 九九热在线精品视频| 99精品免费视频| 色5月婷婷| 久操操| 激情婷婷久久| 中文字幕AV在线播放| 婷婷综合在线播放| 中文字幕精品在线观看| 久久在线大香蕉| 人妻中文字幕精品| av免费在线网站| 五月激情婷婷偷拍| 九月av在线| 色综合色色色色色色综合| 丁香婷婷狠狠97| 日韩av手机在线观看| 国产肥白大熟妇BBBB视频 | 日本五月天婷婷丁香| 国产高清精品色| 丁香五月在线视频黑人| 色五开心五月五月深深爱| 五月丁六月香av| 婷婷五月天av| 丁香六月色婷婷欧美| 婷婷九月丁香| 婷婷欧美色| 五月天色色激情综合| 婷婷五月在线免费| 亚洲色五月天在线| 日日操日日爽| 天天爽天天摸人妻综合网| 色婷婷五月天视频在线| 色色五月天婷婷丁香| 久热69| 狠狠人妻色综合| 天天射影院| 丁香 久久| 色色色在线观看| 99riAV国产精品视频| 色五月色五天色情网| 色色五月婷| 亚洲午夜av| 四LLL少妇BBBB槡BBBB| 偷偷与邻居做爰完整视频| 精品一二三区久久AAA片| 99热在线观看| 婷婷丁香综合色AV| 九九精品热播| 久久五月天大美女| 中文不卡一二区| 另类综合网| 深爱激情五月婷婷| 综合久| 99这里只有精| 潘金莲AAAAAAAAAA| 大香线蕉伊人| 丁香久久AV| 国在线激情网| www,婷婷五月天,com| 色久激情在线| 五月丁香久人妻中文| 深爱激情五月网| 五月激情影视| 五月婷婷六月激情| 97人人爱人人操| 色综合久| 色播婷婷五月天| 婷香五月激情视频| www.五月婷婷久久.com| 亚洲日本韩国| 五月久久网| 99久久思思| www,五月天激情| 午夜 外网 精品 在线| 米奇影视资源婷婷狠狠色激情欧美五月丁香 | 69午夜成人影片| 99热这里只有精品免费观看| 久久精品五月天| 婷婷色婷婷| 亚洲精品又粗又大又爽A片 | 91 九色 入口| 九九热这里有精品23| 人妻精品久久久久久久| 日亚二欧美| 激情五月天影院| 七月丁香五月婷婷在线| 五月色色网| 91狠狠综合久久久久久| 99这里有精品视频视频| 五月亭亭直播| 97操男人的天堂| 六月婷基地| 色五月婷色彩免播放器| 99热6这里只有精品| www.丁香五月| 久久久久久久久久久-久五月天婷婷| 五月丁香人妻| 国产色婷婷亚洲| 国产欧洲欧洲精品久久| 日本人妻A片成人免费看片| 1024欧美看片| 婷婷在线观看五月天在线视频| 天天日天天干天天插天天射| 久久丁香五月| 婷婷五月色惰| 99re这里只有精品首页| 九九色色网| 日韩艹比| 极品色丁香| 丁香五月婷婷色播艳门照| 久久九九网| 大香焦A∨| 九九人人精品| 欧美日韩aaaa| 超碰久热| 伊人久久大香网| 99视频在线观看视频| 五月天激情啪啪| 99国产精品久久久久久久久久久| 色噜噜狠狠色综合成人99| www.minyis.com【JT】币址百万U预算可预付QQ2101460746 | 亚洲激情精品| 激情小说五月天| 日本97在线| 九九久久五月天综合伊人| 久久久久久综合88| 激情婷婷99| 色久婷婷网| 色五月天丁香婷婷| 五月丁香婷婷伊人日韩| 婷婷六月色丁香视频在线观看| www.狠狠操| 玩熟女五十AV一二三区| 婷婷丁香视频在线观看免费| 婷婷五月天堂| 99热欧美精品| 天天爽夜夜爽夜爽精品| 人妻丰满精品一区二区A片| 综合亚洲AV| 涩涩五| 久大香蕉| 探花搜索结果 - 黄上黄| 森林影视大全,最好看的2019年视频| 成人五月天丁香婷| 99小视频在线观看| 激情五月综合网最新 | 99精品97| 色综合色综合色综合色综合| 丁香五月亚洲综合丝袜| 久久五月网| 亚洲欧洲另类| 婷婷射丁香| 亚洲九九视频| 亚洲视频在线观看区| 丁香五月色综合色播五月| 天天肏夜夜肏| 久久精品五月| 四色五月婷婷在线观看| 黄色AAAA韩国guochansanji | 久久新地此| 人人视频色| 欧美一级色| 成人亚洲精品| 婷婷九月丁香| 欧美 日韩 成人 在线| 九九激情| 色色日本欧美| 播播网色播播| 色播五月综合网| 五月婷视屏在线观看| co超碰在线观看| 日韩五月婷婷| 天天日天天爽| 五月色婷婷在线观看| 国産精品| 99ri在线观看视频| 成人 在线 日韩| 五月天婷婷情色| 五月婷婷丁香网| 99色人| 能看的AV网站| 伊人久久丁香狠狠婷婷综合香蕉| 狠狠操狠狠狠| 日韩人妻白浆视频系列| 99视频在线观看欧| 四川BBB搡BBB搡多人乱亂| 国产乱子轮XXX农村| www。五月天激情| 激情av| AV在线资源| 超碰超碰在线| 99久热在线精品| 九月婷婷久久| 桃色Av色哟哟| 久色| 六月婷婷色五月| 乱岳熟女50岁| 亚洲丁香网| 中文字幕免费高清电视剧| 五月天第四色开心色播| 香蕉久久国产AV一区二区| 欧美日韓成人亚洲精品另类| 久久综合九色综合97婷婷| 激情丁香五月婷| 色色五月婷| 丁香久色| 成人国产欧美大片一区| 快色t v在线入口| 国产女18毛片多18精品| 99热久| 2015WWW永久免费观看播放| 激情五月婷婷五月丁香五月开心五月| 色原狠狠综合| 91久久1118| 99精品在线播放| 丁香五月在线播放| 天插天啪天啪天啪| 操碰99在线视频观看| AV人人操| 五月丁香综合啪啪| 国产精品国产成人国产三级| 色综合色综合网| 99操视频| 丁香五月图片| 色天使久久综合| 色七七色九九| 国产精品日日躁夜夜躁| 久操大香蕉| 丁香五月狠狠综合欧美| 91大神在线免费看视频全集男男一起操| 天天摸天天透天天舔| 在线你懂的亚洲欧| 内射爽无广熟女亚洲| 五月开心婷婷| 亚洲免费电影2| 欧美日韩成人高清在线| 天天做天天爱天天日| 99久视频| 天天日天天爱天天噪| 丁香五月婷婷欧美激情-中文天堂最新版在线观看| 亚洲顶级VA在线观看-高清完整版在线影院观看-S022AV | 99亚洲欧洲| 丁香五月97视频| 久草热视频在线观看| 九九精品热播| 婷婷91| 天天干天天玩天天夜天天射天天操天天日蜜臀少妇 | 九色 在线| 婷婷午夜天| 我爱宗和色| 伊大人久久| 99亚洲天堂| 久久99热这里只频精品6学生| 丁香五月综合图片在线观看| 第四色网婷婷| 激情第四色| 热成人网| 日木狠狠干| 亚洲狠狠爱婷婷| 97干婷婷| 亚洲AAA| 激情五月四色| 国产67194| 丁香五月天婷婷久久| 九九激情视频| 五月天综合网| 91久久电影| 色综久久久| 大香伊人婷婷| 丁香激情五月天| 久久久噜噜噜久久人妻| 丁香花五月天| 国产美女主播vip| 色五月欧美| 国语精品探花| 色九月婷婷| 天堂二区| 人人草人人舔| 五月天婷婷基地| 激情黄色小说色五月| 丁香五月天成人| 大香蕉久久久| 日日舔夜夜操| 五月天婷婷午夜丁香| 中文字幕高清av| 六月丁香激情网| 天天做天天双| 日韩久综合| 99国产精品久久久久久久久久久| 婷婷丁香色五月亚洲| 婷婷五月天淫荡| 日本婷婷在线| 亚洲情a| 女性自慰系列第五页| 成人精品99| 激情丁香五月婷婷| 久久这里只精品66| 五月丁香六月婷综合成人综合| 91在线观看www| 色婷婷色情| 欧美性猛交 XXXX 乱大交| 99在线精品视频| 停停五月天激情网| 激情综合网激情五月丁香五月俺也去| 色婷五月天网站| 婷婷中文字幕| 亚洲 综合中文| 综合久久99| 日本色超碰| 天天爱天天做天天舔| 丁香六月综合激情| 久久图色4| 五月天激情无码专区| 天天日天天舔| 九九综合精品| 九九色热| 青青热久久综合| 99久久综合网| 国产99热在线看| 女人被躁到高潮嗷嗷叫小| 99精品在线观看视频| 五月婷婷在线播放| 天天草天天爱| 五月亭亭开心网| 97婷婷狠狠久久综合9色| 女人被男人吃奶到高潮| www.婷婷五月| 97综合在线| 五月天综合| 丁香五月婷婷六月婷婷| 狠狠精品干练久久久无码中文字幕| 九九精品片一| 亚洲网综合在线| 大地资源色婷婷视频在线| 久久九九99视频| 5月丁香啪啪啪| 天天透天天干| 色播婷婷大香蕉| 日本精品在线噜噜噜| 婷婷久久综合| 欧美va亚洲va在线播放| 69人妻人人澡人人爽久久| 天天爽天天爽| 丁香五月天激情网址| 深爱五月激情五月| 激情综合网亚洲色图| 免费色婷婷| 六月丁香激情网| 五月天激情网址| 91性高潮久久久久久久久| 五月天激情小说婷婷| 亚洲乱码日产精品BD| 婷婷在线免费| 日本色天堂| 婷婷激情四射| 开心色五月天久久久久久久| 激情伊人| AV成人在线网站| 思思久久精品| 丁香九月婷婷| 开心色色五月天综合| 久久五月天综合| 激情综合久久| 色九四色| 91精品久久久久久77777| 一區四區歐美日韓| 中文字幕网站在线观看| 9久久精品| 亚洲国产色色| 婷婷六月色| 中文字幕性爱丰满| 99热这里都是精品| 琪琪色综合网站| 大香蕉啪啪啪| 亚洲字幕AV一区二区三区四区| 亚洲情综合五月天| 玖玖色综合色| 日本欧美999久久久三级片| 99精品网址| 亚洲成人九九九| 色欲久久久久久综合网综合网| 国产婷婷综合| 久热欧美| 亚洲丁香五月综合| 日日操夜夜爽天天天| 色婷丁香五月| 五月开心啪啪| 99久久6| 性日本精品| 色XX综合网| 这里有精品| 久久综合激情| 亚洲综合五月天| 亚洲电影在线观看| 噼里啪啦在线观看免费完整版视频| 开心五月婷婷在线| 婷婷97| 婷婷久久性爱| 丁香五月1页| 婷婷国产日本欧美| 伊人九九68| 99热精品观看| 天天天天色天天天天天干| 91丨九色丨大屁股| 五月天婷婷激情在线色图| 亚洲人妻av伦理| 99碰网站| 99视频网| 99精品无码视频| 激情婷婷九月| 色青青视频| 六月色色婷婷| 久色激情| 777久久综合视频| 九九综合图片网| 成人综合网站| 丁香五月播播| 日日夜夜天天| 丁香六月毛片| 婷婷丁香五月天色播网站| 538任你爽视频不一样的| 日日噜噜夜夜狠狠久久丁香五月| 婷婷五月天成人网| 9精品在线| 99热无码首页| 激情综合另类| 五月丁香网站在线播放| 久久婷婷五月天| 偷拍九九五月丁香婷婷| 有码一区二区三区| 在线18av | 99久久性爱| 丁香婷婷性久久| 亚洲人人操BD| 亚洲男人的天堂婷婷色五月| 亚洲色婷婷婷婷人人爽| www.激情.com.| 色婷婷a| 激情五月天情色| 97在线99| 国产欧美熟妇另类久久久| 欧美在线干| 96丁香六月婷婷蜜桃综合久久| 婷婷综合五月色播| 丁香五月天激情综合网| 美女婷婷六月色| 99re在线观看| 99视频精品| 黄色片精品| 97干在线看| 久久人视频| 影音先锋男人站,影音先锋男人色资源网,影音先锋AV最新资源站,影音先锋AV资源 | 久久性爱视频| 激情四射网| 97久久五月丁香婷婷| www.91热久久| 97超级碰| 亚洲精级| 1024在线视频| 操比激情五月| 综合狠狠干| 六月婷婷色综合| 操丝袜视频影院导航| 久久奄也去色色网站| 婷婷色五月偷拍| 综合亚洲色色| 久久6这里只有精品| 色综合爽| 五月婷婷色男女| 色婷婷五月基地在线| 5月婷婷综合| 丁香婷婷六月婷婷六月婷婷六月婷婷| 丁香五月天色| 丁香伊人激情| 色婷婷丁香中文在线播放| 噜噜噜色噜噜| 五月久久丁香| 久机视频这只有精品| 日日爽日日爽| 激情五月婷婷在线观看| 色婷婷888| 黄色AV日韩| 99A片| 久久久com| 伊人激情AV一区二区三区| 国产精品18久久久| 狠狠精品干练久久久无码中文字幕| 日本黄色三级片内射| 丁香,开心成人,久久| 天天射天天操天天干| 色综啪啪| 超碰在线99热| 99婷婷| 成人色色综合| 甈吧vv| 色情五月停停丁香| 一本色道久久综合狠狠躁小说| h在线看免费版在线看| 久久久久久激情| 99热免费在线| 99国产精品白浆在线观看免费 | 婷婷激情久久| 九九色播五月丁香| 99er这里只有精品| 九九热在这里只有精品| 六月婷婷中文字幕| 国产一级片| 天天爽天天干| 中文字幕丰满乱孑伦无码专区 | www.天天色综合| 久久99最新| 人人做天天爱| 丝袜激情网| 五月丁香六月激情在线| 伊人久久婷婷五月综合97色| 久久午夜丁香| www.粉嫩av.com| 99热草草| 五月久久婷婷丁香| 丁香六月高清视频| 五月天综合在线观看视频| 五月天婷婷色色| 成人综合网站| 一区三区视频有限公司| 99精品视频免费在线播放| 五月婷婷深爱六月| 精品99在线观看| 五月天激情婷婷| 天天肏天天舔AV| 亚洲性爱电影| 丁香五月AV综合激情| 婷婷久久色| 五月婷婷六月激情| 9精品一区| 超碰成人免费| 欧美VA在线观看| 婷久久| 新激情婷婷| 日本性激情色播| 婷婷色色亚洲| 夜夜骑日日夜夜| 鲁鲁色五月| 天天综合亚洲综合| 九九XX视频| 亚洲色亚洲精品| 狠狠爱婷婷五月天| 久久五月天综合| 久久一伦| WWW.桔色成人.COM| 激情综合五| 六月婷婷综合| 综合激情啪啪| 国产午夜精品一区二区三区四区| 日日操,夜夜爽| 国产亚洲99久久精品熟| 99这里只有| WWW·色色色·COM| 91热在线| 九九热视频精品999| 五月婷婷七月丁香| 色性日本| 大香蕉久| 九九热婷婷| 91丨九色丨东北熟女| 久久五月天婷婷| 五月丁香六月激情综合网| 国产精品大香蕉| 这里只有精品视频看看| 婷婷中文综合网| 强伦轩人妻一区二区电影| 色欲久久久久久综合网综合网| 久久综合五月天| 亚洲色综合性| 图片区 小说区 区 亚洲五月 | 日韩在线视频中文字幕| 五月情色天| 男妓跪趴把舌头伸进我的嘴巴| 4399亚洲视频| 香蕉操亚洲| 懂色AⅤ| 天天日天天色| 久久大香蕉同僚| 丁香蜜臀黄色婷婷五月天| 亚洲综合字幕色色| 久久caop| 激情五月久久| 丁香五月香蕉在线| 五月婷婷丁香91| 六月婷婷综合| 天天天久久久| 国产在线网址1| 久艹大香蕉| 丁香五月婷婷性爱| 色播激情| 欧美 日韩 成人在线| av在线超清中文| 久久3级片| 97婷婷丁香| 色99亚洲| 牛牛色av| 亚洲国产精品VA在线看黑人| 亚洲尤物在线| 另类在线观看视频| 欧美在线视频99| 五月天婷婷人妻| 91日日日| 国产毛片欧美毛片久久久| 婷婷五月天激情诱惑| 99视频精品| 综合久久五| 亚洲黄色精品| 激情亚洲色图片丁香综合| 六月激情丁香一道本7777| 开心深爱激情网| 巴基斯坦粉嫩无码视频| 99久在线观看| 成人无码髙潮喷水A片| 婷婷99狠狠| 婷婷五月亚洲激情| 99热日本精品| 婷婷综合网| 欧洲激情精品婷婷| 五月香蕉综合| 99热色婷婷| 国产暴力强伦轩1区二区小说| 久色视频| 六月婷五月丁香| 大香蕉Av在线| A片试看120分钟做受图片| 激情爱爱网站超大免费| 激情婷婷丁香色五月综合| 97色图片中文字幕视频在线观看 | 婷婷五月六月丁香| 五月天俺去也| 五月丁香六月色婷婷综合五月天| 影院久久久| 99熟女| 天天射影院| 一本道综合网| 婷婷永久在线| 色综合9| 在线另类| 久久婷婷五月天激情| 六月婷婷私欲| 久久香蕉网| 日韩成人电影Av| 午夜天堂一区人妻| 久久色婷婷| 婷婷丁香五月高清| 五月丁香天天| 超碰人人超碰| 久久综合香蕉国产国产蜜臀AV| 久久婷婷精品| 淫视馆AV在线| 26uuu青青| 五月天激情小说网| 激情色情五月天| 五月天丁香婷婷社区| 五月激情婷婷在线| 丁香五月在线视频黑人| 99久久精彩视频| 99久久激情视频| 天天干天天干天天干天天干天天干天天 | 婷婷涩涩五月天| 成人看片网站| 婷婷色情 | 久久色情综合免费网站| 五月婷婷啪啪网| 亚洲成人网站在线观看| 99热这里有精品24| 国内久久婷婷| 久草五月婷婷| 九九热10| 婷婷五月五月丁香| 婷婷五月情| 成人丁香五月| 欧美 日韩 人妻 高清 中文| 天天草天天日| 加勒比日本一区二区三区| 丁香色成人| 96人人操人人操人人| 91色综合久久| 超碰在线人人| 五月丁香六月激情狠狠| 国产色视频网站2| 久久综合人妻| 激情网婷婷婷| 7777激情基地| 亚洲激情四射色| 大香蕉中文| www.91久久| 久久这里有精品视频| 五月丁香啪啪啪综合网| 51精品国自产在线| 另类小说色婷婷| 欧美成人无码一区二区三区| www.久久色.com| 五月丁香黄色视频| 九九免费精品| 五月丁香六月激情综合网| 亚洲av综合在线| 玖玖五月丁香| 国产毛片精品一区二区色欲黄A片| www.久热| 丁香五月aV| 91大神操美女| 九月停停| 91精品久久久久久77777| 五月婷婷综合丁香视频| 午夜性爱影视一区77| 99热1| avh片在线观看| 色婷婷六月| 色五月激情五月开心五月| 97干婷婷五月天| 另类视频综合| 六月丁香成人| 日韩AV中文在线观看| 九九精品热| 99爱视频免费| 涩涩网五月天| 99在线观看亚洲| 日亚二欧美| 伊人大综合| 久久久久9| 久久超视频| 涩涩涩.com| 久久亚洲色导航| 国产在线黄色| 伊人久热91| 666555。COm毛片| 精品人妻久久久久久| 五月天婷婷激情| 久久aaaa片一区二区| peg 2区三区四区的| 婷婷九九| 99热狠狠操| 美女视频图片久久91| 亚洲亚洲人成综合网络| 亚洲天天操| 久99综合婷婷| 激情综合激情综合| 思思热久久久在线| 午夜青草资源| 欧日美女Va| 色99视频| 美欧日韩国产成人在战| 九九中文字幕九| 超碰在线免费观看3 9| 亚洲V国产V欧美V久久久久久| 婷婷五月天精品| 色哟哟精品| 99热资源在线| 久99久视频免费观看| 久久久婷婷色五月资源网| 99精品丁香五月| 蜜臀AV在线观看| 久久99综合| 亚洲最大视频| 狠狠做深爱婷婷久久综合一区| 26uuu精品一区二区| 丁香五月在线观看| 五月婷婷中文| 九九色综合九九色| 久久久精品色色色| 这里只有精品免费视频在线观看| 丁香六月毛片| 丁香五月综合在线| 婷婷久久国产视频| 好好日激情五月天| 色综合天天网| 五月婷婷久久综合| 天天人人天天爽| 九月婷婷综合八月丁香在线观看| 五月天第四色开心色播| Xx色综合| 亭亭丁香久久五月| 久久一热免费视频| 天天做天天双| 色五月婷婷五月久久| 婷婷丁香人妻| 久久精品小视频| 色久免费| 色婷婷丁香五月综合| 天天色域综合网| 婷婷六月久久综合导航| www五月天com| 五月天婷婷丁香导航| 天天爽天天| www.99日本| 激情久久久久久| 爱射综合| 99免费视频| 欧美成人精品A片免费一区99| 69精品人人人人| 密着浓厚中出乚交尾GvG935| 色九四色| 在线综合91| 99色在线观看视频| 欧洲亚洲免费视频9| 久久久久久欧美精品se一二三四| 99,色| 五月婷婷内射网| 色综合久久天天综合网| 激情五月少妇| 五月天激情视频| 久久永久视频| 五月婷婷六月激情| 亚洲精品久久久久久久久久飞鱼| 91妻人人爽人人看片| 热99.com婷婷| 欧美激情中文字幕| 六月丁香啪啪| 天天色综合色| 激情五月色综合| 午夜婷婷久久| 开心激情综合| 一起草AV入口| 97操在线资源| 日韩啪| 丁香五月 综合| 婷婷五月天亚洲图片| 国产成人99久久亚洲综合精品| 九九色婷婷| 熟女国产在线一区二区三区四区| 电影蜘蛛女| 五月天婷婷色小说| 这里只有精品9| 激情图片婷婷丁香五月| 色99视频| 久久婷婷五月天丁香| 五月激情婷婷国产精品久久久久久| 中文字幕av在线| 99re在线观看视频| 思思热精品在线观看| 五月天激情久久| 婷婷爱五月| 久久九九99.www| 五月情涩综合婷婷| 99热这里只有精品国产免费| 外国碰视频网站97| 五月婷婷亚洲综合在线 | 啪啪一区| 丁香五月激情综合婷综| 午夜激情五月| 国产毛片精品一区二区色欲黄A片| 国产成人高清| 99热这里有精力| 91夫妻视频| 欧美成人无码高清一区二区三区| 91AV婷婷| 99色在线视频| 五月婷婷之综合激情在线| 91狠狠综合久久久| 精久久色| 婷婷色网站| 五月婷婷影视| 丁香五月中文字幕| 丁香五月综合在线播放| 超碰91人人操| 狠狠色综合五月人人| 亭亭色网| 开心色播色五月婷婷| 六月丁香av| 久久婷婷五月丁香蜜桃网| 在线观看中文字幕亚洲| 一级A片天天操夜夜操| 九九热中文| 5月丁香美女影院| 久久精品婷婷| 五月天狠狠草| 天天做天天爱| 超碰成人AV| 九九色色| 激情久久久| 久久免费9| 久久五月激情综合| 色综合五月天| 综合久久综合| 综合狠久久| 丁香婷婷久久| 五月婷婷啪| 伊人91| 91久久综合亚洲噜噜成人在线| WWW、日本色丁香、co m| www.maotanji.com| 人妻丰满精品一区二区A片| 五月丁香激情啪啪| 五月婷亚洲精品AV天堂| 在线网黄| 激情综合无码| 97色婷婷五月天| 夜夜大香蕉婷婷丁香| 91精品又长又大又粗又爽又猛| 色五月AV| 国产综合81p| 色五月涩涩婷婷| 激情久久丁香| 天天人人人人人人人人人人人| 色综合久久88| 97色色综合| 亚洲无码11| 秋霞A V毛片| 在线成人网站| 色色色成人网| 在线视频色五月| 亚洲激情在线| 五月天婷婷自拍图片在线观看| 五月激情综合网| 五月天成人伊人| 欧美色男人网站| 国产在线另类五月婷婷| 超碰色碰碰| 色五月婷婷色五月| 久久精品女人天堂AAA| 99热官网| 久久草中文日韩欧美| 97人人干人人操| 丁香六月激| 99热综合| 五月丁香六月激情综合在线| 久热re视频在线观看网站| 丁香五月另类小说| 99超碰人人| www.91操| 激情五月天婷婷免费观看| 色婷婷亚洲婷婷| 亚洲av另类在线观看| 免费久久这里只有精品99| 色五月首页| 热九九精品| 天堂A∨在线| 99干日本| www.婷婷,com| 色五月天丁香婷婷色| 丁香婷婷五月基地| 成人五月天综合网| 欧爱综合视频| 国外亚洲成AV人片在线观看| 亚洲激情淫网| 亚洲综合成人网| 激情五月天婷婷直播| 五月色网| 99色中文| 欧美综合123区| 久久婷婷丁香| 99毛片| 成人综合AV| 日本婷久久| 色婷婷88| 久久在这里99| PORNY九色9l自拍视频成人| 操人久久| 九九色色色| 五月丁香色婷婷色| 99亚洲视频| 五月婷婷日| 色v综合网| 婷婷久久五月丁香| 日韩影院三级| 狠狠色色| 99色色爰| 婷婷在线视频| 久久精品国产色| 国产午夜成人AV在线播放| 另类图片 五月激情| 无码人妻丰满熟妇奶水区码| 在线综合婷婷| 久草婷婷网| 五月久久丁香| 97人人操人人操人人操人人| 欧美婷婷成人| 激情视频91| 久久9精品| 久热这里只精品| 91色久| 五丁香激情综合| 欧美综合激情| 九九热国产| 婷婷六月综合基地| 久久色天堂| 丁香五月亚洲激情婷婷射| 99热9| 日本熟妇人妻在线| 五月婷婷黄网站大全| 天天操人人干| 五月婷婷深深爱| 五月天婷婷色色| 亚洲成人色五月天| 99国产精品久久久久久久久久久| 激情婷婷丁香色五月| WWW.五月com| 色五月欧美| 在线色色| 激情五月天网站| 操一操| 日韩高清久久| 热久久99热欧美国产亚洲| 小视频aaa久久久| av网站不卡在线| 五月花综合视频| 日韩av在线免费观看| 五月婷六月| 婷婷六月插屄激情| 久草婷婷视频| 五月婷婷六月丁香综合| 欧洲激情网站| 综合久久十三| 日本在线va| 少妇被躁爽到高潮无码文| 婷婷丁香激情五月天色色| 婷婷五月综合色中文字幕| 97久久久| 亚洲无码成人性爰网| 九月婷婷人人操人人舔人人爱| 五月久久婷婷天堂视频| 婷婷五月四狠狠| 色婷婷很很十八禁| 久久久久久97| 狠狠干天天内射| 婷婷五月丁香四射| 婷婷综合精品| 深爱激情AV| 五月天婷婷涩涩| 亚洲综合色色色| 深爱激情五月天婷婷网| 九九性爱网| 超碰成人免费| 婷婷五月天中文字幕| 中文字幕AV在线播放| 麻豆AV一区二区三区| 狠狠色噜噜狠狠狠888| 五月天婷婷激情网| 思思热在线观看| 婷婷伊人网| 激情com| 欧美亚洲成人在线| 免费观看欧美成人AA片爱我多深| 久久伦乱| 五月婷婷六月丁香在线视频| 97色色色视屏| 99热主页日本| 综合 蜜月 婷婷| 97热91| 婷婷深爱五月| 人妻aV在线| 亚洲激情.com| 丁香亚洲婷婷五月| 五月丁香婷婷爱激情综合网| 91porn一起草| 久久婷婷桃花五月天| 中国丰满熟女A片免费观| 色啪影院| 开心五月激情网| 婷婷丁香综合成人| 五月丁香va| 婷婷五月天成人网| 超碰不卡在线| 五月婷婷性爱视频| 色亭亭影园| 久久久天堂国产精品女人| 色播五月丁香| 丁香九月综合激情| 5月丁香啪啪啪| 久久丁香五月婷婷| 成人久久天天x资源站| 色一情一乱一乱一区91Av| 婷婷欧美激情综合| 亚洲国产网站| 久久久婷丁香五月| 嫩草AV久久伊人妇女超级A| 九九热这里只有精品6| 九九色人| 99热亚洲精品| 五月婷婷丁香五月 | 2015WWW永久免费观看播放| 91/九色黑人| 99色热综合| 97亚洲视频在线| 中文字幕日产A片在线看| 99热精品在线| 天天婷婷综合亚洲亚洲| 黄色片区子| 五月丁香激情综合啪啪| 99亚洲视频| 五月天婷婷综合免费| 婷婷六月情| 天天夜夜爽| 丁香婷婷十月| 丁香激情婷婷网| 色性日本| 亚洲久久婷婷| 开心五月综合激情综合五月| 丁香五月宝贝激情网| 色婷婷成人在线| 五月色情婷婷开心五月色情| 五月丁了香蕉综合| 五月丁香久久网| 丁香六月婷婷开心| 免费国产VA国产免费| 久思思热视频在线观看| 五月开心婷婷极品激情| 丁香综合婷婷开心激情网| 婷婷性爱| 人人草公开操| 丁香六月婷婷综合激情欧美| 色色综合无码| 激情五月丁香婷婷夜夜操| 激情五月天久久丁香| 丁香五月婷婷深五月| 色五月天天在线观看资源站| 婷婷五月天成人娱乐| 色五月丁香总合网| 色久婷婷网| 九九一综合精品| 久久久精久人妻| 亚洲人妻五月丁香婷婷| 国产玖玖资源| 第四色五月天| 色五月五月天色婷婷色五月| 99re热在线视频观看| 99热综合网| 色色色色综合网| 深爱五月激情| 67194国产| 一本色道久久88加勒比| www.91热久久| jiuse91在线| 天堂综合久久| 色综合久久44| 99免费视频久久| www,欧美干干干干干干| 天天情色五月天| 五月天涩涩| 六月婷婷视频| 婷婷久久网| 色999亚洲人成色| 日本女色人人| 亚洲国产黄色电影| www.婷婷,com| 婷婷五月激情网| 亚洲成人色五月婷婷综合| 六月色色婷婷| 九九热视频精品| 婷婷五月丁香91| 色99网站| 江苏少妇性BBB搡BBB爽爽爽| 国产女生爱爱AA|