Fight_adu-CSDN博客

原创 QTCreater调用MatLab生成的.dll文件

QTCreater调用Matlab生成的.dll文件

2022-07-31 14:07:37 2109 1

原创 CST2020中的后处理选项中没有 S-Parameters(0D)怎么解决

1、 1D Results ->S-Parameters->S1,12、选中要查看的曲线3、右键选择0D from 1D4、弹出的对话框勾选Enable5、点击OK

2022-01-10 20:24:59 2447 3

#分类算法大比拼#-----------------------1、导入数据集-----------------------------#导入数据import pandas as pd#导入数据dataSet=pd.read_csv('../MLinAction_source/Social_Network_Ads.csv')print(dataSet.head())#探索数据print(dataSet.shape)print(dataSet.info())#-----------

2022-01-07 20:50:15 530

原创第五章 Logistic回归--银行营销

#使用逻辑回归实现银行营销#导入数据集，这分割符号为';'#-----------------------------------------1、导入数据集-----------------------------------------------import pandas as pdbankSet=pd.read_csv('../MLinAction_source/bank-full.csv',sep=';')#检查是否有缺失值print(bankSet.isnull().sum())

2022-01-07 19:54:15 1346

原创第五章 Logistic回归--预测病马的死亡率

#使用逻辑回归预测病马的死亡率import numpy as npimport pandas as pd#训练集train=pd.read_table('../MLinAction_source/horseColicTraining.txt',header=None)#测试集test=pd.read_table('../MLinAction_source/horseColicTest.txt',header=None)def sigmoid(inx): s=1/(1+np.exp

2022-01-07 16:24:20 1357

原创第五章 Logistic回归

#Logistic回归#1、--------------------使用BGD(批量梯度下降)求解逻辑回归-----------------#伪代码'''每个回归系数初始化为1重复下面步骤直至收敛: 计算整个数据集的梯度使用alpha*gradient更新回归系数的向量返回回归系数'''#导入数据集import pandas as pdimport numpy as npimport matplotlib.pyplot as pltdataSet=pd.read

2022-01-05 19:13:12 642

原创第四章朴素贝叶斯-Kaggle比赛之“旧金山犯罪分类预测“

#Kaggle比赛之"旧金山犯罪分类预测"#导入相应的包import pandas as pdfrom sklearn.preprocessing import LabelEncoderfrom sklearn.naive_bayes import BernoulliNBfrom sklearn.model_selection import train_test_splitfrom sklearn.metrics import accuracy_scorefrom sklearn.metric

2022-01-01 10:31:56 1485 1

原创第四章朴素贝叶斯-垃圾邮件过滤

#朴素贝叶斯之垃圾邮件过滤import os#----------------------1、获取数据集-----------------------import pandas as pd''' 函数功能:创建实验数据集参数:无参数返回: dataSet:带标签的实验数据集(DF格式)'''def get_dataSet(): ham=[] #ham目录下25个都要读取 ham(非垃圾邮件) for i in range(1,

2021-12-31 20:06:37 994

原创第四章朴素贝叶斯

#朴素贝叶斯#GaussianNB：高斯分布(正态分布)的贝叶斯import pandas as pdfrom sklearn.naive_bayes import GaussianNB #高斯贝叶斯from sklearn.model_selection import train_test_split #切分训练集和测试集from sklearn.metrics import accuracy_score #计算准确度#导入数据集from sklearn import datasets

2021-12-31 17:00:18 508

原创机器学习-python函数(个人记录)

1、reduce() 函数功能: reduce() 函数会对参数序列中元素进行累积语法:reduce(function, iterable[, initializer])参数:function -- 函数，有两个参数 iterable -- 可迭代对象 initializer -- 可选，初始参数from functools import reducesum1 = reduce(lambda x, y: x*y, [1,2,3,4,5]) # 使用 lambda 匿名函数s

2021-12-31 16:00:10 509

原创安装jupyter lab

JupyterLab 3.0安装：1、可以通过pip：pip install jupyterlab==32、或者conda：conda install -c conda-forge jupyterlab=33、安装完成后运行jupyter lab

2021-12-30 11:08:47 2369

原创机器学习-随手记

1、有监督 —随机划分训练集和测试集#划分训练集和测试集'''参数说明:dataSet:输入的数据集rate:训练集所占比例train,test:切分好的训练集和测试集'''def randSplit(dataSet,rate): l=list(dataSet.index) #提取出索引 random.shuffle(l) #随机打乱索引索引后面的值并没有改变 dataSet.index=l #将打乱后的索引重新赋值给原数据集 n=dataSet.shape

2021-12-29 19:50:48 575

原创第三章决策树-隐形眼镜

#第三章决策树from math import logimport operatorimport matplotlib.pyplot as pltplt.rcParams['font.sans-serif']=['SimHei'] #显示中文标签plt.rcParams['axes.unicode_minus']=False #这两行需要手动设置#计算给定数据集的香农熵#H(x)=-∑ p(xi)logp(xi)def calcShannonEnt(dataset):

2021-12-29 10:22:21 201

原创第三章决策树

#第三章决策树from math import log#计算给定数据集的香农熵#H(x)=-∑ p(xi)logp(xi)def calcShannonEnt(dataset): numEntries=len(dataset) labelCounts={} for featVec in dataset: #为所有可能分类创建字典 currentLabel=featVec[-1] if currentLabel not in

2021-12-28 09:52:51 410

原创 pip安装pycocotools

安装pycocotools:Linux:pip install pycocotools;Windows:pip install pycocotools-windows(不需要额外安装vs))

2021-12-06 10:54:39 742

原创第2章 K-近邻算法程序2-1

创建ch2.py#k-近邻算法from numpy import *import operatordef createDataSet(): group=array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]]) labels=['A','A','B','B'] return group,labels创建ch2_1.pyimport operatorfrom numpy import *import ch2group,labels=c

2021-12-04 15:25:42 96

原创 Numpy

import numpy as npnp.__version__运行结果:‘1.20.3’1、Numpy.array1.1 利用Numpy创建一个数组创建一个从0~10的数组nparr=np.array([i for i in range(10)])nparr运行结果:array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]1.2 查看存储类型 dtypenparr.dtype #查看存储类型运行结果:dtype(‘int32’)1.3 创建指

2021-09-30 09:00:45 690

原创 keras-归一化-激活函数-dropout

激活函数:1.softmax函数在多分类中常用的激活函数，是基于逻辑回归的，常用在输出一层，将输出压缩在0~1之间，且保证所有元素和为1，表示输入值属于每个输出值的概率大小2、Sigmoid函数f(x)=11+e−x f(x)= \frac{1}{1+\\{e^{-x}}} f(x)=1+e−x13.tanh函数：公式：tanh（x）4.relu函数公式：f(x)=max(0,x)5.Leaky Relu函数公式：{x,x>=0ex−1,x<0 \begin{cas

2021-09-27 19:00:16 1615

原创 keras_分类模型模型构建与归一化

import matplotlib as mpl #导入具有画图功能的库import matplotlib.pyplot as plt #matplotlib的子类一个有命令风格的函数集合%matplotlib inline import numpy as np #是Python的一种开源的数值计算扩展用于处理矩阵import pandas as pdimport osimport sysimport timeimport sklearnimport tensorflow as tf

2021-09-27 10:25:58 941

原创动态规划(DP)-01背包问题-(百练)1163:The Triangle

描述Figure 1 shows a number triangle. Write a program that calculates the highest sum of numbers passed on a route that starts at the top and ends somewhere on the base. Each step can go either diagonally down to the left or diagonally down to the right.输

2020-06-05 10:51:26 189

原创动态规划(DP)-完全背包问题

完全背包问题:有n种物品,每种物品的单件重量为w[i],价值为c[i]。现有一个容量为V的背包，问如何选取物品放入背包，使得背包内物品的总价值最大。其中每种物品都有无穷件。完全背包问题与01背包问题的区别:完全背包的物品数量每种有无穷件，选取物品时对同一种物品可以选1件、选2件…只要不超过容量V即可，而01背包的物品数量每种只有一件。完全背包问题的每种物品都有两种策略:①不放第i件物品,那么(dp[i][j]=dp[i-1][j])二维数组{二维数组}二维数组 = >(dp[j]=dp[j

2020-06-05 09:34:55 626

原创动态规划(DP)-01背包问题

01背包问题：有n件物品，每件物品的重量为w[j],价值为c[j]。现有一个容量为V的背包,问如何选取物品放入背包,使得背包内物品的总价值最大。其中每种物品都只有一件。先采用暴力枚举解决此问题解题思路:①每一件物品放或者不放进背包(两种选择)②若选择此物品，背包的容量V，和总价值W都要随之变化，返回选与不选的物品中价值最大值，否则，V,W都不需要变化③注意临界条件:选择的物品总体积不可以超过总的体积，注意i的值Code:#include<iostream>#include&lt

2020-06-05 03:11:22 300

原创贪心算法-(百练)1083:Moving Tables

描述The famous ACM (Advanced Computer Maker) Company has rented a floor of a building whose shape is in the following figure.The floor has 200 rooms each on the north side and south side along the corridor. Recently the Company made a plan to reform its s

2020-05-19 16:30:40 495

原创 Dijkstra-旅游规划

有了一张自驾旅游路线图，你会知道城市间的高速公路长度、以及该公路要收取的过路费。现在需要你写一个程序，帮助前来咨询的游客找一条出发地和目的地之间的最短路径。如果有若干条路径都是最短的，那么需要输出最便宜的一条路径。输入格式:输入说明：输入数据的第1行给出4个正整数N、M、S、D，其中N（2≤N≤500）是城市的个数，顺便假设城市的编号为0~(N−1)；M是高速公路的条数；S是出发地的城市编号；D是目的地的城市编号。随后的M行中，每行给出一条高速公路的信息，分别是：城市1、城市2、高速公路长度、收费额，中

2020-05-18 19:54:11 368

空空如也

空空如也