a4646642的博客

原创 freesgpt.cn数学建模研究生比赛航班问题！

航班 数学建模 问题 研究生数学建模 华为杯

原创 2022年数据分析决赛试题简要分析

2022年年底数据分析竞赛决赛

原创 参与国赛数学建模大赛能获奖给大家的建议

备战数学建模建议

原创 `web3d模型线上展厅（一）

线上研究3D模型。快速真实搭建元宇宙世界。

原创 人工智能的入门

人工智能入门学习

原创 如何让机器理解1+1为什么等于2？

课题： 探索人工智能的研究方向问题描述： 设置九个按钮，仅仅按钮1可以不给机器处罚，其他按钮都会触发惩罚，机器监听到惩罚后通过写入记忆规避掉错误历史动作，最终通过不断试错，让机器学会按下正确按钮。代码环境： python虚拟场景： 灯源，开关，机器类最优目标： 害怕度越小越好训练状态： 无监督（仅仅给惩罚项）测试方法： 随机概率法结果： 机器学习过程存储记忆教训，最终在记忆库中选择可行解。大约十次之后可以得到正确记忆。import randomimport csvimport pand

原创 flask数据路由-pymysql返回json数据实现前后端分离

app.pyfrom flask import Flask,request,render_template,Responseimport pymysqlfrom flask import jsonifyapp=Flask(__name__)@app.route('/login',methods=['POST','GET'])def login(): name=request.form.get('name') mydb=pymysql.Connect(host='xxxx',por

原创 python回溯

# -*- coding: utf-8 -*-"""Spyder EditorThis is a temporary script file."""bestV=0 #设置最好价值初始值为零curW=0 #设置初始权重为零curV=0 #设置初始权重价值为零bestx=None #设置初始选择为零 def backtrack(i): #定义回溯算法 global bestV,curW,curV,x,bestx #纳入全局变量 if i>=n:

原创 决策树（理论初步）

决策树理论理解：1.什么是决策树？一种基本的分类回归方法，决策树属于分类回归模型的范畴。决策树的三个步骤：特征选择决策树生成决策树修剪（剪枝）决策树示意图决策树目标：分类决策树本质：估计条件的概率模型决策树自我学习的目标： 选择最优决策树决策树学习的测试: 最小化损失函数决策树的特点：优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。缺点：可能会产生过度匹配的问题适用数据类型：数值型和标称型2.信息熵

原创 PCA（主成分分析法）

###主成分分析法### python代码实现import numpy as npimport seaborn as snsimport matplotlib.pyplot as pltfrom sklearn.decomposition import PCAsns.set(style='whitegrid', font='Times New Roman', font_scale=0.4)plt.style.use('seaborn')plt.rcParams['font.sans-ser

原创 线性回归（一）

###线性回归1.什么是线性回归？线性回归是用来确定两种变量之间的依赖关系，表达式为：单变量线性回归：多变量线性回归：多项式回归这里我们在数据集里以波士顿房价作为举例数据集共有506个样本，13个属性2.数据集的导入：做线性回归之前一般先对数据进行导入以及预处理！！！from sklearn.linear_model import LinearRegression #导入线性回归"""导入数据分割"""from sklearn.model_selection

原创 ARMA 时间序列模型

更好的理解协方差以及相关系数###X因素和Y因素协方差公式：自相关系数ACF直观上来说，ACF 描述了一个观测值和另一个观测值之间的自相关，包括直接和间接的相关性信息。其实自相关系数可以这么理解：把一列数据按照滞后数拆成两列数据，在对这两列数据做类似相关系数的操作。这组数据是求滞后数为2的自相关系数，则变成求{x1,x2,…,x8}和{x3,x4,…,x10}两者的“相关系数”，相关系数打引号是因为这个相关系数的公式和以往的有点不一样。下面看一下公式的对比：所以，我们可以

原创 灰色关联分析（一）

灰色关联分析 -（GRA）算法1.灰色关联分析属于评价决策类算法范畴2.灰色关联分析属于多因素统计分析范畴。3.对研究对象的关系不明确，只能通过表面（部分）信息进行推测，这种系统称之为灰色系统。4.研究不同对象某些特征的相似度，关联情况称之为关联分析。算法步骤确定是否研究某因子是否受到系统其他因子影响因子数据的 均值化或者初始化（这里理解为数据预处理，进行无量纲化）。获取研究因子与被研究因子 差值 。定义 关联系数γ ，关联系数用来表示因子间的相关程度。定义分辨系数ρ（一般取0.5），

转载 java基础一

#java基础一：java语言优点：简单性 一切皆对象，所以不需要指针，Java能够自动处理对象以及间接引用，用户不必为存储问题所烦恼，能够花费更多的精力在研发上。 纯面对对象 在一个面对对象的系统中，数据和方法被描述为状态以及行为，每一个对象是其状态以及行为的封装，java程序是用 类来组织的。 编译以及解释性 Java编译生成 字节码文件，程序开发速度快。 稳健性 Java是 强类型语言，做出的产品能够捕捉调用错误，做出的产品更加稳健可靠。安全性 Java没有指针，开发者

原创 第七讲：flask框架

框架目录结构flask的目录包括以上这种框架，所谓static里就是放数据和渲染的文件，比如.csv，.txt，.css，.js，数据以及图片和视频。templates，模板，就是HTML模板，放置HTML的地方。

原创 第五讲：2021年国赛B题-乙醇制备C4烯烃优化方案

2021年国赛B题-乙醇制备C4烯烃原题 第五讲：国赛B题第一小问讲解 2021年国赛B题-乙醇制备C4烯烃数据：数据一：数据二：开始建模观察此题，就是一个统计推断问题，采取回归思想以及方差分析以及差值算法以及相关分析即可解决。           &nbsp

原创 贝叶斯分类器（也叫朴素贝叶斯分类器）2

朴素贝叶斯分类器接上一节，邮件分类中，朴素贝叶斯分类器帮助我们完成了第11份以及第12份邮件的分类。很简单，就是在已知信息里产生这种结果的可能来预测未知的。那么现在我们碰到这种题目呢？Tid有房婚姻状况年收入拖欠贷款1是2否3否3是5否6否7|8|9|否|已婚|75K|否10|否|单身|90K|是...

原创 第四讲：4.1 贝叶斯算法（1）

贝叶斯公式这公式还熟悉吗？对！这就是著名的贝叶斯公式。不熟悉不要紧，我已经准备好给你们简单的推导一下：P(A|B)P(B)=P(B|A)P(A) 还记得条件概率吗？条件概率我就不给讲了，上面是一个条件概率恒等式推导：为什么恒等？左边是B条件下A发生的概率，B发生的概率的乘积对吧，也就是左边是A和B同时发生的概率对吧，这不理解我就没办法了自己想想我说的对不？好嘞，想好了吧，我们看看右边，是A条件下B发生的概率，A发生的概率的乘积对吧，这不也是A和B同时发生的概率吗？所以这个

原创 进程与作业

原创 操作系统概述

原创 python35行代码直接解决topsis模型!

python35行代码直接解决topsis模型摘要（直接上代码结果）原型：摘要（直接上代码结果）代码部分：（解决关于河流的最优问题）import numpy as npx = np.array([[4.69,6.59,51,11.94],[2.03,7.86,19,6.46],[9.11,6.31,46,8.91],[8.61,7.05,46,26.43],[7.13,6.5,50,23.57],[2.39,6.77,38,24.62],[7.69,6.79,38,6.01],[9.3,6.81

原创 php实现对topsis决策分析的 原理初步

php应用于决策分析的原理初步1.PHP的原理实现1.1php的数学原理：1.PHP的原理实现1.1php的数学原理：初步智能以计算机辅助人的日常，首先是时间管理，如何帮助计算机了解一个人一天的各种状态的数据再好不过，这样就是从生理上以及心里了解自己，从而全方面掌握自身情况，减肥体重是一个热点话题，如果智能计算机能够实时监测一个人的各项水平，并且在各方面拟定接下来的计划。体重的实时监测心情的实时监测虚弱与精神的实时监测学习水平的实时监测综合运动量的实时监测日常三餐食物水平各种情况实时监测

原创 如何制作一个层次分析法评价功能的网站第一篇

php语言如何制作一个层次分析法的网站第一篇前端界面实现1.1引出1.2层次分析法1.21什么是层次分析法1.22层次分析法实例1.23层次分析法如何在网站进行实现1.3对用户输入需求分析1.4层次分析法功能对恋爱匹配的实现的划分前端界面实现1.1引出问题提出假如我想去一个城市旅游，但是呢我无法抉择去哪里旅游，我考虑的因素以及权重（也可以不给出权重）有这些：路程 0.1风景 0.3美食 0.3交通 0.3总消耗0.05总共五个因素。我位于江西省九江市，现在我考虑的城

原创 计算机的定义以及发展史

Bootstrap 是全球最受欢迎的前端组件库，用于开发响应式布局、移动设备优先的 WEB 项目。Bootstrap4 目前是 Bootstrap 的最新版本，是一套用于 HTML、CSS 和 JS 开发的开源工具集。利用我们提供的 Sass 变量和大量 mixin、响应式栅格系统、可扩展的预制组件、基于 jQuery 的强大的插件系统，能够快速为你的想法开发出原型或者构建整个 app 。