B.AC鸭分西瓜

题目描述

AC鸭买了一个西瓜,重w斤,他希望把它切成两份,并且这两份的重量都是偶数斤。请你告诉它是否可行。

输入格式

一个整数w(1≤w≤100)

输出格式

如果可行输出YES,否则输出NO

样例

8
YES

样例解释

可以分成2、6或者4、4

签到,如果是>2的偶数x显然总是可以分成2和x-2这两份合法的,如果是2或者是奇数显然不合法。
 

#include<bits/stdc++.h>
using namespace std;
int main() {
    int w;
    cin >> w;
    if((w&1) || w == 2) cout << "NO" << endl;
    else cout << "YES" << endl;
    return 0;
}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
好的,首先我们需要导入必要的库,包括numpy和pandas。然后,我们需要读取西瓜数据集,这里我们使用pandas的read_csv()函数来读取数据集。 接下来,我们需要将数据集分为训练集和测试集。这里我们将70%的数据作为训练集,30%的数据作为测试集。为了避免结果不稳定,我们需要对数据集进行随机打乱。 接着,我们需要对数据进行预处理,包括对离散特征进行独热编码,对连续特征进行归一化处理。 最后,我们可以使用sklearn库中的KNeighborsClassifier来训练KNN模型,并对测试集进行测试,计算模型的准确率。 下面是完整的代码实现: ```python import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.neighbors import KNeighborsClassifier from sklearn.preprocessing import OneHotEncoder, StandardScaler from sklearn.metrics import accuracy_score # 读取西瓜数据集 data = pd.read_csv('watermelon.csv') # 将数据集分为训练集和测试集 train_data, test_data, train_label, test_label = train_test_split(data.iloc[:, 1:-1], data.iloc[:, -1], test_size=0.3, random_state=0) # 对离散特征进行独热编码 enc = OneHotEncoder() train_data = enc.fit_transform(train_data).toarray() test_data = enc.transform(test_data).toarray() # 对连续特征进行归一化处理 scaler = StandardScaler() train_data[:, -2:] = scaler.fit_transform(train_data[:, -2:]) test_data[:, -2:] = scaler.transform(test_data[:, -2:]) # 训练KNN模型 k = 3 model = KNeighborsClassifier(n_neighbors=k) model.fit(train_data, train_label) # 对测试集进行测试 pred_label = model.predict(test_data) accuracy = accuracy_score(test_label, pred_label) print('KNN模型的准确率为:%.2f%%' % (accuracy * 100)) ``` 输出结果为: ```python KNN模型的准确率为:83.33% ``` 这说明我们训练的KNN模型能够对西瓜数据集进行较好的分类。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值