逻辑练习——01

今天我朋友给我出了一道逻辑题,觉得挺好玩的就想分享一下。其实常常做这种逻辑可以很好的锻炼我们的编程逻辑。

题://A、B、C、D、E五人在某天夜里合伙去捕鱼
        // ,到第二天凌晨时都疲惫不堪,于是各自找地方睡觉。
        // 日上三杆,A第一个醒来,他将鱼分为五份,把多余的一条鱼扔掉,
        // 拿走自己的一份。B第二个醒来,也将鱼分为五份,把多余的一条鱼扔掉拿走自己的一份。
        // C、D、E依次醒来,也按同样的方法拿鱼。问他们台伙至少捕了多少条鱼?
        // 以及每个人醒来时见到了多少鱼?

public static void main(String[] args) {
		System.out.println("请输入;");
		Scanner x=new Scanner(System.in);
		int a=x.nextInt();
		
		for (int i = 1; i <=5; i++) {
			System.out.println("第"+i+"人"+a);
			if(a%5==1){
			    int d=a%5;//扔掉的
			    a-=d;
            }
			a*=0.8;//拿走剩下的
		}
	}

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
本次逻辑回归实战练习我们将使用一个经典的数据集——“学生录取数据集”。 该数据集包含三个特征变量:考试1成绩、考试2成绩、录取结果(0表示未被录取,1表示被录取)。 我们的目标是构建一个逻辑回归模型,根据学生的两次考试成绩预测学生是否会被录取。 步骤1:导入必要的库和数据集 我们需要导入以下库: - pandas:用于数据加载和处理 - numpy:用于矩阵计算 - matplotlib:用于绘制数据可视化图表 - sklearn:用于构建逻辑回归模型和评估模型性能 ``` import pandas as pd import numpy as np import matplotlib.pyplot as plt from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report ``` 接着,我们加载数据集: ``` data = pd.read_csv('https://raw.githubusercontent.com/cryad/Logistic_Regression/master/exam_scores.csv') ``` 步骤2:数据探索和可视化 我们将使用pandas和matplotlib库对数据集进行探索和可视化,以便更好地理解数据和评估建模可行性。 首先,我们可以使用head()方法查看数据集中的前几行: ``` data.head() ``` 输出结果: ``` exam1 score exam2 score admitted 0 34.623660 78.024693 0 1 30.286711 43.894998 0 2 35.847409 72.902198 0 3 60.182599 86.308552 1 4 79.032736 75.344376 1 ``` 接着,我们绘制一个散点图,将考试1成绩和考试2成绩作为横纵坐标,录取结果用颜色进行区分: ``` plt.scatter(data['exam1 score'], data['exam2 score'], c=data['admitted']) plt.xlabel('Exam 1 Score') plt.ylabel('Exam 2 Score') plt.show() ``` 输出结果: ![img](https://cdn.jsdelivr.net/gh/cryad/Logistic_Regression/images/exam_scores.png) 可以看到,蓝色点表示未被录取的学生,而绿色点表示被录取的学生。我们可以发现,在考试1和考试2成绩都高于一定水平的情况下,学生被录取的概率较大,这也与我们的人生经验相符。 步骤3:数据预处理 在建模之前,我们需要将数据集分为训练集和测试集,并将特征变量和目标变量分开,并进行一些必要的数据处理。 我们将使用train_test_split()方法将数据集分为70%的训练集和30%的测试集: ``` X_train, X_test, y_train, y_test = train_test_split(data[['exam1 score', 'exam2 score']], data['admitted'], test_size=0.3, random_state=42) ``` 接着,我们需要对特征变量进行标准化处理,以确保每个特征变量的重要性对模型一样,避免因为某个特征值过大而导致模型过于关注这个特征变量。我们可以使用sklearn的StandardScaler()方法对数据进行标准化处理: ``` from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_train_scaled = scaler.fit_transform(X_train) X_test_scaled = scaler.transform(X_test) ``` 步骤4:建立并训练模型 有了标准化的特征变量和目标变量,我们可以开始建立逻辑回归模型了。 在scikit-learn中,建立逻辑回归模型非常简单,只需要在构造函数中指定参数即可: ``` model = LogisticRegression() ``` 接着,我们使用fit()方法训练模型: ``` model.fit(X_train_scaled, y_train) ``` 步骤5:模型评估和预测 模型训练完成后,我们需要对模型进行评估,以了解模型在不同情况下的预测性能。 我们可以使用predict()方法进行预测,然后使用classification_report()方法生成预测性能报告: ``` y_pred = model.predict(X_test_scaled) print(classification_report(y_test, y_pred)) ``` 输出结果: ``` precision recall f1-score support 0 0.82 0.94 0.88 18 1 0.93 0.78 0.85 17 micro avg 0.87 0.87 0.87 35 macro avg 0.87 0.86 0.87 35 weighted avg 0.87 0.87 0.87 35 ``` 我们可以看到,在测试集中,模型的整体准确率为0.87,这是一个很不错的性能。 最后,我们可以使用前面绘制散点图的方法,绘制模型在训练集和测试集上的预测结果: ``` plt.scatter(X_train['exam1 score'], X_train['exam2 score'], c=y_train) plt.xlabel('Exam 1 Score') plt.ylabel('Exam 2 Score') plt.title('Training Set') plt.show() plt.scatter(X_test['exam1 score'], X_test['exam2 score'], c=y_pred) plt.xlabel('Exam 1 Score') plt.ylabel('Exam 2 Score') plt.title('Test Set') plt.show() ``` 输出结果: ![img](https://cdn.jsdelivr.net/gh/cryad/Logistic_Regression/images/training_set.png) ![img](https://cdn.jsdelivr.net/gh/cryad/Logistic_Regression/images/test_set.png) 我们可以看到,模型正确地识别了训练集和测试集中的大多数数据点,但是在测试集中仍然有一些点被错误地标记。这表明模型还有进一步的优化空间,可以通过调整模型超参数和特征选择等方法来提高模型性能。
评论
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