python实现投票问题。

新学年开始﹐小羊所在的班级要重新选举新一届的班长。为保证公平公正,选举采用无记名投票的方式,每名同学依次在选票上写上自己支持的候选人姓名。通过唱票﹐得票最高的候选人当选为新一届的班长。(题目数据保证仅有一人获得最高票)。
在这里插入图片描述

在这里插入图片描述

count = int(input())

all_name_tic = {}
for i in range(count):
    name = input()
    if name not in all_name_tic:
        all_name_tic[name] = 1
    else:
        all_name_tic[name] = all_name_tic[name] + 1

names = list(all_name_tic.keys())
tics = list(all_name_tic.values())

top_tic_index = tics.index(max(tics))
print(names[top_tic_index])
print(all_name_tic[names[top_tic_index]])
  • 0
    点赞
  • 16
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
投票式的集成模型可以通过将多个单一模型的预测结果进行投票来得出最终的预测结果。在Python中,可以使用sklearn库中的VotingClassifier类来实现。 首先,需要导入需要使用的库和数据集: ```python from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier from sklearn.linear_model import LogisticRegression from sklearn.ensemble import VotingClassifier from sklearn.metrics import accuracy_score iris = load_iris() X = iris.data y = iris.target X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) ``` 接下来,定义三个单一模型:决策树模型、逻辑回归模型和KNN模型,并将它们组合成一个投票式的集成模型: ```python tree_clf = DecisionTreeClassifier(max_depth=3, random_state=42) log_clf = LogisticRegression(random_state=42) knn_clf = KNeighborsClassifier(n_neighbors=4) voting_clf = VotingClassifier( estimators=[('tree', tree_clf), ('log', log_clf), ('knn', knn_clf)], voting='hard' ) ``` 其中,estimators参数是一个列表,每个元素是一个元组,包含了模型的名称和对应的模型对象。voting参数表示投票的方式,可以选择‘hard’(硬投票)或‘soft’(软投票)。硬投票是指将每个模型的预测结果进行简单的取模,得票最多的类别为最终预测结果;软投票是指将每个模型的预测概率进行加权平均,概率最高的类别为最终预测结果。 最后,使用训练集对投票式的集成模型进行训练,并使用测试集评估模型的性能: ```python voting_clf.fit(X_train, y_train) y_pred = voting_clf.predict(X_test) print('Accuracy:', accuracy_score(y_test, y_pred)) ``` 完整代码如下: ```python from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split from sklearn.tree import DecisionTreeClassifier from sklearn.linear_model import LogisticRegression from sklearn.ensemble import VotingClassifier from sklearn.metrics import accuracy_score iris = load_iris() X = iris.data y = iris.target X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) tree_clf = DecisionTreeClassifier(max_depth=3, random_state=42) log_clf = LogisticRegression(random_state=42) knn_clf = KNeighborsClassifier(n_neighbors=4) voting_clf = VotingClassifier( estimators=[('tree', tree_clf), ('log', log_clf), ('knn', knn_clf)], voting='hard' ) voting_clf.fit(X_train, y_train) y_pred = voting_clf.predict(X_test) print('Accuracy:', accuracy_score(y_test, y_pred)) ```

“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
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