- 博客(14)
- 收藏
- 关注
RSS订阅原创 大型古诗词数据集的分析与管理
数据集路径如下：/data/shixunfiles/54efe04023cbc923b7feabbac5583f90_1607394157288.csv。一、编程前的准备工作。
2024-11-06 11:28:06
655
原创 字体颜色、类型与大小
指定的字体都不可用时，便会使用浏览器的默认字体。在指定不同的字体类型时，通常情况下无法保证你想在你的网页上使用的字体都是可用的。它是一个绝对单位，所以在不同大小设备上，页面上的文本所计算出来的像素值都是一样的。如同印刷世界，网页中的字体类型也是丰富多样的，我们可以使用font-family 属性定义文本的字体系列。文本布局风格：用于设置文本的间距以及其他布局功能的属性，包含设置字与字之间的空间，文本如何对齐等等。字体最直观的属性之一即前景内容的颜色，我们通过 color 属性指定字体的颜色。
2024-11-01 14:32:32
1064
原创 KNN算法
可以看出宅男和文艺青年的比分是 2:2，那么可以尝试将属于宅男的 2 个样本与我的总距离和属于文艺青年的 2 个样本与我的总距离进行比较。可以看出宅男和文艺青年的比分是 2:2，那么可以尝试将属于宅男的 2 个样本与我的总距离和属于文艺青年的 2 个样本与我的总距离进行比较。当我们最近邻数为1时，中间的问号数据点（新数据点）属于红色类，而当最近邻数设为5时，也就是找出离新数据点最近的5个点，我们可以看到离新数据点最近的蓝色有3个点，红色是2个点，那么KNN算法就会把新数据点划分到蓝色类。
2024-10-31 11:34:35
971
原创 头歌实践教学平台python机器学习-决策树
鸢尾花数据集是一类多重变量分析的数据集。通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于(SetosaVirginica)三个种类中的哪一类。sklearn中已经提供了鸢尾花数据集的相关接口，想要使用该数据集可以使用如下代码：#加载鸢尾花数据集#X表示特征，y表示标签。
2024-10-24 11:01:44
1174
原创 HTML——表格专项与综合
这里介绍一个控制表格内文本方向的属性，本来表格有自带的属性align也是控制文本方向的，不过现在浏览器大多不支持，都用 css 的另一个属性text-align来代替。这里先创建一个两行两列的表格。请仔细阅读右侧代码，结合相关知识，在 Begin-End 区域内进行代码补充，完成一个表格的创建任务。请仔细阅读右侧代码，结合相关知识，在 Begin-End 区域内进行代码补充，完成一个表格的创建任务。本关任务：创建一个表格，设置它的宽为100%，高为200px，边框为1px，内容和效果图展示的一样。
2024-10-21 15:11:01
1142
原创 创建 a 标签
请仔细阅读右侧代码，结合相关知识，在 Begin-End 区域内进行代码补充，完成第一个标签img标签， 图片的地址是https://www.educoder.net/attachments/download/ZTZaUEp2Y0ltSElvcnBxelNJTXYyUT09，提示文字是小狗走路的创建任务。请仔细阅读右侧代码，结合相关知识，在 Begin-End 区域内进行代码补充，完成第一个a标签， 跳转的地址是https://www.educoder.net，文本内容是Educoder平台的创建任务。
2024-10-21 14:42:16
230
原创 支持向量机SVM
把每种核函数预测的PE值用字典字段名为{核函数，模型准确率，预测值}，数值为相对应的{kernel,list1,list2}，并把字典转化为数据框。其中核函数可以选择线性核、多项式核、高斯核、sig核，分别用`linear、poly、rbf、sigmoid`表示，默认情况下选择高斯核。其中核函数可以选择线性核、多项式核、高斯核、sig核，分别用linear、poly、rbf、sigmoid表示，默认情况下选择高斯核。根据提示，在右侧编辑器补充代码，构建支持向量机回归模型，输出其拟合优度，预测其PE值。
2024-10-21 14:27:29
837
原创 头歌实验教学平台python与机器学习-聚类
任务1：创建 KMeans 对象，令 n_clusters=2；任务描述：使用Python语言编程，使用 K-Means 聚类算法对 Iris 鸢尾花数据集进行分类，并使用外部指数对聚类结果进行分析。任务3：调用 predict 函数进行预测，预测的数据为 [0,0], [8,2], [10,3]。任务1：创建 KMeans 对象，令 n_clusters=4；任务描述：使用Python语言，对聚类结果进行性能评估。任务3：调用 predict 函数进行预测。任务3：根据公式计算 Rand 指数。
2024-10-17 11:45:37
736
原创 支持向量机模型
C越大，即对分错样本的惩罚程度越大，因此在训练样本中准确率越高，但是泛化能力降低，也就是对测试数据的分类准确率降低。★predict() 方法: 基于以上的训练，对预测样本T进行类别预测，因此只需要接收一个测试集T，该函数返回一个数组表示个测试样本的类别。★fit() 方法：用于训练 SVM，具体参数已经在定义 SVC对象的时候给出了，这时候只需要给出数据集X和X对应的标签y即可。给每个类别分别设置不同的惩罚参数 C，如果没有给，则会给所有类别都给C=1，即前面参数指出的参数 C.
2024-10-16 12:25:24
648
原创 头歌机器学习-支持向量机
本关任务：基于关卡6的数据集，构建支持向量机回归模型，输出其拟合优度，并针对测试数据AT=28.4、V=50.6、AP=1011.9、RH=80.54，预测其PE值。本关任务：基于关卡2基础上，取数据集前600条记录作为训练数据，后90条记录作为测试数据，构建支持向量机模型，输出其模型准确率和预测准确率。#在上一关基础，对经过缺失值填充、数值变量标准化后的数据集，取前600条记录作为训练数据，后90条记录作为测试数据。Y=np.load('Y.npy') #因变量，numpy数组，690个元素。
2024-10-16 11:42:07
644
原创 逻辑回归头歌
第1关：逻辑回归算法详解from sklearn.linear_model import LogisticRegression #导入逻辑回归模型# 导入数据X = X[y!=2] # 筛选数据，只选择标签为0和1y=y[y!=2]# 数据划分X_train,X_test, y_train, y_test = train_test_split(X,y) #75个数据用于训练，25个数据用于# 模型调用# 模型训练# 数据预测。
2024-10-09 11:28:22
1019
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人