实训一#1.7F1方程式冠军

【问题描述】

  一级方程式F1锦标赛由一系列称为大奖赛的分站赛组成。每一场比赛的车手都根据他们的最后位置获得积分。只有前10名车手按以下顺序获得分数:25、18、15、12、10、8、6、4、2、1。在锦标赛结束时,得分最多的车手是冠军。如果有平分,则冠军是赢的最多的人(即排位第一)。如果还是平分,则选择得到排位第二最多的人,依此类推,直到没有更多的排位进行比较。

  后来又提出了另一个得分制度,其中冠军是赢的最多的。如果有平手,冠军是得分最多的。如果仍然存在平手,则按原来的得分制度进行,即比较第二、第三、第四、...排位的次数。

  在本赛季,你会得到所有比赛的结果,你将根据两个得分系统来分别确定冠军。数据保证两套系统都能得到唯一的冠军。

【输入形式】

  第一行一个整数t(1<=t<=20),t是分站赛的场次数。之后是每个分站赛的最终排位情况,每个的第一行一个整数n(1<=n<=100)表示排位车手人数,之后n行按排位列出车手的名字,排位从第一到最后,车手的名字为长度不超过50的英文字符,大小写区分。
【输出形式】、

  输出为两行,第一行为按照原始规则确定的冠军,第二行是按照可选规则确定的冠军。

【样例输入】

3
3
apple
banana
pear
2
pear
banana
2
apple
banana

【样例输出】

banana
apple

【样例说明】
【评分标准】

#include<bits/stdc++.h>
using namespace std;
int n;
map<string,int>mp;
int d[]={25,18,15,12,10,8,6,4,2,1};
int b[109],c[109][109],id1[109],id2[109];
string t[109];
bool cmp1(const int&l,const int&r){
	if(b[l]!=b[r])return b[l]>b[r];
	for(int i=0;i<n;++i)if(c[l][i]!=c[r][i])return c[l][i]>c[r][i];
	return 0;
}
bool cmp2(const int&l,const int&r){
	if(c[l][0]!=c[r][0])return c[l][0]>c[r][0];
	if(b[l]!=b[r])return b[l]>b[r];
	for(int i=1;i<n;++i)if(c[l][i]!=c[r][i])return c[l][i]>c[r][i];
	return 0;
}
int main(){
	int T;
	cin>>T;
	for(int o=1;o<=T;++o){
		int k;
		cin>>k;
		for(int i=0;i<k;++i){
			string s;
			cin>>s;
			if(!mp.count(s))mp[s]=++n,t[n]=s;
			int x=mp[s];
			if(i<10)b[x]+=d[i];
			c[x][i]++;
		}
	}
	for(int i=1;i<=n;++i)id1[i]=id2[i]=i;
	sort(id1+1,id1+n+1,cmp1);
	sort(id2+1,id2+n+1,cmp2);
	cout<<t[id1[1]]<<endl<<t[id2[1]]<<endl;
	return 0;
}

  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
在 PyTorch 中,计算 F1 分数通常涉及以下步骤: 1. 首先,需要计算模型的预测结果。这可以通过模型的输出概率分布进行阈值处理,将概率大于某个阈值的类别视为预测结果。 2. 接下来,与真实标签进行比较,计算预测结果的准确性。可以使用 PyTorch 的比较运算符或函数来实现这一步骤。 3. 根据真实标签和预测结果,计算精确率(Precision)和召回率(Recall)。精确率表示预测为正例的样本中真正为正例的比例,召回率表示真正为正例的样本中被正确预测为正例的比例。 4. 使用精确率和召回率计算 F1 分数。F1 分数是精确率和召回率的调和平均值,用于综合评估模型的性能。 下面是一个简单的示例代码,用于计算二分类问题的 F1 分数: ```python import torch def calculate_f1_score(predictions, labels): # 阈值处理 threshold = 0.5 predicted_labels = (predictions > threshold).float() # 计算精确率和召回率 true_positives = (predicted_labels * labels).sum().item() predicted_positives = predicted_labels.sum().item() actual_positives = labels.sum().item() precision = true_positives / (predicted_positives + 1e-7) recall = true_positives / (actual_positives + 1e-7) # 计算 F1 分数 f1_score = 2 * (precision * recall) / (precision + recall + 1e-7) return f1_score # 示例使用 predictions = torch.tensor([0.8, 0.3, 0.6, 0.2]) # 模型的预测结果 labels = torch.tensor([1, 0, 1, 1]) # 真实标签 f1_score = calculate_f1_score(predictions, labels) print(f"F1 score: {f1_score:.4f}") ``` 请注意,这只是一个简单的示例,实际上,你可能需要根据你的具体问题和数据来调整阈值以及计算 F1 分数的方法。

“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