副高相当于副处吗_副高副处

序号

在职

在编

单位

姓名

职称

(档

案)

任职

(专

技)年

参加

工作

(含

调进我

校年月

(档

工龄

校龄

任职

年限

职称

总分

离退

休时

是否

特贴

专家

配偶姓

配偶

所在

工作

住房

情况

配偶

情况

配偶

单位

住房

备注

42

离退

离退

休人

攀启帆

中级

1987.6

1968.

12

1989.3

38.5

9.2

20.0

29.0

96.7

2007.

4

无房

离异

只限于选购旧集资

房腾退房源

43

在职

在编

后勤

许世显

后勤

管理

处房

1994.5

1981.

9

1984.7

31.0

14.0

18.0

29.0

92.0

孙玉清

海口

城西

中学

校内

房改

外单

未购

房\未

领补

只限于选购旧集资

房腾退房源

44

在职

在编

文学

王  京

助理

研究

1999.1

2

1980.

9

1984.8

31.5

14.0

12.5

29.0

87.0

陈华英

海军

91367

部队

校内

房改

外单

未购

房\未

领补

只限于选购旧集资

房腾退房源

45

在职

在编

校办

潘正炯

二级

技师

2006.1

1

1979.

11

1979.1

2

32.5

16.2

5.5

29.0

83.2

校内

房改

离异

只限于选购旧集资

房腾退房源

46

在职

在编

后勤

陈秀义

二级

技师

0

1972.

8

1995.8

40.0

8.5

0.0

29.0

77.5

占海喜

海口

市土

产棉

校外

房改

公司

只限于选购旧集资

房腾退房源

47

在职

在编

后勤

朱世平

幼儿

园高

级教

2000.1

2

1984.

7

2004.6

28.0

4.0

11.5

29.0

72.5

无房

离异

只限于选购旧集资

房腾退房源

48

在职

在编

外语

学院

黄晓翔

讲师

(高

校)

2000.1

2

1990.

9

2002.1

0

22.0

4.7

11.5

29.0

67.2

离异

无房

离异

只限于选购旧集资

房腾退房源

49

在职

在编

文学

舒  骅

讲师

(高

校)

2008.6

1988.

9

2005.7

23.5

3.5

4.0

29.0

60.0

吴雅徽

海口

市担

保投

无房

外单

未购

房\未

领补

只限于选购旧集资

房腾退房源

50

在职

在编

数统

学院

陈志彬

学生

工作

办公

2005.1

2

1994.

9

1998.1

17.5

6.7

6.5

29.0

59.7

詹小葵

海口

旅游

职业

无房

外单

未购

房\未

领补

只限于选购旧集资

房腾退房源

在职

在编

图书

杨  雪

讲师

(高

校)

2006.6

1995.

7

2003.7

17.0

4.5

6.0

29.0

56.5

董海生

海师

大保

卫处

无房

校聘

抽签决定先后顺序

在职

在编

信息

学院

邱春辉

讲师

(高

校)

2006.6

1996.

9

2000.7

15.5

6.0

6.0

29.0

56.5

黄小梅

华南

师大

(学

无房

外单

学生

抽签决定先后顺序

在职

在编

信息

学院

程明雄

讲师

(高

校)

2006.6

1995.

9

2004.6

17.0

4.0

6.0

29.0

56.0

时丽艳

海南

省发

展和

无房

外单

未购

房\未

领补

抽签决定先后顺序

在职

在编

美术

学院

林  茜

讲师

(高

校)

2007.7

1996.

6

2000.7

16.0

6.0

5.0

29.0

56.0

张庭瑞

海南

锐创

科技

无房

公司

未购

房\未

领补

抽签决定先后顺序

海南师范大学第二批次参加集资建房名单及统分情况(表4)

中级正科人员(50名)(排名42-91)

53-

55

51-

52

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
#预测因子(海温) #nino3.4赤道东太平洋(190-220,-5-5) a22=sst_djf.sel(lon=slice(190,220),lat=slice(5,-5)).mean(axis=1).mean(axis=1) a2=(a22-a22.mean())/a22.std() #赤道印度洋(50-80,-5-5) a33=sst_djf.sel(lon=slice(50,100),lat=slice(5,-5)).mean(axis=1).mean(axis=1) a3=(a33-a33.mean())/a33.std() #预测因子(环流场) #南欧(30-40,35-45) b11=hgt_djf.sel(lon=slice(30,40),lat=slice(45,35)).mean(axis=1).mean(axis=1) b1=(b11-b11.mean())/b11.std() #太平洋副高(120-180,-10-10) b22=hgt_djf.sel(lon=slice(120,180),lat=slice(10,-10)).mean(axis=1).mean(axis=1) b2=(b22-b22.mean())/b22.std() #印度洋(60-80,-10-10) b33=hgt_djf.sel(lon=slice(60,80),lat=slice(10,-10)).mean(axis=1).mean(axis=1) b3=(b33-b33.mean())/b33.std() x=np.vstack([(a2,a3,b1,b2,b3)]).T x2=np.vstack([(a2,b1)]).T y=pre_standard #多元线性回归 res=np.linalg.lstsq(x,y,rcond=None) n=res[0] ##各项系数 y_fit=(n.T*x).sum(axis=1) #拟合数据 res2=np.linalg.lstsq(x2,y,rcond=None) n2=res2[0] ##各项系数 y_fit2=(n2.T*x2).sum(axis=1) #拟合数据 #可视化 time=np.arange(1961,2017,1) fig = plt.figure(figsize=[16, 5]) ax = fig.add_subplot() ax.plot(time, y,marker='o', color='gray', markersize=5) ax.plot(time, y_fit,marker='*', color='b', markersize=5) ax.plot(time, y_fit2,marker='^', color='r', markersize=5) ax.set_title('model',fontsize=20,fontweight='bold') ax.set_xlabel('Time') ax.set_ylabel('Pre') plt.legend(['Source data','Fitted1','Fitted2'],frameon=False,loc='best') plt.show()选做剔除一年的交叉检验,独立试报
06-01
好的,我理解你的意思是要对这段代码进行交叉验证和独立测试,以评估模型的性能。交叉验证可以用来评估模型的泛化能力,独立测试可以用来测试模型的预测能力。以下是一个简单的交叉验证和独立测试的示例代码,仅供参考: 交叉验证: ```python from sklearn.model_selection import KFold # 将数据集分成 5 份,进行 5 折交叉验证 kf = KFold(n_splits=5, shuffle=True, random_state=1) # 存储每次交叉验证的评估结果 scores = [] for train_idx, test_idx in kf.split(x): # 划分训练集和验证集 x_train, x_valid = x[train_idx], x[test_idx] y_train, y_valid = y[train_idx], y[test_idx] # 训练模型 res = np.linalg.lstsq(x_train, y_train, rcond=None) n = res[0] # 在验证集上进行预测,计算评估指标 y_pred = (n.T * x_valid).sum(axis=1) score = np.sqrt(((y_pred - y_valid) ** 2).mean()) scores.append(score) # 计算交叉验证的平均评估指标 mean_score = np.mean(scores) print('交叉验证 RMSE:', mean_score) ``` 独立测试: ```python # 划分训练集和测试集 train_size = 0.8 n_samples = x.shape[0] n_train = int(train_size * n_samples) x_train, x_test = x[:n_train], x[n_train:] y_train, y_test = y[:n_train], y[n_train:] # 训练模型 res = np.linalg.lstsq(x_train, y_train, rcond=None) n = res[0] # 在测试集上进行预测,计算评估指标 y_pred = (n.T * x_test).sum(axis=1) test_score = np.sqrt(((y_pred - y_test) ** 2).mean()) print('独立测试 RMSE:', test_score) ``` 需要注意的是,这里使用的是简单的线性回归模型,可能存在欠拟合或过拟合的问题,需要根据实际情况进行调整。另外,数据预处理和特征工程也是影响模型性能的重要因素,需要进行合理的处理。
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