Python机器学习与数学建模
文章平均质量分 59
建模中常用的模型和机器学习算法
Cabbage coder
我爱java
展开
-
tf神经网络模型预测泰坦尼克号生还
前言:数据集找我import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport tensorflow as tftrain_data = pd.read_csv("./datasets/train.csv")train_data.head(10)test_data = pd.read_csv("./datasets/test.csv")test_data.head(10)Y_train = train_原创 2021-11-12 15:29:54 · 1148 阅读 · 0 评论 -
遗传算法解决车辆调度问题
前言:我们现在假设n个工厂每天早上同时发出需求,即想要哪个工厂的多少货。然后进行统一分配,这样做能好做一些,后期我们再实现有单独的工厂发出订单,然后单独调度解决。目前代码只考虑总体所有工厂的调度。一、我们有三个输入参数:1、首先是各个工厂(即节点)间的 距离(此例题中是8个节点)2.然后是各个工厂想要的货量(我们之前想的是每个工厂对哪个工厂需求多少,但此题是针对物流中心的需求量,即不针对哪个特定的工厂要货)3.第三个参数是物流中心到各个工厂节点的距离二、主程序其中每代他设置了80个原创 2021-09-22 11:57:50 · 5593 阅读 · 4 评论 -
蒙塔卡罗算法在数学建模中的应用
1.库存管理问题思路:代码:#程序文件Pex16_9_2.pyimport numpy as npa=2; b=3; lamda=10; M1=0;u=1; n=10000;for i in range(1,2*lamda): d=np.random.poisson(lamda,n) #产生n个服从Poiss分布的需求量数据 M2=np.mean(((b-a)*u*(u<=d)+((b-a)*d-a*(u-d))*(u>d))) #求平均利润 i原创 2021-09-04 10:48:52 · 513 阅读 · 1 评论 -
数学建模国赛LaTex模板讲解(Slager模板)
1.代表此篇文章开始(begin doucument)2.摘要部分首先newpage代表新的一页begin和end对应 center代表此页内容要居中/vspace代表标题和摘要之间的垂直宽度 (4em就可以)原创 2021-08-30 16:24:16 · 6857 阅读 · 2 评论 -
DataFrame.groupby()函数的各种用法详解
groupby的函数定义:DataFrame.groupby(by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs)所见 1 :日常用法import pandas as pddf = pd.DataFrame({'Gender' : ['男', '女', '男', '男', '男', '男', '女', '女', '女'], 'name转载 2021-08-26 12:06:44 · 10760 阅读 · 0 评论 -
数学建模(数据分析C题)-建模思路
前言:参考E038 的2019薄利多销优秀论文的模型建立与求解http://dxs.moe.gov.cn/zx/a/hd_sxjm_sxjmlw_2019qgdxssxjmjslwzs/191029/1613991.shtml思路数据预处理-画图-建模公式-计算结果-导表正文:1.可以来一个整体建模的思维导图(挺有用的)2、学习论文排版:3、学习建模流程:1.预处理所有数据 剔除掉无用数据 并填充空白数据2.可以数据标准化数据2.5 论文中疯狂穿插数据图(python原创 2021-08-25 14:35:04 · 3304 阅读 · 0 评论 -
数学建模之Python-支持向量回归(SVM)
前言:本文共介绍了svm的两个重要应用1.分类问题2.回归问题一、支持向量机的分类问题用的时候直接换xy数据就行了#程序文件Pex19_1.pyfrom sklearn import datasets, svm, metricsfrom sklearn.model_selection import GridSearchCVimport numpy as npiris=datasets.load_iris()print(iris)x=iris.data; y=iris.targ原创 2021-08-22 12:27:33 · 10208 阅读 · 0 评论 -
数学建模之Python-tensorflow神经网络实现二分类预测
题目要求五列值 标签为01 预测病马的死亡率。原本使用了logitic逻辑回归模型 预测了结果 但没有概率 后来尝试借鉴大佬的手撸代码 结果不太对后来又学习到大佬的tensorflow神经网络 可以正确预测出概率 并画出正确率图,且正确率很高数据集data_horse.csv(需要请私我)代码:import tensorflow as tfimport pandas as pdimport numpy as npimport matplotlib.pyplot as pltf原创 2021-08-19 11:51:51 · 5293 阅读 · 7 评论 -
anaconda安装tensorflow并在Pycharm使用的完整步骤
前言:前提是有anaconda滴 未安装tensorflow之前应该是base的1.首先按照下面的博客 按照tensorflow cpu版本(很详细-可能有点慢 将近一小时把)https://blog.csdn.net/weixin_41765699/article/details/818730762.下载完后可以打开anconda环境切换一下从base换到tensorflow3.关键一步 在pycharm中运行 得导入环境首先点击设置最后在上图那里找到tensorflow的p原创 2021-08-18 18:27:28 · 2033 阅读 · 0 评论 -
Python数据可视化详解大全(Matplotlib/Seaborn)
前言:跟着b站主的学习笔记 https://www.bilibili.com/video/BV1eJ411H79t?p=1正在更原创 2021-08-18 18:07:10 · 169 阅读 · 0 评论 -
数学建模之Python-图论算法模型
前言np.zero用法老忘 再记记zip和dict用法https://blog.csdn.net/qq_36825778/article/details/103093807?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162925767216780357257948%2522%252C%2522scm%2522%253A%252220140713.130102334…%2522%257D&request_id=162925原创 2021-08-18 12:08:29 · 3017 阅读 · 4 评论 -
数学建模之Python-微分方程建模实例
前言:微分方程的数学求解用到再细学 见python数学建模与实验pdf微分方程建模-Malthus模型微分方程建模-Logitic模型这里不细说了 感觉用不太到 也是调参预测人口数量的微分方程建模-传染病模型传染病模型例子:#程序文件Pan8_1.pyimport numpy as npfrom scipy.integrate import odeints0=155.0; i0=1.0; s_inf=60.0;sigma=(np.log(s0)-np.log(s_in原创 2021-08-11 16:28:43 · 1917 阅读 · 1 评论 -
数学建模之Python-插值与最小二乘法拟合
前言:插值请见此知乎笔记:https://zhuanlan.zhihu.com/p/390028714一维插值:代码(一维插值):import numpy as npimport matplotlib.pyplot as pltfrom scipy.interpolate import interp1dx=np.arange(0,25,2)y=np.array([12,9,9,10,18,24,28,27,25,20,18,15,13])xnew=np.linspace(0,24,原创 2021-08-11 11:40:46 · 1739 阅读 · 2 评论 -
回归分析及预测性能评估(通过python的scikit-learn实现)
https://mp.weixin.qq.com/s?__biz=MjM5NDI5ODAyMA==&mid=2461050302&idx=2&sn=1d1c7c40e16f4c50205508581406f7be&chksm=b1cde47586ba6d63adfc5acd8dae91421964f49c15b74e8a4d494293ccfae5224ef83d303c00&mpshare=1&scene=23&srcid=0810uqEnD7iGY原创 2021-08-10 16:59:49 · 249 阅读 · 0 评论 -
数学建模之python-数据挖掘与预处理
前言明早把z-score和01实战一下然后pandas读取文件学一学3.判断列有无缺失值4.判断每一行的缺失值5.缺失值定位到每一行6.各变量缺失的值7.直接删除空值对应所在行8.定义缺失值为0ps:fillna填充好文:https://blog.csdn.net/qq_21840201/article/details/81008566?ops_request_misc=&request_id=&biz_id=102&utm_term=f原创 2021-08-08 23:08:24 · 1426 阅读 · 0 评论 -
数学建模之Python-灰色预测系统
前言理论:word所需算法理论请见《python数学建模与实验》445页代码GM(1,1)#程序文件Pex15_2.pyimport numpy as npimport sympy as spfrom matplotlib.pyplot import plot,show,rc,legend,xticksrc('font',size=16); rc('font',family='SimHei')x0=np.array([25723,30379,34473,38485,4051原创 2021-08-08 16:28:11 · 795 阅读 · 0 评论 -
数学建模之Python-随机森林算法
理论:代码:# -*- coding: utf-8 -*-"""@author: Administrator"""'''step1 调用包'''import pandas as pdfrom sklearn.model_selection import train_test_split#随机森林from sklearn.ensemble import RandomForestClassifier#调用准确率计算函数from sklearn.metrics import accur原创 2021-08-08 10:20:34 · 458 阅读 · 0 评论 -
数学建模之Python-熵值法算法及代码实现
前言:原文链接:https://blog.csdn.net/qq_24975309/article/details/82026022此博客借鉴一下大佬的熵值法是计算指标权重的经典算法之一,它是指用来判断某个指标的离散程度的数学方法。离散程度越大,即信息量越大,不确定性就越小,熵也就越小;信息量越小,不确定性越大,熵也越大。根据熵的特性,我们可以通过计算熵值来判断一个事件的随机性及无序程度,也可以用熵值来判断某个指标的离散程度,指标的离散程度越大,该指标对综合评价的影响越大。理论(word直接原创 2021-08-07 22:31:53 · 3136 阅读 · 4 评论 -
数学建模之Python-K最近邻算法(泰坦尼克号生还预测)
前言:小细节写在这里提醒一下自己# 相关系数法:计算各个特征的相关系数#相关性矩阵corrDf = full.corr()print(corrDf)# 查看各个特征与生成情况(Survived)的相关系数,# ascending=False表示按降序排列print(corrDf['Survived'].sort_values(ascending =False))#print(corrDf)# 根据各个特征与生成情况(Survived)的相关系数大小,选择了这几个特征作为模型的输入:原创 2021-08-07 17:34:20 · 479 阅读 · 0 评论 -
数学建模之Python-主成分分析法(PCA)
前言数据预处理太差了 等着学学理论(论文直接抄)下面图word导过 群里翻代码1(这个代码我理解为降维):# -*- coding: utf-8 -*-"""@author: Administrator"""'''step1 调用包'''import pandas as pdfrom sklearn.preprocessing import MinMaxScalerfrom sklearn.decomposition import PCAimport matplot原创 2021-08-06 17:20:42 · 300 阅读 · 2 评论 -
数学建模之Python-Kmeans聚类分析算法
前言:不读行名列 是真的好用sklearn库的这个标准化方法可真方便 忘了z-score什么样了好像也挺方便的理论(方便论文直接抄)代码1# -*- coding: utf-8 -*-"""@author: Administrator"""#https://blog.csdn.net/ChenVast/article/details/82848477'''step1 调用包'''import pandas as pd#import numpy as npimp原创 2021-08-06 16:53:27 · 913 阅读 · 1 评论 -
数学建模之Logistic回归模型的python实现
例题:这里先求出来线性公式 变量只有一个是家庭年收入然后带到逻辑回归公式当中,代数时算出的是最后结果的概率,也就是如下公式如果再ln的话,就回到原本的线性公式,然后再取对数,就可以求出可能比优秀论文中用到的公式:代码:但不知道为什么只有aconda可以运行出来 还warning# -*- coding: utf-8 -*-"""Created on Thu Nov 14 00:11:39 2019@author: Administrator"""'''step1...原创 2021-08-04 17:31:01 · 338 阅读 · 1 评论 -
数学建模论文中应注意的点
1.擅长画思维导图2.一些比较官方的话二项式交叉模型考虑到因素之间的交互作用,进一步揭示了价格与各个因素集之间的复杂关系,对于原数据的拟合度有所提升,但误差仍旧较大。MLP神经网络模型基于大量数据对于完成度的预测较为适用,但由于数据间的规律性并不十分突出,会存在一定误差。3.细节话4.数据预处理接口方法+自定义 z-score建议https://blog.csdn.net/qq_36327687/article/details/84993729?ops_request_misc=%原创 2021-08-03 17:45:17 · 477 阅读 · 0 评论 -
数学建模之Python-BP神经网络算法分类模型
1.BP神经算法例题:from sklearn.neural_network import MLPClassifierimport numpy as np# x0=np.array([[1.24,1.27],[1.36,1.74],[1.38,1.90],[1.38,1.82],[1.38,1.90],[1.40,1.70],[1.48,1.82],[1.54,1.82],[1.56,2.08],[1.14,1.78],[1.18,1.96],[1.20,1.86],[1.26,2.00]原创 2021-08-03 16:52:08 · 3819 阅读 · 3 评论 -
Python数学建模之判别分析
判别分析的原理及代码import numpy as npfrom sklearn.neighbors import KNeighborsClassifierX0=np.array([[1.24,1.27],[1.36,1.74],[1.38,1.90],[1.38,1.82],[1.38,1.90],[1.40,1.70],[1.48,1.82],[1.54,1.82],[1.56,2.08],[1.14,1.78],[1.18,1.96],[1.20,1.86],[1.26,2.00],[1.原创 2021-08-03 15:01:14 · 3223 阅读 · 1 评论 -
数学建模之Python线性回归模型
多元回归模型MLP神经网络建立模型前:先剔除异常点并且 Z-SCORE 标准化数据一.数据处理写法:原始数据的预处理a.剔除异常值将附件二中的会员位置数据分列,在进行由大到小排序,发现每列各有一个异常值,具体位置在B1175,推测录入数据时经纬度写反了,处理方法为将该经纬度数据调换,即会员编号B1175的正确位置为北纬23.031824,东经113.131483一异常数据所在位置为B0005,修改方式为去该列数据的平均值作为修正值即修改后的经纬度为北纬22.92971,东经113.639原创 2021-07-28 10:24:03 · 1160 阅读 · 1 评论 -
数学建模之Python中plot/hist(直方图)画图详细介绍
1.plot参数解释原创 2021-07-28 10:15:38 · 9227 阅读 · 0 评论 -
python数据科学导论-泰坦尼克号之数据分析
题目一:数据清洗及预处理一、首先导入读取csv的pandas包,然后读取训练数据集及预测数据集import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as sns#训练数据集train = pd.read_csv("train.csv")#测试数据集test = pd.read_csv("test.csv")#合并数据集,方便同时对两个数据集进行清洗full = train.原创 2021-06-30 18:58:17 · 6756 阅读 · 6 评论 -
Python数据分析实战笔记
1.pandas读取execldtypes代表列的数据类型进行离散重编码:recode_data=data.copy()for feature in data.columns: if data[feature].dtype=='object': recode_data[feature] =pd.Categorical(data[feature]).codes关于离散重编码的例子:2.查看数据类型在pycharm中输出要记得加print3.查看缺失值下图原创 2021-07-15 10:23:08 · 417 阅读 · 4 评论