xllzuibangla的博客

人工智能与机器学习2023-02-27

28分

1、根据题目搜索论文2、多查查看外文，（翻译+自己描述）重复率低，有道翻译即可1、知网下载论文（中文）、外文（谷歌学术）2、Github、CSDN查代码3、知乎4、百度文库——论文模板5、学兔兔、云盘网站——图书电子版6、b站视频教程7、淘宝往年论获奖论文1、国家数据统计局2、各省数据中心3、学校图书馆电子数据库4、国际资料：国际版必应查、大木虫Google镜像、Sci-hub5、微信搜索用搜集资料的能力覆盖自己知识的不足不要因为难就放弃！1、MATLAB（新手使用！！！）加减乘除、逻辑运算、循环结构、函数

说真的对于这次期末我并没有报有很好的期望因为我知道自己的水平很烂但是当我看到那么多高分的时候心里还是会很难受自己可能的确不适合学习编程既然这次考的那么差那就问问老师哪里扣分多以后编写代码的时候注意但是我万万没想到主要扣分点竟然有两个1是第一题没有统计金额，虽然不知道扣几分，这个的确是我的问题，而且是非常值得扣分的地方，狠狠的惩罚我不细心2报错！！！！老师强调了那么多遍，不能报错，不能报错，难道我耳朵被堵住了？全程只有一个警告，就是因为他？我很不服！你说你运

1、会议2、资料（课程资料、答疑小册子、读入文件3、答疑时间周一 8:00pm-9:30pm：李春涛 （数据清洗、数据合并、循环）周二 8:00pm-9:30pm：薛原 (网络爬虫、正则表达式、python)周三 8:00pm-9:30pm：司海涛 (正则表达式、网络爬虫、python)周四 8:00pm-9:30pm：闫续文 (结果输出系列、事件研究、数据清洗)周五 8:00pm-9:30pm：张计宝 (文本分析、网络爬虫、正则表达式、python）出问题，带着报错提示图提问。4、结课后有网络爬虫应用大赛

第八章复习思考题2

第1题1、题目生成一个5*5的矩阵，其元素是区间[1,10]中的随机整数。2、代码import numpy as npa = np.random.randint(1,10,25).reshape(5,5)print(a)3、结果[[5 3 7 6 4] [3 7 4 3 7] [1 7 4 4 3] [1 8 5 6 8] [8 4 4 2 9]]第2题1、题目生成一个4*4的矩阵，其元素符合正态分布。2、代码import numpy as

1、常见转义字符\t 的意思是 横向跳到下一制表符位置 \r 的意思是 回车
的意思是回车换行2、所有转义字符 转义字符 意义 ASCII码值（十进制） \a 响铃(BEL) 007 \b 退格(BS) ，将当前位置移到前一列 008 \f 换页(FF)，将当前位置移到下

3.某年各省级行政区环境污染状况的统计数据(已经过标准化处理)，包括生活污水排放量(x)，生活二氧化硫排放量(x2)，生活烟尘排放量(x3)，工业固体废物排放量(x4)，工业废气排放总量(x5)，工业废水排放量(x6)，GDP水平(gdp)以及地理位置(geo)等。现采用K均值聚类方法，编写Python程序将省级行政区分成4类。详细数据见封底教学辅助文件“环境污染数据.txt”。...

选取中华人民共和国第六次人口普查的各地区人口数以及男女比例进行K-Means聚类分析.

1给出一个数据集data_multivar.txt，里面有200个点坐标，在平面坐标系下可以画出它的散点图，如图11-12所示。data_multivar.txt图11-12 数据集 data_multivar.txt 散点图用K均值聚类算法来训练模型，将该数据集的200个点分成4类。注意：运行之前，首先将给出的数据集data_multivar.txt 拷贝到相应的文件夹中。读者可以在程序中设置k值为2、3、5等，运行代码进行比较。...

1、定义Fβ值F2分数中，召回率的权重高于精确率，而F0.5分数中，精确率的权重高于召回率。2、代码y_true=[1,1,1,1,1,0,0,0,0,0]y_pred=[0,0,1,1,0,0,0,0,0,0]print('Accuracy Score:',accuracy_score(y_true,y_pred,normalize=True))print('Precision Score:',precision_score(y_true,y_pred))prin..

1、定义2/f1 = 1/查准率+1/查全率2、代码from sklearn.metrics import accuracy_score,precision_score,recall_score,f1_score,fbeta_scorey_true=[1,1,1,1,1,0,0,0,0,0]y_pred=[0,0,1,1,0,0,0,0,0,0]print('Accuracy Score:',accuracy_score(y_true,y_pred,normalize=True))pr

1、定义查全率=TP/（TP+FN)2、代码from sklearn.metrics import accuracy_score,precision_score,recall_scorey_true=[1,1,1,1,1,0,0,0,0,0]y_pred=[0,0,1,1,0,0,0,0,0,0]print('准确率Accuracy Score:',accuracy_score(y_true,y_pred,normalize=True))print('查准率Precision Sc

1、定义计算分类结果的查准率sklearn.metrics.precision_score（真实标记集合，预测）2、代码from sklearn.metrics import accuracy_score,precision_scorey_true=[1,1,1,1,1,0,0,0,0,0]y_pred=[0,0,1,1,0,0,0,0,0,0]print('准确率Accuracy Score:',accuracy_score(y_true,y_pred,normalize.

1、定义计算分类结果的查准率sklearn.metrics.accuracy_score（真实标记集合，分类器对样本集预测的预测值，normalize = [True：比例，False：数量]，sample_weight = 样本权重，默认为1）2、代码from sklearn.metrics import accuracy_scorey_true=[1,1,1,1,1,0,0,0,0,0]y_pred=[0,0,1,1,0,0,1,1,0,0]#准确率print('准确率',

单一的分类算法：决策树、贝叶斯、人工神经网络、K-近邻、支持向量机和基于关联规则的分类，HMM组合分类算法：Bagging和Boostingk-近邻(kNN，k-Nearest Neighbors)算法1找出与未知样本x距离最近的k个训练样本，看这k个样本中多数属于哪一类，就把x归为那一类。模型输入要求：连续值，类别型变量需进行one－hot编码，由于是计算距离，有必要对数据进行归一化模型重要参数：K值及距离的定义优点：易于理解和实现缺点：计算量大，复杂度高，不适合实时场景

一、决策树——decision tree1、定义分类、预测方法，有监督的学习算法，以树状图为基础，输出结果为简单实用的规则。是一系列if-then语句。2、解决问题分类、回归。3、原理是贪心算法，即在特性空间上执行递归的二元分割，决策树由节点和有向边组成给。内部节点：一个特征或者属性。 叶子节点：一个分类。4、优点可读性强，便于理解和解释。（树的结构具有可视化）； 训练所需数据少，使用开销呈指数分布，分类速度快； 易于通过静态测试来对模型进行评测； 可处理多路输出问

1、基础便利函数在指定数据集上运行指定学习器时，用k折交叉获取的最佳性能sklearn.model_selection.cross_val_score(<指定学习器>,X:数据集中样本集,y：数据集中标记集,cv=k折交叉生成器/None)（太多了，以后再补上）2、代码from sklearn.model_selection import cross_val_scoreimport numpy as npfrom sklearn.datasets .

1、代码n：数据集大小from sklearn.model_selection import LeaveOneOutX=np.array([[1,2,3,4], [11,12,13,14], [21,22,23,24], [31,32,33,34]])y=np.array([1,1,0,0])lo=LeaveOneOut()# lo.len(y)for train_index,test_index in lo.split(X):