python常用随机函数及带权重随机实例


# -*- coding: utf-8 -*-
import random

a = 1
b = 10
step = 3
seq = [-1, -2, -3, -4, -5, -6, -7, -8, -9, 0]
k = 2

# 0 <= n < 1.0
print 'random', random.random() 

# b <= n(float) <= a
print 'uniform', random.uniform(a, b)

# a <= n(int) <= b
print 'randint', random.randint(a, b)

# 从指定范围内,按指定基数递增的集合中,获取一个随机数
print 'randrange', random.randrange(a, b, step)

# 从序列中获取一个随机元素
print 'choice', random.choice(seq)

# 从指定序列中随机获取指定长度的片断
print 'sample', random.sample(seq, k)

# 将一个列表中的元素顺序打乱
random.shuffle(seq)
print 'shuffle', seq

# 带权重的随机
def __in_which_part(n, w):
	for i, v in enumerate(w):
		if n < v:
			return i
	return len(w) - 1

def weighting_choice(data, weightings):
	s = sum(weightings)
	w = [float(x)/s for x in weightings]

	t = 0
	for i, v in enumerate(w):
		t += v
		w[i] = t

	c = __in_which_part(random.random( ), w)
	try:
		return data[c]
	except IndexError:
		return data[-1]
		
print 'weighting_choice', weighting_choice(['a', 'b'], [10, 90])


  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 深度神经模糊随机森林(Deep Neural Fuzzy Random Forest, DN-FRF)是一种基于模糊逻辑和深度神经网络的集成学习算法,可以用于分类和回归问题。以下是一个使用Python实现的DN-FRF的代码示例: ```python import numpy as np import skfuzzy as fuzz from sklearn.ensemble import RandomForestClassifier from keras.models import Sequential from keras.layers import Dense # 生成随机数据 X = np.random.rand(1000, 10) y = np.random.randint(2, size=1000) # 初始化DN-FRF分类器 class DNFRFClassifier: def __init__(self, n_estimators=10, max_depth=10, n_fuzzy_rules=10): self.n_estimators = n_estimators self.max_depth = max_depth self.n_fuzzy_rules = n_fuzzy_rules self.rf_clfs = [] self.fuzzy_rules = [] self.fuzzy_weights = [] # 训练DN-FRF分类器 def fit(self, X, y): for i in range(self.n_estimators): # 训练随机森林分类器 rf_clf = RandomForestClassifier(n_estimators=self.n_estimators, max_depth=self.max_depth) rf_clf.fit(X, y) self.rf_clfs.append(rf_clf) # 训练模糊逻辑分类器 fuzzy_rule, fuzzy_weight = self.train_fuzzy_logic(X, y) self.fuzzy_rules.append(fuzzy_rule) self.fuzzy_weights.append(fuzzy_weight) # 预测DN-FRF分类器 def predict(self, X): predictions = np.zeros((X.shape[0], self.n_estimators)) for i in range(self.n_estimators): # 预测随机森林分类器的结果 rf_prediction = self.rf_clfs[i].predict(X) # 预测模糊逻辑分类器的结果 fuzzy_prediction = self.predict_fuzzy_logic(X, self.fuzzy_rules[i], self.fuzzy_weights[i]) # 将两种结果进行加权平均 predictions[:, i] = (rf_prediction + fuzzy_prediction) / 2 # 返回最终的预测结果 return np.mean(predictions, axis=1) # 训练模糊逻辑分类器 def train_fuzzy_logic(self, X, y): # 初始化模糊逻辑分类器 fuzzy_rule = fuzz.fuzzy_cmeans(X.T, self.n_fuzzy_rules, 2, error=0.005, maxiter=1000)[0] fuzzy_weight = np.zeros(self.n_fuzzy_rules) # 计算每个模糊规则的权重 for i in range(self.n_fuzzy_rules): membership_values = fuzz.interp_membership(fuzzy_rule, X.T, np.ones(X.shape[0])) fuzzy_weight[i] = np.sum(membership_values * y) / np.sum(membership_values) return fuzzy_rule, fuzzy_weight # 预测模糊逻辑分类器 def predict_fuzzy_logic(self, X, fuzzy_rule, fuzzy_weight): membership_values = fuzz.interp_membership(fuzzy_rule, X.T, np.ones(X.shape[0])) fuzzy_prediction = np.zeros(X.shape[0]) # 计算模糊逻辑分类器的预测结果 for i in range(self.n_fuzzy_rules): fuzzy_prediction += fuzzy_weight[i] * membership_values[i] return fuzzy_prediction # 初始化DN-FRF分类器 dnfrf_clf = DNFRFClassifier() # 训练DN-FRF分类器 dnfrf_clf.fit(X, y) # 预测DN-FRF分类器 predictions = dnfrf_clf.predict(X) ``` 在上面的代码中,我们首先使用了`numpy`库生成了1000个10维的随机数据和相应的随机标签。然后,我们定义了一个`DNFRFClassifier`类,并实现了`fit`和`predict`方法,分别用于训练和预测DN-FRF分类器。具体地,`fit`方法中我们首先使用`sklearn`库的`RandomForestClassifier`训练了一个随机森林分类器,并将其加入到`rf_clfs`列表中。接着,我们使用`skfuzzy`库的`fuzzy_cmeans`函数训练了一个模糊逻辑分类器,并将其模糊规则和权重分别加入到`fuzzy_rules`和`fuzzy_weights`列表中。最后,`predict`方法中我们遍历了所有的随机森林分类器和模糊逻辑分类器,分别计算它们的预测结果,并将它们进行加权平均得到最终的预测结果。最后,我们使用`dnfrf_clf.predict(X)`进行了预测并保存了预测结果。 ### 回答2: 深度神经模糊随机森林(Deep Neuro Fuzzy Random Forest)是一种机器学习算法,结合了神经网络、模糊逻辑和随机森林的特点。它可以用于分类和回归任务,在处理复杂数据集时表现较好。 以下是一个简单的深度神经模糊随机森林的Python代码示例: ```python from neupy import algorithms, estimators, utils # 创建模糊随机森林 fuzzy_forest = algorithms.DecisionTreeFuzzyForest('c', classify_using_probabilities=True) # 加载数据集 data = utils.load_data('path/to/dataset.csv') x_train, x_test, y_train, y_test = estimator.split_train_test(data['input_data'], data['target_data'], test_size=0.3) # 训练模型 fuzzy_forest.train(x_train, y_train) # 预测测试集结果 y_predicted = fuzzy_forest.predict(x_test) # 计算准确率 accuracy = estimators.percentage_of_correct_predictions(y_predicted, y_test) print('准确率: {:.2%}'.format(accuracy)) ``` 在此代码示例中,我们首先导入必要的库和模块。然后,我们创建了一个模糊随机森林的实例`fuzzy_forest`。接下来,我们加载数据集并将其分割为训练集和测试集。然后,我们使用训练集训练模型,并使用测试集进行预测。最后,我们计算预测结果的准确率并打印出来。 需要注意的是,此代码示例使用了`neupy`库,因此在运行代码之前需要先安装该库。可以通过`pip install neupy`命令来安装。 以上是一个简单的深度神经模糊随机森林的Python代码示例,用于展示其使用方法。实际使用时,可能需要根据具体情况进行参数调整和优化。 ### 回答3: 深度神经模糊随机森林是一种集成学习算法,它结合了随机森林和深度神经网络的优点。在Python中可以使用scikit-learn库实现深度神经模糊随机森林。 首先,需要导入必要的库: ``` from sklearn.ensemble import RandomForestClassifier from sklearn.neural_network import MLPClassifier from sklearn.metrics import accuracy_score ``` 接下来,我们需要加载数据集,并将其分为训练集和测试集: ``` # 加载数据集 data = load_data() X_train, X_test, y_train, y_test = split_data(data) ``` 然后,我们可以定义一个深度神经模糊随机森林模型: ``` # 初始化深度神经模糊随机森林模型 model = RandomForestClassifier(n_estimators=100) # 循环遍历训练每个模糊神经网络分类器 for i in range(model.n_estimators): # 初始化每个模糊神经网络分类器 mlp = MLPClassifier(hidden_layer_sizes=(100, 50), max_iter=100) # 训练每个模糊神经网络分类器 mlp.fit(X_train, y_train) # 将每个模糊神经网络分类器添加到模型中 model.estimators_.append(mlp) ``` 接下来,我们可以使用训练好的模型进行预测: ``` # 使用模型进行预测 y_pred = model.predict(X_test) # 计算准确率 accuracy = accuracy_score(y_test, y_pred) print('准确率:', accuracy) ``` 最后,我们可以使用得到的准确率对模型进行评估和调整。同时,还可以根据需要对模型的参数进行调优。 以上就是使用Python实现深度神经模糊随机森林的基本代码。希望对你有帮助!

“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