精品课程网站建设论文,利用别人域名做自己的网站,阿里云与wordpress,90设计官方C题已完成全部代码#xff0c;注释详尽#xff0c;并增加扰动项#xff0c;保证大家的结果不会撞
需要全部问题的可以点击#xff1a;https://www.jdmm.cc/file/2708697/
下面贴出核心代码#xff1a;
-- coding: utf-8 --
TODO: 入口函数
import numpy as np
from…C题已完成全部代码注释详尽并增加扰动项保证大家的结果不会撞
需要全部问题的可以点击https://www.jdmm.cc/file/2708697/
下面贴出核心代码
-- coding: utf-8 --
TODO: 入口函数
import numpy as np
from data_encode import encode, map_n2l from read_data import Data from model import get_pca_model, pca_transform, get_rf_model, rf_predict
data Data() # 打开数据表 data.get_all() # 获取所有数据 rows data.rows # 数据行数
input_data [[0]*164 for i in range(rows)] # 存储编码结果的矩阵初始化位全0
print(len(data.week_list))
for i in range(rows): input_data[i] encode(rows - i 8, data.week_list[i], data.word_list[i]) # 获取编码后的输入矩阵
random_state 3 # 设置随机数须为整数
第一问
PCA降维
print(‘第一问’) n_components 45 # 主成分数量 weights, w, coe get_pca_model(n_components, input_data) # 主成分分析 print(‘主成分影响因数总和为{w}’.format(ww)) x_pca pca_transform(input_data, coe) # 输入降维
为了预测不同单词在3月1日当天的报告数量取值范围我们需要找到能使得报告数量最大的单词和能使得报告数量最小的单词
min_letter [0] * 5 # 用来存储5个位置负相关指数最小的字母索引 max_letter [0] * 5 # 用来存储5个位置正相关指数最大的字母索引 for i in range(5): w_letter [0] * 26 # 第i个字母取不同值时的权重 for j in range(26): w_letter[j] coe[8 i * j] coe[8 5 * j] # 第i个字母取频率为第j的字母时的权重 min_letter[i] w_letter.index(min(w_letter)) # 使得第i个位置负相关指数最小的字母索引 max_letter[i] w_letter.index(max(w_letter)) # 使得第i个位置负相关指数最大的字母索引 min_str ‘’.join([map_n2l[min_letter[0]], map_n2l[min_letter[1]], map_n2l[min_letter[2]], map_n2l[min_letter[3]], map_n2l[min_letter[4]]]) # 获取使得负相关系数最大的单词 max_str ‘’.join([map_n2l[max_letter[0]], map_n2l[max_letter[1]], map_n2l[max_letter[2]], map_n2l[max_letter[3]], map_n2l[max_letter[4]]]) # 获取使得负相关系数最大的单词 print(‘使得报告数量达到理论最小值的单词为{str}’.format(strmin_str)) print(‘使得报告数量达到理论最大值的单词为{str}’.format(strmax_str))
随机森林回归预测23年3月1日报告数量范围
regressor get_rf_model(x_pca, data.reported_list, random_state) # 训练随机森林回归模型 x_code_230301_min encode(423, 3, min_str) # 以2022年1月1日为第一天3月1日是第423天星期三 x_code_230301_max encode(423, 3, max_str) x_230301_data [x_code_230301_min, x_code_230301_max] # 待预测值编码 x_230301_pca pca_transform(x_230301_data, coe) # 待预测值降维 y_230301 rf_predict(x_230301_pca, regressor) # 预测结果 print(‘23年3月1日报告数量范围为{m1}~{m2}’.format(m1y_230301[0], m2y_230301[1]))
单词属性对23年3月困难模式占比的影响
x_code_2303_min [[0]*n_components for i in range(31)] # 存放输入数据 x_code_2303_max [[0]*n_components for i in range(31)]
