From 05afd41e40e68b9ee5549c01031dd383c9b25c43 Mon Sep 17 00:00:00 2001 From: p39zle8xr <762905686@qq.com> Date: Sun, 28 May 2023 22:36:18 +0800 Subject: [PATCH] =?UTF-8?q?Delete=20'20407146-=E8=AE=B8=E7=8F=82=E7=8F=82-?= =?UTF-8?q?=E8=AE=A1=E7=A7=912001.html'?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- 20407146-许珂珂-计科2001.html | 15503 --------------------------- 1 file changed, 15503 deletions(-) delete mode 100644 20407146-许珂珂-计科2001.html diff --git a/20407146-许珂珂-计科2001.html b/20407146-许珂珂-计科2001.html deleted file mode 100644 index 4f736e8..0000000 --- a/20407146-许珂珂-计科2001.html +++ /dev/null @@ -1,15503 +0,0 @@ - - -
- - -# your code
-#递归求值的阶乘
-def Factorial(n):
- #设置终止条件
- if n == 1:
- return 1
- return n*Factorial(n-1)
-#依次调用Factorial函数,进行值的累加
-Num = 0
-for n in range(1,21):
- res = Factorial(n)
- Num += res
-print(Num)
-
2561327494111820313 --
# your code
-s = [9, 7, 8, 3, 2, 1, 55, 6]
-
-# 求列表元素的个数、最大值和最小值
-print('列表s的元素个数为:', len(s))
-print('列表s的最大值为:', max(s))
-print('列表s的最小值为:', min(s))
-
-# 在列表s中添加一个元素10
-s.append(10)
-
-# 从列表s中删除一个元素55
-s.remove(55)
-
-# 打印操作后的列表s
-print('操作后的列表s为:', s)
-
列表s的元素个数为: 8 -列表s的最大值为: 55 -列表s的最小值为: 1 -操作后的列表s为: [9, 7, 8, 3, 2, 1, 6, 10] --
TTTTTx
-TTTTxx
-TTTxxx
-TTxxxx
-Txxxxx
-
-# your code
-T = 'T'
-x = 'x'
-length = 6
-for i in range(1, length):
- print(T * (length - i) + x * i)
-
TTTTTx -TTTTxx -TTTxxx -TTxxxx -Txxxxx --
# your code
-def Add(a,b):
- return a+b
-def Sub(a,b):
- return a-b
-def Mul(a,b):
- return a*b
-def Div(a,b):
- if(b==0):
- print("Error!")
- return
- return a/b
-while True:
- Choice = input("Choice:")
- if(Choice == '0'):
- break
- a = int(input("a:"))
- b = int(input("b:"))
- if(Choice == '1'):
- print(Add(a,b))
- elif(Choice == '2'):
- print(Sub(a,b))
- elif(Choice == '3'):
- print(Mul(a,b))
- elif(Choice == '4'):
- print(Div(a,b))
-
Choice:1 -a:2 -b:3 -5 -Choice:0 --
# your code
-class Student:
- def __init__(self,name,age,*cou):
- self.name = name
- self.age = age
- self.course = cou
- def get_name(self):
- return self.name
- def get_age(self):
- return self.age
- def get_course(self):
- return max(max(self.course))
-st = Student('zhangming',20,[69,88,100])
-print('学生姓名为:',st.get_name(),' 年龄为:',st.get_age(),' 最高分成绩为:',st.get_course())
-
学生姓名为: zhangming 年龄为: 20 最高分成绩为: 100 --
X | -Y | -X | -Y | -
---|---|---|---|
-3.00 | -4 | -0.15 | -255 | -
-2.50 | -12 | -0.75 | -170 | -
-1.75 | -50 | -1.25 | -100 | -
-1.15 | -120 | -1.85 | -20 | -
-0.50 | -205 | -2.45 | -14 | -
# your code
-import matplotlib.pyplot as plt
-
-# 定义 X 轴和 Y 轴的数据
-x1 = [-3.00, -2.50, -1.75, -1.15, -0.50]
-y1 = [4, 12, 50, 120, 205]
-x2 = [0.15, 0.75, 1.25, 1.85, 2.45]
-y2 = [255, 170, 100, 20, 14]
-
-# 创建画布和子图
-fig, ax = plt.subplots()
-
-# 绘制柱状图(条形图)
-ax.bar(x1, y1, width=0.25, align='edge', color='blue', label='Y1')
-ax.bar(x2, y2, width=-0.25, align='edge', color='red', label='Y2')
-
-# 设置图形属性
-ax.set_xlabel('X')
-ax.set_ylabel('Y')
-ax.set_title('Bar Plot')
-ax.legend()
-
-# 显示图形
-plt.show()
-
注:训练集:测试集=8:2,随机种子采用你学号后两位,例如你学号后两位=01,则random_state=1,如果最后两位=34,则random_state=34。最终结果打印出各个回归的w和b系数即可。
-序号 | -X1 | -X2 | -X3 | -X4 | -Y | -
---|---|---|---|---|---|
1 | -7 | -26 | -6 | -60 | -78.5 | -
2 | -1 | -29 | -15 | -52 | -74.3 | -
3 | -11 | -56 | -8 | -20 | -104.3 | -
4 | -11 | -31 | -8 | -47 | -87.6 | -
5 | -7 | -52 | -6 | -33 | -95.9 | -
6 | -11 | -55 | -9 | -22 | -109.2 | -
7 | -3 | -71 | -17 | -6 | -102.7 | -
8 | -1 | -31 | -22 | -44 | -72.5 | -
9 | -2 | -54 | -18 | -22 | -93.1 | -
10 | -21 | -47 | -4 | -26 | -115.9 | -
11 | -1 | -40 | -23 | -34 | -83.8 | -
12 | -11 | -66 | -9 | -12 | -113.3 | -
13 | -10 | -68 | -8 | -12 | -109.4 | -
import pandas as pd
-from sklearn.model_selection import train_test_split
-from sklearn.linear_model import LinearRegression, Ridge, Lasso
-
-# 读取原始数据并创建数据框
-data = pd.DataFrame({
- 'X1': [7, 1, 11, 11, 7, 11, 3, 1, 2, 21, 1, 11, 10],
- 'X2': [26, 29, 56, 31, 52, 55, 71, 31, 54, 47, 40, 66, 68],
- 'X3': [6, 15, 8, 8, 6, 9, 17, 22, 18, 4, 23, 9, 13],
- 'X4': [60, 52, 20, 47, 33, 22, 6, 44, 22, 26, 34, 22, 22],
- 'Y': [78.5, 74.3, 104.3, 87.6, 95.9, 109.2, 102.7, 72.5, 93.1, 115.9, 83.8, 113.3, 109.4]
-})
-
-# 分离出自变量和因变量
-X = data[['X1', 'X2', 'X3', 'X4']]
-y = data['Y']
-
-# 将训练集和测试集按 8:2 分割,随机种子为学号后两位
-X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=34)
-
-# 线性回归模型
-linear_model = LinearRegression()
-linear_model.fit(X_train, y_train)
-
-# 输出线性回归的 w 和 b 系数
-print('线性回归 w:', linear_model.coef_)
-print('线性回归 b:', linear_model.intercept_)
-
-# 岭回归模型
-ridge_model = Ridge(alpha=1.0)
-ridge_model.fit(X_train, y_train)
-
-# 输出岭回归的 w 和 b 系数
-print('岭回归 w:', ridge_model.coef_)
-print('岭回归 b:', ridge_model.intercept_)
-
-# Lasso 回归模型
-lasso_model = Lasso(alpha=1.0)
-lasso_model.fit(X_train, y_train)
-
-# 输出 Lasso 回归的 w 和 b 系数
-print('Lasso 回归 w:', lasso_model.coef_)
-print('Lasso 回归 b:', lasso_model.intercept_)
-
线性回归 w: [1.73716117 0.73583035 0.25554047 0.07159407] -线性回归 b: 41.94463392439112 -岭回归 w: [1.69689369 0.71271939 0.2173755 0.0467834 ] -岭回归 b: 44.584426660577 -Lasso 回归 w: [ 1.47653695 0.60635755 0. -0.06262619] -Lasso 回归 b: 57.365482388617096 --
注:训练集:测试集=1:1,随机种子采用你学号后两位,例如你学号后两位=01,则random_state=1,如果最后两位=34,则random_state=34。最终结果输出你预测结果、实际结果以及模型得分三项。
-序号 | -年龄 | -收入 | -是否为学生 | -信誉 | -购买计算机 | -
---|---|---|---|---|---|
1 | -<=30 | -高 | -否 | -中 | -否 | -
2 | -<=30 | -高 | -否 | -优 | -否 | -
3 | -31-40 | -高 | -否 | -中 | -是 | -
4 | ->40 | -中 | -否 | -中 | -是 | -
5 | ->40 | -低 | -是 | -中 | -是 | -
6 | ->40 | -低 | -是 | -优 | -否 | -
7 | -31-40 | -低 | -是 | -优 | -是 | -
8 | -<=30 | -中 | -否 | -中 | -否 | -
9 | -<=30 | -低 | -是 | -中 | -是 | -
10 | ->40 | -中 | -是 | -中 | -是 | -
11 | -<=30 | -中 | -是 | -优 | -是 | -
12 | -31-40 | -中 | -否 | -优 | -是 | -
13 | -31-40 | -高 | -是 | -中 | -是 | -
14 | ->40 | -中 | -否 | -优 | -否 | -
import numpy as np
-import pandas as pd
-from sklearn import metrics
-# 导入高斯朴素贝叶斯分类器
-from sklearn.naive_bayes import GaussianNB
-from sklearn.model_selection import train_test_split
-
-x = np.array(
- [
- [1, 3, 0, 1, 0],
- [1, 3, 0, 2, 1],
- [2, 3, 0, 2, 1],
- [3, 2, 0, 1, 1],
- [3, 1, 1, 1, 1],
- [3, 1, 1, 2, 0],
- [2, 1, 1, 2, 1],
- [1, 2, 0, 1, 0],
- [1, 1, 1, 1, 1],
- [3, 2, 1, 1, 1],
- [1, 2, 1, 2, 1],
- [2, 2, 0, 2, 1],
- [2, 3, 1, 1, 1],
- [3, 2, 0, 2, 0],
- ]
-)
-
-y = np.array(
- [
- 0,1,1,1,1,0,1,0,1,1,1,1,1,0
- ]
-)
-X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.5, random_state=46
- )
-# 使用高斯朴素贝叶斯进行计算
-clf = GaussianNB()
-clf.fit(X_train, y_train)
-# 评估
-y_predict = clf.predict(X_test)
-score_gnb = metrics.accuracy_score(y_predict,y_test)
-
-print('该用户是否购买计算机:',y_predict)
-print(y_test)
-print(score_gnb)
-
该用户是否购买计算机: [1 1 1 1 1 1 1] -[1 1 1 0 0 1 1] -0.7142857142857143 --