diff --git a/20407131-任唯源-计科2001 .html b/20407131-任唯源-计科2001 .html deleted file mode 100644 index 51af8ff..0000000 --- a/20407131-任唯源-计科2001 .html +++ /dev/null @@ -1,15469 +0,0 @@ - - -
- - -# your code
-n = int(input('请输入所求阶乘数:'))
-m = 1
-sum = 0
-i = 1
-while n >= i:
- m *= i
- sum += m
- i = i + 1
-print("结果:",sum)
-
请输入所求阶乘数:20 -结果: 2561327494111820313 --
# your code
-s = [9,7,8,3,2,1,55,6]
-print("length =",len(s)," max =",max(s)," min =",min(s))
-s.append(10)
-s.remove(55)
-print(s)
-
length = 8 max = 55 min = 1 -[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(x, y):
- return x + y
-def subtract(x, y):
- return x - y
-def multiply(x, y):
- return x * y
-def divide(x, y):
- return x / y
-print("在下列功能中选择:")
-print("1.加法 2.减法 3.乘法 4.除法")
-choice = input("请输入对应功能项的数字(1.2.3.4):")
-num1 = int(input("请输入第一个数字:"))
-num2 = int(input("请输入第二个数字:"))
-if choice == '1':
- print(num1,"+",num2,"=",add(num1,num2))
-elif choice == '2':
- print(num1,"-",num2,"=",subtract(num1,num2))
-elif choice == '3':
- print(num1,"*",num2,"=",multiply(num1,num2))
-elif choice == '4':
- print(num1,"/",num2,"=",divide(num1,num2))
-else:
- print("功能选择错误,只接受1-4的数字!")
-
在下列功能中选择: -1.加法 2.减法 3.乘法 4.除法 -请输入对应功能项的数字(1.2.3.4):2 -请输入第一个数字:3 -请输入第二个数字:2 -3 - 2 = 1 --
# 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
-X = [-3.00,-2.50,-1.75,-1.15,-0.50,0.15,0.75,1.25,1.85,2.45]
-Y = [4,12,50,120,205,255,170,100,20,14]
-label=[-3.00,-2.50,-1.75,-1.15,-0.50,0.15,0.75,1.25,1.85,2.45]
-plt.bar(X,Y,tick_label = label);
-
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
-lr_model = LinearRegression()
-lr_model.fit(X_train, y_train)
-
-# 输出线性回归的 w 和 b 系数
-print('线性回归 w:', lr_model.coef_)
-print('线性回归 b:', lr_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: [41.94463392] -岭回归 w: [[1.69689369 0.71271939 0.2173755 0.0467834 ]] -岭回归 b: [44.58442666] -Lasso 回归 w: [ 1.47653695 0.60635755 0. -0.06262619] -Lasso 回归 b: [57.36548239] --
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=31)
-# 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 0 1 1] -[1 1 1 1 0 1 1] -1.0 --