做 在线观看免费网站有哪些如何看网站是用什么框架做的

做 在线观看免费网站有哪些,如何看网站是用什么框架做的,如何做好网页设计,建设工程施工合同的范本浙大疏锦行 算法全过程如下#xff1a; # 先运行之前预处理好的代码 import pandas as pd import pandas as pd #用于数据处理和分析#xff0c;可处理表格数据。 import numpy as np #用于数值计算#xff0c;提供了高效的数组操作。 import matplotlib.pyplot as…浙大疏锦行算法全过程如下# 先运行之前预处理好的代码 import pandas as pd import pandas as pd #用于数据处理和分析可处理表格数据。 import numpy as np #用于数值计算提供了高效的数组操作。 import matplotlib.pyplot as plt #用于绘制各种类型的图表 import seaborn as sns #基于matplotlib的高级绘图库能绘制更美观的统计图形。 import warnings warnings.filterwarnings(ignore) #忽略警告信息保持输出清洁。 # 设置中文字体解决中文显示问题 plt.rcParams[font.sans-serif] [SimHei] # Windows系统常用黑体字体 plt.rcParams[axes.unicode_minus] False # 正常显示负号 data pd.read_csv(E:\\study\\PythonStudy\\python60-days-challenge-master\\data.csv) #读取数据 # 先筛选字符串变量 discrete_features data.select_dtypes(include[object]).columns.tolist() # Home Ownership 标签编码 home_ownership_mapping { Own Home: 1, Rent: 2, Have Mortgage: 3, Home Mortgage: 4 } data[Home Ownership] data[Home Ownership].map(home_ownership_mapping) # Years in current job 标签编码 years_in_job_mapping { 1 year: 1, 1 year: 2, 2 years: 3, 3 years: 4, 4 years: 5, 5 years: 6, 6 years: 7, 7 years: 8, 8 years: 9, 9 years: 10, 10 years: 11 } data[Years in current job] data[Years in current job].map(years_in_job_mapping) # Purpose 独热编码记得需要将bool类型转换为数值 data pd.get_dummies(data, columns[Purpose]) data2 pd.read_csv(E:\\study\\PythonStudy\\python60-days-challenge-master\\data.csv) # 重新读取数据用来做列名对比 list_final [] # 新建一个空列表用于存放独热编码后新增的特征名 for i in data.columns: if i not in data2.columns: list_final.append(i) # 这里打印出来的就是独热编码后的特征名 for i in list_final: data[i] data[i].astype(int) # 这里的i就是独热编码后的特征名 # Term 0 - 1 映射 term_mapping { Short Term: 0, Long Term: 1 } data[Term] data[Term].map(term_mapping) data.rename(columns{Term: Long Term}, inplaceTrue) # 重命名列 continuous_features data.select_dtypes(include[int64, float64]).columns.tolist() #把筛选出来的列名转换成列表 # 连续特征用中位数补全 for feature in continuous_features: mode_value data[feature].mode()[0] #获取该列的众数。 data[feature].fillna(mode_value, inplaceTrue) #用众数填充该列的缺失值inplaceTrue表示直接在原数据上修改。 # 最开始也说了 很多调参函数自带交叉验证甚至是必选的参数你如果想要不交叉反而实现起来会麻烦很多 # 所以这里我们还是只划分一次数据集 from sklearn.model_selection import train_test_split X data.drop([Credit Default], axis1) # 特征axis1表示按列删除 y data[Credit Default] # 标签 # 按照8:2划分训练集和测试集 X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42) # 80%训练集20%测试集 from sklearn.ensemble import RandomForestClassifier #随机森林分类器 from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score # 用于评估分类器性能的指标 from sklearn.metrics import classification_report, confusion_matrix #用于生成分类报告和混淆矩阵 import warnings #用于忽略警告信息 warnings.filterwarnings(ignore) # 忽略所有警告信息 # --- 1. 默认参数的随机森林 --- # 评估基准模型这里确实不需要验证集 print(--- 1. 默认参数随机森林 (训练集 - 测试集) ---) import time # 这里介绍一个新的库time库主要用于时间相关的操作因为调参需要很长时间记录下会帮助后人知道大概的时长 start_time time.time() # 记录开始时间 rf_model RandomForestClassifier(random_state42) rf_model.fit(X_train, y_train) # 在训练集上训练 rf_pred rf_model.predict(X_test) # 在测试集上预测 end_time time.time() # 记录结束时间 print(f训练与预测耗时: {end_time - start_time:.4f} 秒) print(\n默认随机森林 在测试集上的分类报告) print(classification_report(y_test, rf_pred)) print(默认随机森林 在测试集上的混淆矩阵) print(confusion_matrix(y_test, rf_pred)) # 安装并导入 DEAP 库 # !pip install deap import random from deap import base, creator, tools, algorithms # 4.2 定义问题个体与适应度 # 定义适应度我们需要最大化两个目标所以权重都设为 1.0 # weights(1.0, 1.0) 表示我们希望同时最大化这两个值 creator.create(FitnessMulti, base.Fitness, weights(1.0, 1.0)) # 定义个体每个个体包含一组随机森林的超参数 # 我们选择优化4个关键超参数 # 1. n_estimators (树的数量) # 2. max_depth (树的最大深度) # 3. min_samples_split (节点分裂所需的最小样本数) # 4. min_samples_leaf (叶节点所需的最小样本数) creator.create(Individual, list, fitnesscreator.FitnessMulti) # 4.3 创建工具箱 (Toolbox) toolbox base.Toolbox() # 定义每个基因超参数的生成方式 # n_estimators: 整数范围 [50, 300] toolbox.register(attr_n_estimators, random.randint, 50, 300) # max_depth: 整数范围 [5, 50] toolbox.register(attr_max_depth, random.randint, 5, 50) # min_samples_split: 整数范围 [2, 20] toolbox.register(attr_min_samples_split, random.randint, 2, 20) # min_samples_leaf: 整数范围 [1, 20] toolbox.register(attr_min_samples_leaf, random.randint, 1, 20) # 将基因组合成个体 # n1 表示每个函数调用1次生成一个完整的个体 toolbox.register(individual, tools.initCycle, creator.Individual, (toolbox.attr_n_estimators, toolbox.attr_max_depth, toolbox.attr_min_samples_split, toolbox.attr_min_samples_leaf), n1) # 定义种群 toolbox.register(population, tools.initRepeat, list, toolbox.individual) # 4.4 定义评估函数 def evaluate_rf(individual): 评估函数接收一个个体超参数组合返回其在测试集上的精确率, 召回率 # 从个体中解析超参数 n_estimators, max_depth, min_samples_split, min_samples_leaf individual # 创建并训练随机森林模型 rf RandomForestClassifier( n_estimatorsn_estimators, max_depthmax_depth, min_samples_splitmin_samples_split, min_samples_leafmin_samples_leaf, random_state42, n_jobs-1 # 使用所有可用的CPU核心 ) rf.fit(X_train, y_train) # 在测试集上进行预测 predictions rf.predict(X_test) # 计算精确率和召回率 # precision_score 和 recall_score 默认计算正类标签为1的指标 precision precision_score(y_test, predictions) recall recall_score(y_test, predictions) # 返回评估结果注意必须是元组 return (precision, recall) # 注册评估函数、交叉、变异和选择算子 toolbox.register(evaluate, evaluate_rf) toolbox.register(mate, tools.cxTwoPoint) # 两点交叉 toolbox.register(mutate, tools.mutUniformInt, low[50, 5, 2, 1], up[300, 50, 20, 20], indpb0.2) # 均匀整数变异 toolbox.register(select, tools.selNSGA2) # NSGA-II 选择算法 def run_optimization(): 运行NSGA-II多目标优化算法 这个函数的作用 1. 设置统计信息收集器用于监控优化过程 2. 创建初始种群 3. 运行遗传算法进行多目标优化 4. 返回最终的优化结果 # 统计信息收集器 - 用于监控优化过程 # 这些统计信息帮助我们了解算法的收敛情况 stats tools.Statistics(lambda ind: ind.fitness.values) # 获取每个个体的适应度值 # 注册统计函数 - 对每一代种群计算这些统计量 stats.register(avg, np.mean, axis0) # 平均值看整体水平趋势 stats.register(std, np.std, axis0) # 标准差看种群多样性 stats.register(min, np.min, axis0) # 最小值看最差个体表现 stats.register(max, np.max, axis0) # 最大值看最好个体表现 print( 开始多目标优化...) print( 将监控以下统计信息) print( • avg: 每一代的平均精确率和召回率) print( • std: 种群的多样性程度) print( • min: 最差个体的表现) print( • max: 最好个体的表现) print() # 初始化种群 pop toolbox.population(n50) # 创建50个随机个体作为初始种群 print(f初始化种群完成种群大小: {len(pop)}) # 运行NSGA-II算法进行演化 print(开始演化过程...) start_time time.time() # eaMuPlusLambda 是 DEAP 提供的 (μ λ) 演化策略 # μ: 父代数量λ: 子代数量 final_pop, logbook algorithms.eaMuPlusLambda( pop, toolbox, mu50, # 父代种群大小 lambda_50, # 每一代产生的子代数量 cxpb0.7, # 交叉概率 (70%的个体会进行交叉) mutpb0.2, # 变异概率 (20%的个体会发生变异) ngen20, # 演化代数 (为了演示设置得较小) statsstats, # 统计信息收集器 halloffameNone, # 不使用名人堂 verboseTrue # 显示每一代的进化过程 ) end_time time.time() print(f\n多目标优化完成) print(f总耗时: {end_time - start_time:.2f} 秒) print(f最终种群大小: {len(final_pop)}) return final_pop # 运行优化 print( * 60) print(开始运行多目标优化算法) print( * 60) final_pop run_optimization() # 5.1 提取帕累托前沿的解 # 使用 tools.selBest 可以方便地从种群中选出最优的个体 # 在多目标优化中它会返回所有非支配解 pareto_front tools.selBest(final_pop, klen(final_pop)) print(f找到了 {len(pareto_front)} 个帕累托最优解。) print(\n部分最优解 (超参数) 及其对应的 (精确率, 召回率):) print(- * 60) print(n_est, max_d, min_split, min_leaf | Precision | Recall) print(- * 60) # 存储结果用于绘图 pareto_points [] for ind in pareto_front: params ind fitness ind.fitness.values pareto_points.append(fitness) print(f{str(params):30} | {fitness[0]:.5f} | {fitness[1]:.5f}) # 转换为numpy数组方便处理 pareto_points np.array(pareto_points) # 5.2 可视化帕累托前沿 plt.figure(figsize(10, 7)) # 绘制基准模型 base_precision precision_score(y_test, rf_pred) base_recall recall_score(y_test, rf_pred) plt.scatter(base_recall, base_precision, markers, colorr, s150, labelf基准模型 (Recall{base_recall:.3f}, Precision{base_precision:.3f}), zorder3) # 绘制帕累托前沿 plt.scatter(pareto_points[:, 1], pareto_points[:, 0], facecolorsnone, edgecolorsb, s80, label帕累托前沿解, zorder2) plt.title(多目标优化结果帕累托前沿, fontsize16) plt.xlabel(召回率 (Recall), fontsize12) plt.ylabel(精确率 (Precision), fontsize12) plt.grid(True, linestyle--, alpha0.6) plt.legend() plt.show()结果通过多目标优化我们不再是得到一个单一的“最佳”模型而是得到了一系列“各有所长”的优秀模型这为实际应用提供了更大的灵活性。