企业官网建设流程全解析

php做商城网站,wordpress 放大镜插件,网站开发的设计与实现,冰雪复古传奇手游官网一、任务在进行平均值填充后的数据集上#xff0c;系统性地应用八种主流的分类算法#xff0c;得出它们在矿物类型预测中准确率、召回率等指标二、核心工作1.模型实践#xff1a;逐一实现八种算法。2.横向对比#xff1a;使用准确率、召回率等指标#xff0c;公平地评估各…一、任务在进行平均值填充后的数据集上系统性地应用八种主流的分类算法得出它们在矿物类型预测中准确率、召回率等指标二、核心工作1.模型实践逐一实现八种算法。2.横向对比使用准确率、召回率等指标公平地评估各模型在相同测试集上的表现。3.结果存档将所有模型的评估结果结构化地保存为JSON文件便于后续分析和报告。三、数据准备使用经过“平均值填充”方法预处理后的数据集import pandas as pd # 加载清洗后的训练数据 train_data pd.read_excel(r.//填充后的数据//训练数据集[平均值].xlsx) train_data_x train_data.drop([矿物类型], axis1) train_data_y train_data[矿物类型] # 加载清洗后的测试数据 test_data pd.read_excel(r.//填充后的数据//测试数据集[平均值].xlsx) test_data_x test_data.drop([矿物类型], axis1) test_data_y test_data[矿物类型] result_data {}四、模型介绍与实现4.1逻辑回归核心概念一种经典的线性分类模型通过Sigmoid函数将线性回归结果映射为概率。关键参数Cpenaltysolverfrom sklearn import metrics lr LogisticRegression(C0.001,max_iter 100,penaltynone,solverlbfgs) lr.fit(train_data_x,train_data_y) train_predicted lr.predict(train_data_x) #训练数据集预测结果 print(LR的train:\n,metrics.classification_report(train_data_y, train_predicted)) test_predicted lr.predict(test_data_x) #数据集预测结果 print(LR的test:\n,metrics.classification_report(test_data_y, test_predicted)) a metrics.classification_report(test_data_y, test_predicted,digits6) ba.split() LR_result{} LR_result[recall_0] float(b[6])#添加类别为0的召回率 LR_result[recall_1] float(b[11])#添加类别为1的台回率 LR_result[recall_2] float(b[16])# 添加类别为2的召回率 LR_result[recall_3] float(b[21])#添加类别为3的台回率 LR_result[acc]float(b[25]) result_data[LR]LR_result print(lr训练结束)4.2随机森林核心概念集成学习算法通过构建多棵决策树并综合投票结果来提高预测精度和稳定性。关键参数n_estimators树的数量max_depth树的最大深度max_features寻找最佳分割时考虑的特征数。from sklearn import metrics rfc RandomForestClassifier(bootstrapFalse,max_depth20, max_featureslog2, min_samples_leaf1, min_samples_split2, n_estimators 50,random_state487) rfc.fit(train_data_x,train_data_y) train_predicted rfc.predict(train_data_x) #训练数据集预测结果 print(RFC的train:\n,metrics.classification_report(train_data_y, train_predicted)) test_predicted rfc.predict(test_data_x) #数据集预测结果 print(RFC的test:\n,metrics.classification_report(test_data_y, test_predicted)) a metrics.classification_report(test_data_y, test_predicted,digits6) ba.split() RFC_result{} RFC_result[recall_0] float(b[6])#添加类别为0的召回率 RFC_result[recall_1] float(b[11])#添加类别为1的台回率 RFC_result[recall_2] float(b[16])# 添加类别为2的召回率 RFC_result[recall_3] float(b[21])#添加类别为3的台回率 RFC_result[acc]float(b[25]) result_data[RFC]RFC_result print(rf训练结束)4.3SVM支持向量机核心概念寻找一个最优超平面使得不同类别样本之间的间隔最大化。关键参数C惩罚系数from sklearn.svm import SVC from sklearn import metrics svm SVC(C1, coef00.1, degree 4, gamma 1, kernelpoly, probabilityTrue, random_state100) svm.fit(train_data_x,train_data_y) train_predicted svm.predict(train_data_x) #训练数据集预测结果 print(SVM的train:\n,metrics.classification_report(train_data_y, train_predicted)) test_predicted svm.predict(test_data_x) #数据集预测结果 print(SVM的test:\n,metrics.classification_report(test_data_y, test_predicted)) a metrics.classification_report(test_data_y, test_predicted,digits6) ba.split() SVM_result{} SVM_result[recall_0] float(b[6])#添加类别为0的召回率 SVM_result[recall_1] float(b[11])#添加类别为1的台回率 SVM_result[recall_2] float(b[16])# 添加类别为2的召回率 SVM_result[recall_3] float(b[21])#添加类别为3的台回率 SVM_result[acc]float(b[25]) result_data[SVM]SVM_result print(svm训练结束)4.4AdaBoost核心概念一种自适应增强算法通过串行训练多个弱分类器如深度较浅的决策树并调整样本权重最终组合成一个强分类器。关键参数n_estimators树的数量learning_rate学习率from sklearn.ensemble import AdaBoostClassifier from sklearn.tree import DecisionTreeClassifier from sklearn import metrics abf AdaBoostClassifier(algorithm SAMME,base_estimator DecisionTreeClassifier(max_depth2),n_estimators200,learning_rate 1.0,random_state0) abf.fit(train_data_x,train_data_y) train_predicted abf.predict(train_data_x) #训练数据集预测结果 print(ABF的train:\n,metrics.classification_report(train_data_y, train_predicted)) test_predicted abf.predict(test_data_x) #数据集预测结果 print(ABF的test:\n,metrics.classification_report(test_data_y, test_predicted)) a metrics.classification_report(test_data_y, test_predicted,digits6) ba.split() ABF_result{} ABF_result[recall_0] float(b[6])#添加类别为0的召回率 ABF_result[recall_1] float(b[11])#添加类别为1的台回率 ABF_result[recall_2] float(b[16])# 添加类别为2的召回率 ABF_result[recall_3] float(b[21])#添加类别为3的台回率 ABF_result[acc]float(b[25]) result_data[ABF]ABF_result print(abf训练结束)4.5XGBoost核心概念一种高效的梯度提升决策树库通过二阶导数优化损失函数而且本身带有正则化以防止过拟合关键参数n_estimators, max_depth, learning_rate, subsample样本采样比例。from xgboost import XGBClassifier from sklearn import metrics xgbc XGBClassifier(learning_rate0.05,#学习率 n_estimators200, # 决策树数量 num_class 5, max_depth7, #树的最大深度 min_child_weight1,#叶子节点中最小的样本权重和 gamma0, #节点分裂所需的最小损失函数下降值 subsample0.6, #训练样本的子样本比例 colsample_bytree0.8, #每棵树随机采样的列数的占比 objectivemulti:softmax, #损失函数类型(对于二分类问题) seed0 #随机数种子 ) xgbc.fit(train_data_x,train_data_y) train_predicted xgbc.predict(train_data_x) #训练数据集预测结果 print(XGB的train:\n,metrics.classification_report(train_data_y, train_predicted)) test_predicted xgbc.predict(test_data_x) #数据集预测结果 print(XGB的test:\n,metrics.classification_report(test_data_y, test_predicted)) a metrics.classification_report(test_data_y, test_predicted,digits6) ba.split() XGBF_result{} XGBF_result[recall_0] float(b[6])#添加类别为0的召回率 XGBF_result[recall_1] float(b[11])#添加类别为1的台回率 XGBF_result[recall_2] float(b[16])# 添加类别为2的召回率 XGBF_result[recall_3] float(b[21])#添加类别为3的台回率 XGBF_result[acc]float(b[25]) result_data[XGBF]XGBF_result print(xgb训练结束)4.6高斯贝叶斯核心概念基于贝叶斯定理假设特征服从高斯分布计算样本属于各个类别的后验概率。模型简单训练速度快。from sklearn.naive_bayes import GaussianNB from sklearn import metrics gnb GaussianNB() gnb.fit(train_data_x,train_data_y) train_predicted gnb.predict(train_data_x) #训练数据集预测结果 print(GNB的train:\n,metrics.classification_report(train_data_y, train_predicted)) test_predicted gnb.predict(test_data_x) #数据集预测结果 print(GNB的test:\n,metrics.classification_report(test_data_y, test_predicted)) a metrics.classification_report(test_data_y, test_predicted,digits6) ba.split() GNB_result{} GNB_result[recall_0] float(b[6])#添加类别为0的召回率 GNB_result[recall_1] float(b[11])#添加类别为1的台回率 GNB_result[recall_2] float(b[16])# 添加类别为2的召回率 GNB_result[recall_3] float(b[21])#添加类别为3的台回率 GNB_result[acc]float(b[25]) result_data[GNB]GNB_result print(gnb训练结束)延伸使用以上六种方法时都没有进行参数优化而是直接取值因此如果想要使得到的准确率等指标更高可以使用网格搜索进行参数的优化使用最优参数进行训练1网格搜索的概念网格搜索是一种超参数优化的经典方法用于系统地寻找机器学习模型的最佳参数组合。2目的自动调参替代手动试错寻找最优超参数组合模型性能最大化找到使模型在训练集上表现最好的参数3工作原理以逻辑回归的参数优化为例param_grid [ # 对于 l2 或 none 惩罚 { penalty: [l2, none], C: [0.001, 0.01, 0.1, 1, 10, 100], solver: [newton-cg, lbfgs, sag, saga], max_iter: [500, 1000], multi_class: [auto, ovr, multinomial] }, # 对于 l1 惩罚 { penalty: [l1], C: [0.001, 0.01, 0.1, 1, 10, 100], solver: [liblinear, saga], # 只有这些支持l1 max_iter: [500, 1000], multi_class: [auto, ovr] }, # 对于 elasticnet 惩罚 { penalty: [elasticnet], C: [0.001, 0.01, 0.1, 1, 10, 100], solver: [saga], # 只有saga支持elasticnet l1_ratio: [0.1, 0.5, 0.9], # l1正则化的比例 max_iter: [500, 1000], multi_class: [auto, ovr, multinomial] } ] logreg LogisticRegression() grid_search GridSearchCV(logreg, param_grid, cv5)#创建GridSearchCV对象 grid_search.fit(train_data_x, train_data_y)#在训练集上执行网络搜索 print(grid_search.best_params_)#输出最佳参数注在进行参数组合是要考虑参数之间是否兼容4.7神经网络核心概念使用PyTorch构建一个多层感知机通过多个全连接层和非线性激活函数来学习复杂的非线性关系。流程1.定义神经网络结构import torch import torch.nn as nn # 定义神经网络结构 class Net(nn.Module):#pytorch tensorflow def __init__(self): super(Net, self).__init__() self.fc1 nn.Linear(13, 32) self.fc2 nn.Linear(32, 64) self.fc3 nn.Linear(64, 4) # # def forward(self,x):#覆盖父类的方法 x torch.relu(self.fc1(x)) x torch.relu(self.fc2(x)) x self.fc3(x) return x2.准备数据X_train torch.tensor(train_data_x.values, dtypetorch.float32)#将表格数据转换成张量数据 Y_train torch.tensor(train_data_y.values) X_test torch.tensor(test_data_x.values, dtypetorch.float32) Y_test torch.tensor(test_data_y.values)3.定义损失函数和优化器model Net() criterion nn.CrossEntropyLoss() #交叉熵损失函数 optimizer torch.optim.Adam(model.parameters(), lr0.001)4.训练循环def evaluate_model(model, X_data, Y_data, train_or_test): size len(X_data) with torch.no_grad():#禁用梯度下降的方法 predictions model(X_data) correct (predictions.argmax(1) Y_data).type(torch.float).sum().item() correct / size loss criterion(predictions, Y_data).item() print(f{train_or_test}: \t Accuracy: {(100 * correct)}%) return correct5.评估和保存结果epochs 15000 accs[] for epoch in range(epochs):# 训练网络 optimizer.zero_grad() #梯度的初始化 outputs model(X_train) loss criterion(outputs, Y_train) loss.backward() optimizer.step() if(epoch1)% 100 0: print(fEpoch [{epoch 1}/{epochs}], Loss: {loss.item():.4f}) train_acc evaluate_model(model, X_train, Y_train,train) test_acc evaluate_model(model, X_test, Y_test,test) accs.append(test_acc*100) net_result {} net_result[acc] max(accs) result_data[net] net_result4.8卷积神经网络核心概念将每个样本的多个特征视作一个一维序列使用一维卷积核来提取局部特征模式最后通过全局池化和全连接层分类。流程1.定义 1D CNN 网络结构class ConvNet(nn.Module): def __init__(self, num_features, hidden_size, num_classes): super(ConvNet,self).__init__() self.conv1 nn.Conv1d(in_channels1, out_channels16, kernel_size3, padding1) self.conv2 nn.Conv1d(in_channels16, out_channels32, kernel_size3, padding1) self.conv3 nn.Conv1d(in_channels32, out_channels64, kernel_size3, padding1) self.relu nn.ReLU() self.fc nn.Linear(64, num_classes) def forward(self, x): # 由于Conv1d期垒的输入维度是(batch_sizechannelslength)我们需要增加一个维度 x x.unsqueeze(1) # 增/channels.維/ x self.conv1(x) x self.relu(x) x self.conv2(x) x self.relu(x) x self.conv3(x) x self.relu(x) x x.mean(dim2) # 这里使用平均优化作为简化操作 x self.fc(x) return x2.准备数据并进行模型初始化X_train torch.tensor(train_data_x.values, dtypetorch.float32)# Y_train torch.tensor(train_data_y.values) X_test torch.tensor(test_data_x.values, dtypetorch.float32) Y_test torch.tensor(test_data_y.values) hidden_size 10 num_classes 4 model ConvNet(13, hidden_size, num_classes)3.定义损失函数和优化器criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr0.001)4.训练循环num_epochs 15000 accs[] for epoch in range(num_epochs): outputs model(X_train) # 前向 loss criterion(outputs, Y_train) optimizer.zero_grad() #反向传播和优化 loss.backward() optimizer.step() if (epoch 1) % 100 0:#每隔100次打印训练结果 print(fEpoch [{epoch 1}/{num_epochs}], Loss: {loss.item():.4f}) #测试模型 with torch.no_grad(): predictions model(X_train) predicted_classes predictions.argmax(dim1) accuracy (predicted_classes Y_train).float().mean() print(fTrain Accuracy:{accuracy.item() * 100:.2f}%) predictions model(X_test) predicted_classes predictions.argmax(dim1) accuracy (predicted_classes Y_test).float().mean() print(fTest Accuracy: {accuracy.item() * 100:.2f}%) accs.append(accuracy*100)5.保存结果cnn_result {} cnn_result[acc] max(accs).item() result_data[cnn] cnn_result五、保存文件所有模型训练完成后将结果进行保存import json result{} result[平均值填充]result_data with open(r.//填充后的数据//平均值填充训练结果.json,w,encodingutf-8) as file: json.dump(result,file,ensure_asciiFalse,indent4)