- 博客(44)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 python打卡DAY44
arrange排列函数。# filter数据筛选。# select选择函数。# mutate变形函数。# join数据合并。
2025-06-10 16:03:26
213
原创 python打卡DAY43
arrange排列函数。# filter数据筛选。# select选择函数。# mutate变形函数。# join数据合并。
2025-06-09 20:06:04
277
原创 python打卡DAY42
# arrange排列函数。# filter数据筛选。# select选择函数。# mutate变形函数。# join数据合并。
2025-06-08 22:42:20
650
原创 python打卡DAY41
dim(t2)# View(t2)# dim(t3)# View(t3)# dim(t6)# View(t6)# dim(t7)# str(tt)# str(tt)# View(tt)attach(tt)# View(tt)detach(tt)attach(tt)})str(tt)
2025-06-07 22:44:06
522
原创 python打卡DAY40
=================== 构建 Attention 模型 =====================print(f"最佳测试集损失出现在第{best_epoch}轮，损失值为{best_test_loss:.4f}")# =================== 可视化损失与权重 =====================在第{epoch+1}轮，测试集损失已有{patience}轮未改善。# =================== 数据预处理 =====================
2025-06-07 00:31:34
706
原创 python打卡DAY39
=================== 构建 Attention 模型 =====================print(f"最佳测试集损失出现在第{best_epoch}轮，损失值为{best_test_loss:.4f}")# =================== 可视化损失与权重 =====================在第{epoch+1}轮，测试集损失已有{patience}轮未改善。# =================== 数据预处理 =====================
2025-06-03 20:40:49
675
原创 python打卡DAY38
=================== 构建 Attention 模型 =====================print(f"最佳测试集损失出现在第{best_epoch}轮，损失值为{best_test_loss:.4f}")# =================== 可视化损失与权重 =====================在第{epoch+1}轮，测试集损失已有{patience}轮未改善。# =================== 数据预处理 =====================
2025-06-02 21:43:09
753
原创 python打卡DAY37
=================== 构建 Attention 模型 =====================# # =================== 可视化损失与权重 =====================# =================== 特征列聚类增强 =====================# =================== 数据预处理 =====================print(f"加载第{best_epoch}轮的最佳模型进行最终评估...")
2025-06-02 08:53:44
923
原创 python打卡DAY36
print(f"最佳测试集损失出现在第{best_epoch}轮，损失值为{best_test_loss:.4f}")# # =================== 可视化损失与权重 =====================# =================== 特征列聚类增强 =====================# =================== 数据预处理 =====================print(f"加载第{best_epoch}轮的最佳模型进行最终评估...")
2025-05-31 15:28:56
643
原创 python DAY35
=================== 构建 Attention 模型 =====================print(f"最佳测试集损失出现在第{best_epoch}轮，损失值为{best_test_loss:.4f}")# =================== 可视化损失与权重 =====================# =================== 数据预处理 =====================# # 张量具有to(device)方法，可以将张量移动到指定的设备上。
2025-05-30 20:03:44
588
原创 python打卡DAY34
=================== 构建 Attention 模型 =====================print(f"最佳测试集损失出现在第{best_epoch}轮，损失值为{best_test_loss:.4f}")# # =================== 可视化损失与权重 =====================print(f"早停触发！# =================== 数据预处理 =====================
2025-05-29 17:28:34
894
原创 python打卡DAY33
=================== 构建 Attention 模型 =====================print(f"最佳测试集损失出现在第{best_epoch}轮，损失值为{best_test_loss:.4f}")# =================== 可视化损失与权重 =====================# =================== 数据预处理 =====================# # 张量具有to(device)方法，可以将张量移动到指定的设备上。
2025-05-28 16:31:24
621
原创 python打卡DAY32
ordinal_categories=[['< 1 year', '1 year', '2 years', '3 years', '4 years', '5 years', '6 years', '7 years', '8 years', '9 years', '10+ years']] # Years in current job 的顺序 (对应1-11)print(f"最佳测试集损失出现在第{best_epoch}轮，损失值为{best_test_loss:.4f}")print(f"早停触发！
2025-05-27 22:27:27
544
原创 python打卡DAY31
ordinal_categories=[['< 1 year', '1 year', '2 years', '3 years', '4 years', '5 years', '6 years', '7 years', '8 years', '9 years', '10+ years']] # Years in current job 的顺序 (对应1-11)print(f"最佳测试集损失出现在第{best_epoch}轮，损失值为{best_test_loss:.4f}")print(f"早停触发！
2025-05-27 00:43:07
861
原创 python打卡DAY30
# y_train和y_test是整数，所以需要转化为long类型，如果是float32，会输出1.0 0.0。# # 将数据转换为 PyTorch 张量，因为 PyTorch 使用张量进行训练。# # # 归一化数据，神经网络对于输入数据的尺寸敏感，归一化是最常见的处理方式。# # 归一化数据，神经网络对于输入数据的尺寸敏感，归一化是最常见的处理方式。# # ##自变量有多个,且量纲不尽相同对其进行归一化减少量纲对结果的影响。# # 张量具有to(device)方法，可以将张量移动到指定的设备上。
2025-05-25 16:26:22
315
原创 python打卡DAY29
ordinal_categories=[['< 1 year', '1 year', '2 years', '3 years', '4 years', '5 years', '6 years', '7 years', '8 years', '9 years', '10+ years']] # Years in current job 的顺序 (对应1-11)# print(f"训练集 t-SNE耗时: {end_time - start_time:.2f} 秒")
2025-05-24 21:47:57
567
原创 python打卡DAY28
ordinal_catagories=[['< 1 year', '1 year', '2 years', '3 years', '4 years', '5 years', '6 years', '7 years', '8 years', '9 years', '10+ years']] # Years in current job 的顺序 (对应1-11)# print(f"训练集 t-SNE耗时: {end_time - start_time:.2f} 秒")
2025-05-24 00:41:57
909
原创 python 打卡DAY27
ordinal_catagories=[['< 1 year', '1 year', '2 years', '3 years', '4 years', '5 years', '6 years', '7 years', '8 years', '9 years', '10+ years']] # Years in current job 的顺序 (对应1-11)# # from sklearn.linear_model import LogisticRegression #逻辑回归分类器。
2025-05-23 00:00:13
1110
2
原创 python打卡DAY26
ordinal_catagories=[['< 1 year', '1 year', '2 years', '3 years', '4 years', '5 years', '6 years', '7 years', '8 years', '9 years', '10+ years']] # Years in current job 的顺序 (对应1-11)# kmeans_label=kmeans.fit_predict(x_scaled)#提供了每个数据点所属的簇的信息，用于区分不同簇的数据点。
2025-05-21 22:40:06
734
原创 python打卡DAY25
ordinal_categories = [['< 1 year', '1 year', '2 years', '3 years', '4 years', '5 years', '6 years', '7 years', '8 years', '9 years', '10+ years']] # Years in current job 的顺序 (对应1-11)# # from sklearn.linear_model import LogisticRegression #逻辑回归分类器。
2025-05-20 23:51:36
758
原创 python打卡DAY24
ordinal_categories = [['< 1 year', '1 year', '2 years', '3 years', '4 years', '5 years', '6 years', '7 years', '8 years', '9 years', '10+ years']] # Years in current job 的顺序 (对应1-11)# kmeans_label=kmeans.fit_predict(x_scaled)#提供了每个数据点所属的簇的信息，用于区分不同簇的数据点。
2025-05-19 22:33:15
340
原创 python打卡DAY23
ordinal_categories=[['< 1 year', '1 year', '2 years', '3 years', '4 years', '5 years', '6 years', '7 years', '8 years', '9 years', '10+ years']] # Years in current job 的顺序 (对应1-11)# kmeans_label=kmeans.fit_predict(x_scaled)#提供了每个数据点所属的簇的信息，用于区分不同簇的数据点。
2025-05-18 19:45:22
870
原创 python打卡DAY22
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score # 用于评估分类器性能的指标。# # print(f'k={k}\n 惯性:{kmeans.inertia_:.2f}\n轮廓系数:{silhouette:.3f}\n CH系数:{ch:.2f}\n DB{db:.3f}')# print(f'聚类分析耗时：{end_time-start_time:.4f}')
2025-05-17 23:48:08
1105
原创 python打卡DAY21
print('shap_values[0,:,:]shape',shap_values[0,:,:].shape)##这里也可以省略后面的写作shap_values[0】，代表第一个样本所有特征对所有类别的贡献，后面部位可以省略但是前面不能。# print(f'k={k}\n 惯性:{kmeans.inertia_:.2f}\n轮廓系数:{silhouette:.3f}\n CH系数:{ch:.2f}\n DB{db:.3f}')
2025-05-17 00:48:52
473
原创 python打卡DAY20
##注入所需库import pandas as pdimport seaborn as snsimport matplotlib.pyplot as pltimport randomimport numpy as npimport timeimport shapfrom sklearn.svm import SVC #支持向量机分类器# from sklearn.neighbors import KNeighborsClassifier #K近邻分类器# from sklearn.linear_model
2025-05-16 00:24:36
914
原创 python打卡DAY19
print('shap_values[0,:,:]shape:',shap_values[0,:,:].shape)##这里也可以省略后面的写作shap_values[0】，代表第一个样本所有特征对所有类别的贡献，后面部位可以省略但是前面不能。# print(f'k={k}\n 惯性:{kmeans.inertia_:.2f}\n轮廓系数:{silhouette:.3f}\n CH系数:{ch:.2f}\n DB{db:.3f}')
2025-05-14 21:29:55
895
原创 python打卡DAY18
print('shap_values[0,:,:] shape:',shap_values[0,:,:].shape)##这里也可以省略后面的写作shap_values[0】，代表第一个样本所有特征对所有类别的贡献，后面部位可以省略但是前面不能。# print(f'k={k}\n 惯性:{kmeans.inertia_:.2f}\n轮廓系数:{silhouette:.3f}\n CH系数:{ch:.2f}\n DB{db:.3f}')
2025-05-14 00:25:23
697
原创 python打卡DAY17
print('shap_values[0,:,:] shape:',shap_values[0,:,:].shape)##这里也可以省略后面的写作shap_values[0】，代表第一个样本所有特征对所有类别的贡献，后面部位可以省略但是前面不能。# print(f'k={k}\n 惯性:{kmeans.inertia_:.2f}\n轮廓系数:{silhouette:.3f}\n CH系数:{ch:.2f}\n DB{db:.3f}')
2025-05-12 23:58:34
801
原创 python打卡DAY16
print('shap_values[0,:,:] shape:',shap_values[0,:,:].shape)####这里也可以省略后面的写作shap_values[0】，后面部位可以省略但是前面不能。#print(f'k={k}\n 惯性:{kmeans.inertia_:.2f}\n 轮廓系数:{silhouette:.3f}\n CH指数:{ch:.2f}\n DB指数{db:.3f}')# print(f'训练与预测耗时:{end_time - start_time:.4f}')
2025-05-12 00:53:22
665
原创 python打卡DAY5
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score # 用于评估分类器性能的指标。# print(f'训练与预测耗时:{end_time - start_time:.4f}')# print(f'训练与预测耗时:{end_time-start_time:.4f}')# print(f'网格搜索耗时:{end_time-start_time:.4f}秒')
2025-05-11 00:10:39
304
原创 python打卡DAY14
n_estimators, max_depth, min_samples_split, min_samples_leaf = params # 序列解包，允许你将一个可迭代对象（如列表、元组、字符串等）中的元素依次赋值给多个变量。from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score # 用于评估分类器性能的指标。
2025-05-10 02:10:10
655
原创 python打卡DAY13
n_estimators, max_depth, min_samples_split, min_samples_leaf = params # 序列解包，允许你将一个可迭代对象（如列表、元组、字符串等）中的元素依次赋值给多个变量。from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score # 用于评估分类器性能的指标。
2025-05-09 00:21:50
473
原创 python打卡DAY12
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score # 用于评估分类器性能的指标。print(f'平均{clean_metric_name}:{np.mean(scores):.4f}(+/-{np.std(scores):.4f})')# print(f"随机过采样后训练与预测耗时: {end_time_ros - start_time_ros:.4f} 秒")
2025-05-08 00:38:01
730
原创 python打卡DAY11
n_estimators, max_depth, min_samples_split, min_samples_leaf = params # 序列解包，允许你将一个可迭代对象（如列表、元组、字符串等）中的元素依次赋值给多个变量。from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score # 用于评估分类器性能的指标。
2025-05-07 00:45:36
678
原创 python打卡DAY10
print(f"遗传算法优化耗时: {end_time - start_time:.4f} 秒")# print(f'训练与预测耗时:{end_time - start_time:.4f}')# print(f'训练与预测耗时:{end_time - start_time:.4f}')# print("\n--- 2. 网格搜索优化随机森林 (训练集 -> 测试集) ---")# print("\n--- 2. 遗传算法优化随机森林 (训练集 -> 测试集) ---")
2025-05-05 20:52:06
719
原创 python打卡DAY9
print("\n--- 2. 网格搜索优化随机森林 (训练集 -> 测试集) ---")# print("--- 1. 默认参数随机森林 (训练集 -> 测试集) ---")# print("--- 1. 默认参数随机森林 (训练集 -> 测试集) ---")# print("--- 1. 默认参数随机森林 (训练集 -> 测试集) ---")# print("--- 1. 默认参数随机森林 (训练集 -> 测试集) ---")
2025-05-05 00:55:24
616
原创 python打卡DAY8
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score # 用于评估分类器性能的指标。print(f'准确率：{svm_accuracy:.4f}\n精确率:{svm_precision}\n召回率:{svm_recall:.4f}\nF1值:{svm_f1:.4f}')# plt.legend(labels=['否','是'])# plt.xticks([0,1],['否','是'])
2025-05-03 22:00:27
440
原创 python打卡DAY7
print(f'索引{i}对应的特征是：{feature}')# plt.legend(labels=['否','是'])# plt.legend(labels=['否','是'])# plt.legend(labels=['否','是'])# plt.xticks([0,1],['否','是'])# plt.title('年收入箱线图')# plt.title('相关热力图')# plt.xlabel('年收入')#查看基本信息与缺失值。# #绘制热力图&子图。
2025-05-02 21:38:14
524
原创 python打卡DAY6
解释：这里 x='Number of Open Account' 表示 data 这个 DataFrame 中的一列。data=data 明确告诉 seaborn 去这个 DataFrame 中找列。seaborn 内部会根据 x 和 hue 的列名在 data 中自动查找和处理。plt.title('在当前工作年限直方图')plt.xlabel('在当前工作年限')plt.title('年收入箱线图')plt.ylabel('员工数量')plt.xlabel('年收入')
2025-05-02 00:42:07
379
原创 python打卡DAY5
它的核心思想是将数据分成若干个区间（称为“桶”或“bin”），然后统计每个区间内的数据点数量。plt.title('Annual Income 的箱线图')plt.title('在当前工作年限直方图')plt.title('在当前工作年限直方图')plt.xlabel('在当前工作年限')plt.xlabel('在当前工作年限')plt.title('年收入箱线图')plt.ylabel('员工数量')plt.ylabel('员工数量')plt.xlabel('年收入')复习：数据编码与缺失值填补。
2025-04-30 23:18:55
745
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人