- 博客(183)
- 收藏
- 关注
RSS订阅原创 25网络 python模拟测试
else: print(“60元”))20、已知 L = [3, 1, 4, 1, 5]，执行 L.sort（reverse=True） 后，L的值为（ ） [单选题] *23、现有元组 t = （1, 2, 3, 4），执行 t2 = t * 2 后，len（t2） 的结果是（ ） [单选题] *11、已知 s = “Python”，执行 print（s[::-1]） 的结果是（ ） [单选题] *19、已知 L = [3, 1, 4, 1, 5]，L.count（1） 的结果是（ ） [单选题] *
2026-11-05 14:12:17
210
原创 Python——字符串与格式化输出
说明：重点标记二级考试考点、易错坑点，代码可以直接在IDLE运行。前置知识：已经掌握4种基础数据类型、类型转换、算术运算符、input()输入。
2026-11-04 13:11:47
309
原创 第1周——认清考试与IDLE生存指南
大家之前都已经学过一轮Python了，写九九乘法表、做数字反转都不在话下。但是，。从今天开始，我们要把以前学的知识，全部转化为考试的分数！
2026-10-27 18:36:18
167
原创 随机森林：让一群“小专家”帮你做决定
上节课我们做了好几道决策树习题，比如还有——这些规则清晰、好懂，画出来一目了然。好比奶茶店老板把的偏好都记成规则：“穿红衣服的小王来了就推荐果茶”“戴眼镜的小李来了就推荐热奶茶”……规则越记越多、越记越细，结果来了一个，老板反而不知道推荐什么了——因为他记的都是“个例”，不是“规律”。决策树也一样：树长得越深，越会揪住训练数据里的不放，遇到新数据反而判不准。🧩：一棵决策树就像一个——老顾客的喜好他记得滴水不漏，但新顾客一进门，他就“这人我没见过”，反而不会推荐了。
2026-10-26 23:37:47
214
原创 ID3决策树实验报告
任务：在原有递归建树逻辑基础上，新增两个停止条件：最大深度、节点最小样本数，实现预剪枝，抑制过拟合。过拟合：决策树不断分裂，直到所有叶子节点类别纯、或者特征耗尽，会学习到训练集噪声，泛化能力变差。理解原生ID3决策树存在的问题：无剪枝、容易过拟合、仅能生成树结构，不能对新样本预测。任务：搭建基础模块，实现信息熵计算、数据集划分、多数类统计，是ID3的底层依赖。任务：调用上面函数，训练带剪枝的决策树，打印树，输入测试样本查看分类结果。复习ID3决策树原理：信息熵、信息增益、特征选择、数据集划分。
2026-10-26 09:31:58
193
原创 6-1 字符串格式化
print(“姓名: %s，年龄：%d，价格：%.4f” % (name,age,price))print(“价格：%.2f” % price) #输出精度为2。print(“价格：%f” % price) #默认精度为6。将字符串中所有大写转换为小写，所有小写转换为大写。将字符串的第一个字符转换为大写，其他字符为小写。name=“alice” #字符串类型 %s。print(“姓名：%s” % name)print(“年龄：%d” % age)将字符串所有大写字符转换为小写。age=25 #整数 %d。
2026-10-08 15:03:52
260
原创 24大数据 散点图复习
某健身房统计会员运动时长与消耗卡路里数据：运动时长 (分钟)：20, 25, 30, 35, 40, 45, 50消耗卡路里：100, 130, 160, 190, 220, 250, 2801.绘制纯点散点图（type=“p”）2.标题：「运动时长与卡路里消耗关系」3.x 轴标签：运动时长（分钟），y 轴标签：消耗卡路里4.设置 x 轴范围：15~55，y 轴范围：80~3005.点形状：实心正方形（pch=15）
2026-06-02 08:03:49
208
原创 24大数据 饼图复习
某奶茶店一周销量：周一 80 杯、周二 120 杯、周三 90 杯、周四 150 杯、周五 200 杯。绘制基础饼图，标题为标签显示星期名称，使用自定义粉色系配色使用基础 pie() 函数绘制。
2026-06-02 07:55:12
340
原创 基于随机森林的加州房价二分类实验
数据集名称：加州住房数据集（模拟数据，无网络依赖）任务类型：二分类任务（高价房、低价房）样本数量：20640 条特征数量：8 维特征，包含房价相关区位、房屋、人口等属性数据特点：本地生成、自带可学习规律、结果可复现、无需联网下载本次实验的实验目标与完成情况。梳理随机森林分类任务的完整实验流程。记录实验过程中遇到的报错、问题及对应的解决方法。写出本次实验的学习收获、知识点总结与个人体会。
2026-05-22 10:58:54
343
原创 基于随机森林的乳腺癌肿瘤分类实验
数据集名称: 威斯康星州乳腺癌数据集（Breast Cancer Wisconsin Dataset）数据集来源: 由威斯康星州医院的Dr. William H. Wolberg收集特征: 数据集包含30个数值型特征，这些特征描述了乳腺肿瘤的不同测量值，如肿瘤的半径、纹理、对称性等目标变量: 二分类，代表肿瘤的良性（benign）或恶性（malignant）状态样本数量: 569个样本，其中良性样本357个，恶性样本212个说明本次实验是否完成预定目标，掌握了哪些核心技能；
2026-05-22 10:14:23
458
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人