曲线「三分」

明明做作业的时候遇到了 n 个二次函数Si(x)=ax^2+bx+c ,他突发奇想设计了一个新的函数F(x)=max{Si(x)},i=1,2……n 。

明明现在想求这个函数在  的最小值,要求精确到小数点后四位,四舍五入。

输入格式

输入包含 T组数据,每组第一行一个整数n ;

接下来 n 行,每行  3个整数 a,b ,c  ,用来表示每个二次函数的 3 个系数。注意:二次函数有可能退化成一次。

输出格式

每组数据输出一行,表示新函数 F(x) 的在区间[1,1000] 上的最小值。精确到小数点后四位,四舍五入。

样例

样例输入
2

1

2 0 0

2

2 0 0

2 -4 2

样例输出
0.0000

0.5000

这是一道典型的三分

首先题目中的那张图,就可以判断出是三分,毕竟三分就是单峰或者单谷

然后他给出了范围1到1000,就说明是三分答案,用三分来确定答案范围

那么左边界和右边界的值就确定了,左边界是0,右边界是1000

然后就可以开始愉快的三分了

中间用一个求值函数,求出当前F(x)的值

db sum(db x){
	db mx=-1e9;
	for(int i=1;i<=n;i++)mx=max(mx,x*x*a[i]+b[i]*x+c[i]);
	return mx;
}

然后用mid1和mid2不断缩小范围就行了

#include<bits/stdc++.h>
using namespace std;
typedef double db;
const int N=1e5+5;
db a[N],b[N],c[N];
int n;
db sum(db x){
	db mx=-1e9;
	for(int i=1;i<=n;i++)mx=max(mx,x*x*a[i]+b[i]*x+c[i]);
	return mx;
}
signed main(){
	int T;
	scanf("%d",&T);
	while(T--){
		scanf("%d",&n);
		for(int i=1;i<=n;i++)scanf("%lf%lf%lf",&a[i],&b[i],&c[i]);
		db eps=1e-9;//设置精度误差
		db l=0,r=1e3;
		db sum1,sum2;
		while(r-l>eps){
			db mid1=l+(r-l)/3;
			db mid2=r-(r-l)/3;
			sum1=sum(mid1);
			sum2=sum(mid2);
			//三分缩小范围
			if(sum1>sum2)l=mid1;
			else r=mid2;
		}
		cout<<fixed<<setprecision(4)<<sum1<<"\n";
	}
}

以下是用随机森林分类器对三分类数据进行K折分层抽样并绘制ROC曲线的Python代码示例: ```python import numpy as np import matplotlib.pyplot as plt from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import StratifiedKFold from sklearn.metrics import roc_curve, auc # 导入数据 X = np.load('X.npy') # 特征向量 y = np.load('y.npy') # 标签 # 定义K折分层抽样 cv = StratifiedKFold(n_splits=5) # 定义随机森林分类器 rfc = RandomForestClassifier(n_estimators=100) # 初始化ROC曲线数据 mean_fpr = np.linspace(0, 1, 100) tprs = [] aucs = [] # 遍历K折拆分的数据集 for i, (train, test) in enumerate(cv.split(X, y)): # 在训练集上训练分类器 rfc.fit(X[train], y[train]) # 在测试集上预测概率 y_score = rfc.predict_proba(X[test]) # 计算ROC曲线数据 fpr, tpr, thresholds = roc_curve(y[test], y_score[:, 1]) tprs.append(np.interp(mean_fpr, fpr, tpr)) tprs[-1][0] = 0.0 roc_auc = auc(fpr, tpr) aucs.append(roc_auc) # 绘制ROC曲线 plt.plot(fpr, tpr, lw=1, alpha=0.3, label='ROC fold %d (AUC = %0.2f)' % (i+1, roc_auc)) # 绘制平均ROC曲线 mean_tpr = np.mean(tprs, axis=0) mean_tpr[-1] = 1.0 mean_auc = auc(mean_fpr, mean_tpr) plt.plot(mean_fpr, mean_tpr, color='b', label=r'Mean ROC (AUC = %0.2f)' % mean_auc, lw=2, alpha=.8) # 绘制随机猜测线 plt.plot([0, 1], [0, 1], linestyle='--', lw=2, color='r', label='Random chance', alpha=.8) # 设置图例、标题和坐标轴标签 plt.legend(loc="lower right") plt.title('Random Forest ROC Curve for Three-Class Data') plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') # 显示图形 plt.show() ``` 在以上代码中,我们首先导入了必要的库和数据。然后,我们使用`StratifiedKFold`方法定义了5折分层抽样交叉验证器。接下来,我们定义随机森林分类器,并初始化ROC曲线数据。在遍历K折拆分的数据集时,我们在训练集上训练分类器,然后在测试集上预测概率并计算ROC曲线数据。最后,我们绘制了平均ROC曲线、随机猜测线和图例、标题和坐标轴标签,并显示了图形。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值