lhr123789的博客

from sklearn.model_selection import train_test_split # 拆分数据。X_var = df[['dem', 'shade', 'NDWI', 'SURF']].values # 自变量。from sklearn.metrics import accuracy_score # 模型准确度。#from termcolor import colored as cl # 文本自定义。from sklearn.tree import plot_tree # 树图。

df = pd.read_csv(file_path, encoding='utf-8') # 这里我的字段名是汉字，所以用了encoding='gb2312'svm = SVC(kernel='sigmoid', C=20, gamma=0.1, probability=True) # 参数可以自己调整。#请注意，上述代码是一个简化示例，实际应用中你需要根据你的数据集调整参数，并且可能需要对数据进行预处理，包括特征缩放、噪声移除等。# X是特征数据，y是对应的类标签（0表示非水体，1表示水体）

ARIMA模型主要由三部分构成，分别为自回归模型（AR）、实际上的结果，2023年：43800左右；2024年：预计46000左右；下一步要继续了解ARIMA算法的内涵和原理，才能更好的应用。RIMA模型的基本思想是利用数据本身的历史信息来预测未来。这个预测GDP的结果比我预料的要好。（I）和移动平均模型（MA）。ARIMA模型全称为。