python学习day04

本文记录了2019年7月11日在江苏无锡的Python学习内容,包括函数的高阶用法,如默认参数、可变参数、引用传参、递归函数和匿名函数;文件的使用,如打开、关闭、读写、备份、定位、重命名和删除;还提供了每日作业的链接和提取码。

记于2019年7月11日 地点:江苏无锡
今天学习了关于python以下几个方面

1.函数的高阶用法

2.文件的使用

3.每日作业

函数高阶用法
高阶参数定义:参数有:默认的参数,可变参数,引用传参

  • 默认的参数:带有默认值的参数一定要位于参数列表最后面
  • 可变参数:参数的数量不确定:包括未命名的变量参数和关键字参数
  • 引用传参:指函数传参
    递归函数:函数调用自己
    匿名函数:lambda

文件的使用
文件的打开关闭读写
f = open(‘test.txt’, ‘r’)
content = f.readlines()
print(type(content))
print(content)
f.close()
文件的备份
文件的定位
文件的重命名删除

每日作业
链接: https://pan.baidu.com/s/1LMdjscb5Gf7RqJmzUKsR7w 提取码: mc6a 作业有疑问的可以私聊我喔,有错误望指正

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
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