qq_29507011的博客

退火退火，核心在退，每次迭代，范围缩小 步骤： 1 初始解 2 开始while循环退火,当前范围T = T/(t) 其中t为循环累加的值，T为初始值，每次迭代减小 3 每层迭代50次寻找这一层的最小值,如果比当前值大，概率性保存。方式是使用邻近解的函数值与当前解的函数值做比较 代码如下： import math import random def function(x): return x**3-60*x**2-4*x+6 def main(): T = 1000 t_min

使用目的：可以求解局部最大值，当数值范围过大时，不适用，仅适用于局部最优解 步骤： 1 生成种群：随机数范围即是局部的范围，范围过大，会造成无法求出最优解 2 编码 ：将数据进行2进制编码，实现方式——处理负数——归一化——乘以基因位数 3 选择 ： 选择首先对编码数据进行解码，同时求出适应度（就是函数的解）——求每个适应度概率（适应度除以总适应度）——求出适应度分布（列表每个索引对应的值是这个位置的适应度以及前面所有适应度的和）——利用转轮盘算法获取符合的适应度分布的索引从而获取对应的编码——每次获取两个

svm可以实现分类与回归 使用库sklearn.svm 1 分类 参数kernel 回归类型,默认’rbf’为最好的分类方式，但也要依据实际情况，比如线性分类使用’linear’ svm.SVC() 2 回归 参数kernel 回归类型,默认’rbf’为最好的回归方式，但也要依据实际情况，比如线性回归使用’linear’ svm.SVR(kernel='rbf') 训练 数据要求,x为二维数组，y为1维数组 clt = svm.SVR(kernel='linear') clt.fit(x, y)

numpy 矩阵，多维数组处理库 一、应用方法 1 np.empty 效果创建空的数组 np.empty((3,3),dtype=float64) 2 reshape 改变维度，参数为-1时是先自动计算 np.array([1,2,3,4,5,6]).reshape(-1,3) 3 返回非0即1的方法 np.append 类似于python extend 作用：合并数组 生成bool数组 ...

肘部自动识别 代码如下: from sklearn.cluster import KMeans from sklearn.datasets import make_blobs import matplotlib.pyplot as plt ''' datasets 为数据集，start 为k的最小值，result 为k 的最大值，value为sse阈值 ''' class FindBestK(ob...