qq_42370335的博客

当前，国民生活水平得到大幅提升，人均汽车拥有量越来越多，自驾周边城市游也成为越来越多家庭节假日期间的选择，旅游路径规划成为研究热点。旅游路径规划问题是基于经典旅行商问题( TSP) 演变而来的，目前主要应用于物流路径规划领域。规模小的旅行商问题易计算解决，但规模较大情况下，传统计算方法无法解决，而遗传算法作为新兴智能优化算法，求解能力较强。通过建立旅行商模型，使用遗传算法寻求江西省南昌市周边共9个省会城市总距离最短的旅游路径，结果表明该方法有效且实用。关键词: 旅行商问题；遗传算法；旅游路径规划

Apriori算法的频繁项集的方式是：先产生低阶频繁项集（从1开始的）的，再由低阶频繁项集产生高阶候选项集，高阶候选项集经过支持度的度量筛选产生，最后生成同阶频繁项集。这是不断重复的“产生-测试”的过程。而FP-growth算法采用是完全不同的方式，算法的第一个核心是压缩数据集，采用的是FP_tree这样的一个数据结构来完全表示了所有的事务，第二个核心是采用了“分而治之”的思想，用递归的方式将挖掘频繁项集一步步分成各自的子问题来解决。对比于Apriori算法，FP-growth算法的特点是只需扫描两次数据库

Lasso方法是基于惩罚方法对样本数据进行变量选择，通过对原本普通线性回归模型的系数进行压缩，将原本很小的系数直接压缩至0，从而将这部分系数所对应的变量视为非显著性变量，将不显著的变量直接舍弃，达到简化模型的目的。...

Client_idClient_secert需要账号密码ID等可以私聊

results=pd.DataFrame(columns=())for zhuanye in datas:datas_zhuanye=datas[datas[“复试专业名称”]==zhuanye]results=results.append(datas_zhuanye,ignore_index=True)results.to_excel(“输出结果.xlsx”,index=False)

一、问题今有一批新的项目任务数据，包括任务编号、任务GPS纬度、任务GPS经度，请利用本章学习的知识，对这一批任务进行定价，并评估任务的执行完成情况。具体数据请见附件三：新项目任务数据.二、基本思路1.直接使用课程的数据附件二做训练集，作业所给数据附件三做预测集2.用线性回归的方法进行任务定价预测3.用逻辑回归方法评估任务的执行情况三、程序（Python）import pandas as pdimport time#计算程序运行时间start = time.clock()data=pd

一、问题根据所给数据对微博文本情感分析判断，提交代码和结果（其中结果列表（csv格式）有三列，第一列是序号，第二列是微博文本【review】，第三列是情感属性标签【label】）二、基本思路1.情感极性分析是对带有感情色彩的主观性文本进行分析、处理、归纳和推理的过程。按照处理文本的类别不同，可分为基于新闻评论的情感分析和基于产品评论的情感分析。其中，前者多用于舆情监控和信息预测，后者可帮助用户了解某一产品在大众心目中的口碑。目前常见的情感极性分析方法主要是两种：基于情感词典的方法和基于机器学习的方法

一、问题对中国上市公司高送转行为及影响因素进行分析，构建上市公司高送转预测模型，并根据预测结果设计量化投资策略及进行分析。数据获取可通过tushare金融大数据社区API获得。二、基本思路1.高送转行为：高送转一般被定义为股利高派现。上市公司进行高送转的目的多种多样，有的是为了进行股本扩张，保持公司良好的形象；另外有些没有基本稳固业绩支撑的上市公司利用高送转的热点新闻炒高股价，导致在高送转分红公告预案日后股价连续下跌，将众多中小投资者套牢。送转股即送红股以及公积金转增股本的简称，这两种股利分配方式

一、问题试利用机器学习包中的人脸识别数据集，构建支持向量识别模型和卷积神经网络识别模型。其中，数据集的获取方式参考如下：import sklearn.datasetsa=sklearn.datasets.fetch_olivetti_faces()数据a为一个字典。本数据集包括40个人，每个人采集10张人脸图片，图片大小为6464像素的灰度图片，像素值已经归一化处理。data数据集为400张人脸图片，按一维数组展平的全像素数据集，是一个二维数组。images为400张人脸图片，按原始像素矩阵6464

公路运量主要包括公路客运量和公路货运量两个方面。根据研究，某地区的公路运量主要与该地区的人数、机动车数量和公路面积有关，表5-11给出了某个地区20年的公路运量相关数据。根据相关部门数据，该地区2010年和2011年的人数分别为73.39万和75.55万，机动车数量分别为3.9635万辆和4.0975万辆，公路面积分别为0.9880万平方千米和1.0268万平方千米。请利用BP神经网络预测该地区2010年和2011年的公路客运量和公路货运量。表5-11 运力数据表年份 人数 机动车数量 公路面积 公里客