test_02循环_01_偶数求和

# 计算 0 ~ 100 之间 所有 偶数 的累计求和结果
# 开发步骤
# 1. 编写循环 确认要计算的数字
# 2. 添加结果变量,在循环内部处理计算结果

i = 0
result = 0

while i <= 100 :

# 判断变量i的数值,是否是一个偶数
# i % 2 == 0
if i % 2 == 0 :

print(i)
result += i

i += 1
print(result)

转载于:https://www.cnblogs.com/MagicApprentice/p/10851428.html

1 加载数据集load_iris_dataset 函数用于加载鸢尾花数据集。(已有有一个名为iris_dataset.csv的文件)它通过 pandas 读取 CSV 文件,并将数据集分为特征数据(前 4 列)和标签数据(最后一列),为后续的模型训练和测试提供数据支持。下述为步骤1的代码,根据步骤一完成接下来的步骤Selection deletedimport pandas as pddef load_iris_dataset(file_path): data = pd.read_csv(file_path) X = data.iloc[:, :-1] y = data.iloc[:, -1] return X, yX,y = load_iris_dataset("iris_dataset.csv")2 划分训练集和测试集train_test_split 函数将数据集随机划分为训练集和测试集。通过指定 test_size 参数控制测试集的比例,并支持设置随机种子 (random_state) 以确保结果的可重复性,从而为模型训练和评估提供独立的数据集。3 计算欧氏距离euclidean_distance 函数用于计算两个样本之间的欧氏距离。欧氏距离是 KNN 算法的核心度量方式,用于衡量样本之间的相似性,从而确定最近邻居。4 KNN 算法实现knn_predict 函数实现了 KNN 算法的预测过程。对于测试集中的每个样本,计算其与训练集中所有样本的距离,找到最近的 k 个邻居,并通过投票法确定预测标签,最终返回测试集的预测结果。5 计算准确率accuracy_score 函数用于计算模型的预测准确率。通过比较真实标签和预测标签,统计正确预测的比例,从而评估 KNN 模型的性能。6 主程序流程主程序将上述函数串联起来,完成从数据加载到模型评估的完整流程。首先加载数据集,然后划分训练集和测试集,接着使用 KNN 算法进行预测,最后计算并输出预测准确率,形成一个完整的机器学习任务流程。
03-25
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