2018.4.14凌晨

 

先分析一个简单的递归函数:

#include<iostream>
using namespace std;
long age(long);
int main()
{
 cout << age(5) << endl;
 system("pause");
 return 0;
}
long age(long n)
{
 int c;
 if (n == 1) c = 10;
 else c = age(n - 1) + 2;
 return c;
 
}

你得到的结果是什么?是10吗,还是16,或者是18.如果是18,那恭喜你答对了,至少我现在还没有把握能够一口气毫不犹豫地说出答案来,那就让我们来分析分析这个18是怎么得到的吧

1.函数调用的过程是:

n==5;c!=10;

        c=age(5-1)+2=age(4)+2;

         c=age(4-1)+2=age(3)+2;

          c=age(3-1)+2=age(2)+2;

           c=age(2-1)+2=age(1)+2

n==1;c=10;break;

疑问在于为什么在n=1时c=10却没有直接返回c=10,而是需要把之前的4个2加上呢?

我们可以这样理解在n=1时,c=10,此时返回c的值,但是细致分析此时其实返回的是一个age(1)的值,所以我们的age(5)经过刚刚的分析的得到的值是18。

#2:分析在Java中我犯的一个算法上的错误,问题不大,但是我却思考了半天对着老师的源代码才发现问题所在:


import java.util.Scanner;
class Student{
 public static void main(String arg[]) {
  Scanner cin=new Scanner(System.in);
  int n=cin.nextInt();
  int s=0;
  for(int j=1;j<=n;j++) {
     for(int i=1;i<=n;i++) {
   s+=i;
  }
   }
  System.out.println(s);
 }}

//看第二种
import java.util.Scanner;
class Student{
 public static void main(String arg[]) { 
  Scanner cin=new Scanner(System.in);
  int n=cin.nextInt();
  int sum=0;
  for(int j=1;j<=n;j++) {
      for(int i=1;i<=j;i++) {
       sum+=i;
       System.out.println(sum);
      }
     // System.out.println(sum);
  }
  }
}*/

理解计算1+1+2+1+2+3+...
我第一次写的代码犯了一个很严重的算法错误,且不说我理解错了阶乘的概念,姑且说说我求累加中存在的问题,我想了很久为什么求出来总是n*(1+2+...+n)
这个问题我想了很久都没有解决,直到我后来看到了老师的代码里面的第二重循环是小于第一重循环里的变量,我恍然大悟!

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
为了正确处理`purchase_date`列的数据,可以遵循以下步骤: 1. **提取期相关特征**: - 提取月份:使用 `pd.to_datetime` 将 `purchase_date` 转换为 datetime 格式,然后提取月份。 - 提取星期几:同样使用 `pd.to_datetime` 转换后,提取星期几,并将其转换为0(周一)到6(周)的数字表示。 - 判断是否为周末:将星期几转换为布尔值,其中0-4表示工作(0),5-6表示周末(1)。 - 提取时间段:根据小时数将一天分为四个时间段(凌晨0-6,上午6-12,下午12-18,晚上18-24),并分别赋值为0, 1, 2, 3。 2. **具体实现代码示例**: ```python import pandas as pd # 假设 transaction 是已经加载的 DataFrame transaction['purchase_date'] = pd.to_datetime(transaction['purchase_date']) # 提取月份 transaction['month'] = transaction['purchase_date'].dt.month # 提取星期几 transaction['day_of_week'] = transaction['purchase_date'].dt.dayofweek # 判断是否为周末 transaction['is_weekend'] = transaction['day_of_week'].isin([5, 6]).astype(int) # 提取时间段 def get_time_period(hour): if 0 <= hour < 6: return 0 # 凌晨 elif 6 <= hour < 12: return 1 # 上午 elif 12 <= hour < 18: return 2 # 下午 else: return 3 # 晚上 transaction['time_period'] = transaction['purchase_date'].dt.hour.apply(get_time_period) ``` 通过以上步骤,你可以从 `purchase_date` 列中提取所需的期和时间特征,并将其添加到 `transaction` 数据集中。这样处理后的数据可以更好地用于后续的分析和建模。
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