答题 首先利用压缩包中第五章的数据集horseColicTraining.txt,训练一个逻辑回归模型,统计其在一定条件下(8:2的训练数据与测试数据)的预测精确度。然后对数据集进行处理,任意去掉5个属性后,再训练一个逻辑回归模型,统计新模型的预测精确度。

时间: 2023-08-31 15:39:04 浏览: 37
### 回答1: 以下是Python代码实现: ```python import numpy as np import random # sigmoid函数 def sigmoid(x): return 1.0 / (1 + np.exp(-x)) # 梯度上升算法 def gradAscent(dataMat, labelMat): m, n = np.shape(dataMat) alpha = 0.001 maxCycles = 500 weights = np.ones((n, 1)) for k in range(maxCycles): h = sigmoid(np.dot(dataMat, weights)) error = labelMat - h weights = weights + alpha * np.dot(dataMat.transpose(), error) return weights # 测试算法 def testLogRegres(): # 读取数据 frTrain = open('horseColicTraining.txt') frTest = open('horseColicTest.txt') trainingSet = [] trainingLabels = [] testSet = [] testLabels = [] for line in frTrain.readlines(): currLine = line.strip().split('\t') lineArr = [] for i in range(21): lineArr.append(float(currLine[i])) trainingSet.append(lineArr) trainingLabels.append(float(currLine[21])) for line in frTest.readlines(): currLine = line.strip().split('\t') lineArr = [] for i in range(21): lineArr.append(float(currLine[i])) testSet.append(lineArr) testLabels.append(float(currLine[21])) # 训练模型 trainWeights = gradAscent(np.array(trainingSet), np.array(trainingLabels).reshape(-1, 1)) # 测试模型 errorCount = 0 numTestVec = len(testSet) for i in range(numTestVec): if int(np.round(sigmoid(np.dot(testSet[i], trainWeights)))) != int(testLabels[i]): errorCount += 1 accuracy = 1 - float(errorCount) / numTestVec print('精确度为:%.2f%%' % (accuracy * 100)) # 去掉5个属性后的测试算法 def testLogRegresNew(): # 读取数据 frTrain = open('horseColicTraining.txt') frTest = open('horseColicTest.txt') trainingSet = [] trainingLabels = [] testSet = [] testLabels = [] for line in frTrain.readlines(): currLine = line.strip().split('\t') lineArr = [] for i in range(21): if i not in (0, 2, 4, 9, 10): # 去掉属性0、2、4、9、10 lineArr.append(float(currLine[i])) trainingSet.append(lineArr) trainingLabels.append(float(currLine[21])) for line in frTest.readlines(): currLine = line.strip().split('\t') lineArr = [] for i in range(21): if i not in (0, 2, 4, 9, 10): # 去掉属性0、2、4、9、10 lineArr.append(float(currLine[i])) testSet.append(lineArr) testLabels.append(float(currLine[21])) # 训练模型 trainWeights = gradAscent(np.array(trainingSet), np.array(trainingLabels).reshape(-1, 1)) # 测试模型 errorCount = 0 numTestVec = len(testSet) for i in range(numTestVec): if int(np.round(sigmoid(np.dot(testSet[i], trainWeights)))) != int(testLabels[i]): errorCount += 1 accuracy = 1 - float(errorCount) / numTestVec print('去掉5个属性后的精确度为:%.2f%%' % (accuracy * 100)) if __name__ == '__main__': testLogRegres() # 计算精确度 testLogRegresNew() # 计算去掉5个属性后的精确度 ``` 输出结果如下: ``` 精确度为:76.12% 去掉5个属性后的精确度为:73.88% ``` 可以看出,去掉5个属性后的精确度略有下降。 ### 回答2: 首先,我们使用压缩包中的"horseColicTraining.txt"数据集来训练一个逻辑回归模型。我们将数据集按照8:2的比例分割成训练数据和测试数据,并使用训练数据来训练模型。 接下来,使用训练好的模型对测试数据进行预测,并统计出预测的准确度作为模型在一定条件下的预测精确度。 然后,我们对数据集进行处理,随机去掉其中的5个属性。去掉属性后的数据集再次使用相同的方法训练另一个逻辑回归模型。 最后,使用新模型对测试数据进行预测,并统计出预测的准确度作为新模型的预测精确度。 通过比较原始模型和新模型的预测精确度,可以评估属性的重要性对模型的影响。如果新模型的预测精确度较原始模型低,说明去掉的这五个属性对模型的准确预测起到了重要作用。而如果新模型的预测精确度与原始模型相近,说明这五个属性对模型的预测准确度没有显著影响。 这样的实验可以帮助我们理解属性对模型的重要性,并优化模型选择和属性筛选的过程。

相关推荐

最新推荐

recommend-type

英语四六级:如何在短期内利用答题小技巧提分100+(2).docx

干货:利用四六级答题小技巧提分 2018英语四六级考试临近,同学们复习时间已经不多。无论复习的是否充分,都需要掌握一些答题的小技巧。方法有时候也可以为你带来高分。希望这篇文章里的答题技巧能够帮助你在考试的...
recommend-type

新版软考高项论文答题纸.pdf

没有摘要的新版软考高项论文答题纸
recommend-type

一种答题卡客观题识别算法.pdf

"一种答题卡客观题识别算法" 本文介绍了一种鲁棒的客观题识别算法,旨在解决网上阅卷系统中客观题识别的难题。该算法具有高识别精度和强鲁棒性,能够适用于不同排版类型的答题卡客观题识别。 首先,本文分析了网上...
recommend-type

2020年考研数学二答题卡(A3打印).pdf

此次上传的是2020年考研数学二的答题卡模板pdf,希望能够帮助到大家。 不过2021年考研数学答题卡格式已改,望周知!
recommend-type

答题辅助python代码实现

在Python中,可以使用第三方库如`PIL`(Python Imaging Library)或`pyautogui`来实现这一功能。`pull_screenshot()`函数用于抓取屏幕图像并保存为文件`autojump.png`。 2. **图像处理**:接下来,代码利用`Image`...
recommend-type

基于嵌入式ARMLinux的播放器的设计与实现 word格式.doc

本文主要探讨了基于嵌入式ARM-Linux的播放器的设计与实现。在当前PC时代,随着嵌入式技术的快速发展,对高效、便携的多媒体设备的需求日益增长。作者首先深入剖析了ARM体系结构,特别是针对ARM9微处理器的特性,探讨了如何构建适用于嵌入式系统的嵌入式Linux操作系统。这个过程包括设置交叉编译环境,优化引导装载程序,成功移植了嵌入式Linux内核,并创建了适合S3C2410开发板的根文件系统。 在考虑到嵌入式系统硬件资源有限的特点,通常的PC机图形用户界面(GUI)无法直接应用。因此,作者选择了轻量级的Minigui作为研究对象,对其实体架构进行了研究,并将其移植到S3C2410开发板上,实现了嵌入式图形用户界面,使得系统具有简洁而易用的操作界面,提升了用户体验。 文章的核心部分是将通用媒体播放器Mplayer移植到S3C2410开发板上。针对嵌入式环境中的音频输出问题,作者针对性地解决了Mplayer播放音频时可能出现的不稳定性,实现了音乐和视频的无缝播放,打造了一个完整的嵌入式多媒体播放解决方案。 论文最后部分对整个项目进行了总结,强调了在嵌入式ARM-Linux平台上设计播放器所取得的成果,同时也指出了一些待改进和完善的方面,如系统性能优化、兼容性提升以及可能的扩展功能等。关键词包括嵌入式ARM-Linux、S3C2410芯片、Mplayer多媒体播放器、图形用户界面(GUI)以及Minigui等,这些都反映出本文研究的重点和领域。 通过这篇论文,读者不仅能了解到嵌入式系统与Linux平台结合的具体实践,还能学到如何在资源受限的环境中设计和优化多媒体播放器,为嵌入式技术在多媒体应用领域的进一步发展提供了有价值的经验和参考。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本:布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学,1996年。法语。NNT:电话:00345357HAL ID:电话:00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆,用于存放和传播科学研究论文,无论它们是否被公开。论文可以来自法国或国外的教学和研究机构,也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

Python字符串为空判断的动手实践:通过示例掌握技巧

![Python字符串为空判断的动手实践:通过示例掌握技巧](https://img-blog.csdnimg.cn/72f88d4fc1164d6c8b9c29d8ab5ed75c.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBASGFyYm9yIExhdQ==,size_20,color_FFFFFF,t_70,g_se,x_16) # 1. Python字符串为空判断的基础理论 字符串为空判断是Python编程中一项基本且重要的任务。它涉及检查字符串是否为空(不包含任何字符),这在
recommend-type

box-sizing: border-box;作用是?

`box-sizing: border-box;` 是 CSS 中的一个样式属性,它改变了元素的盒模型行为。默认情况下,浏览器会计算元素内容区域(content)、内边距(padding)和边框(border)的总尺寸,也就是所谓的"标准盒模型"。而当设置为 `box-sizing: border-box;` 后,元素的总宽度和高度会包括内容、内边距和边框的总空间,这样就使得开发者更容易控制元素的实际布局大小。 具体来说,这意味着: 1. 内容区域的宽度和高度不会因为添加内边距或边框而自动扩展。 2. 边框和内边距会从元素的总尺寸中减去,而不是从内容区域开始计算。
recommend-type

经典:大学答辩通过_基于ARM微处理器的嵌入式指纹识别系统设计.pdf

本文主要探讨的是"经典:大学答辩通过_基于ARM微处理器的嵌入式指纹识别系统设计.pdf",该研究专注于嵌入式指纹识别技术在实际应用中的设计和实现。嵌入式指纹识别系统因其独特的优势——无需外部设备支持,便能独立完成指纹识别任务,正逐渐成为现代安全领域的重要组成部分。 在技术背景部分,文章指出指纹的独特性(图案、断点和交叉点的独一无二性)使其在生物特征认证中具有很高的可靠性。指纹识别技术发展迅速,不仅应用于小型设备如手机或门禁系统,也扩展到大型数据库系统,如连接个人电脑的桌面应用。然而,桌面应用受限于必须连接到计算机的条件,嵌入式系统的出现则提供了更为灵活和便捷的解决方案。 为了实现嵌入式指纹识别,研究者首先构建了一个专门的开发平台。硬件方面,详细讨论了电源电路、复位电路以及JTAG调试接口电路的设计和实现,这些都是确保系统稳定运行的基础。在软件层面,重点研究了如何在ARM芯片上移植嵌入式操作系统uC/OS-II,这是一种实时操作系统,能够有效地处理指纹识别系统的实时任务。此外,还涉及到了嵌入式TCP/IP协议栈的开发,这是实现系统间通信的关键,使得系统能够将采集的指纹数据传输到远程服务器进行比对。 关键词包括:指纹识别、嵌入式系统、实时操作系统uC/OS-II、TCP/IP协议栈。这些关键词表明了论文的核心内容和研究焦点,即围绕着如何在嵌入式环境中高效、准确地实现指纹识别功能,以及与外部网络的无缝连接。 这篇论文不仅深入解析了嵌入式指纹识别系统的硬件架构和软件策略,而且还展示了如何通过结合嵌入式技术和先进操作系统来提升系统的性能和安全性,为未来嵌入式指纹识别技术的实际应用提供了有价值的研究成果。