怎样做网站和网站的友情链接一个人完成网站建设

怎样做网站和网站的友情链接,一个人完成网站建设,比价网站,杭州工程招标网浙大疏锦行 一.元组#xff1a; 1. 有序#xff1a;可以通过索引取出来元素 2. 不可变#xff0c;不可修改 3. 可迭代、可切片 创建元组#xff1a; # 创建元祖 # 原始元组#xff1a;(姓名, 年龄, 成绩) old_tuple (张三, 25, 92.5)print(f原始…浙大疏锦行一.元组1. 有序可以通过索引取出来元素2. 不可变不可修改3. 可迭代、可切片创建元组# 创建元祖 # 原始元组(姓名, 年龄, 成绩) old_tuple (张三, 25, 92.5) print(f原始元组: {old_tuple}) print(f原始类型: {type(old_tuple)})修改元组# 1. 转换为列表 (List) temp_list list(old_tuple) print(f\n转换为列表: {temp_list}) print(f列表类型: {type(temp_list)}) # 2. 修改列表中的元素列表是可变的 # 索引 1 是年龄 temp_list[1] 26 print(f修改后的列表: {temp_list}) # 3. 转换回元组 (Tuple) new_tuple tuple(temp_list) print(f\n转换回元组: {new_tuple}) print(f最终类型: {type(new_tuple)}) print(f原元组 (未变): {old_tuple}) # 原始元组并未被修改 # 验证修改结果 print(f新元组的年龄: {new_tuple[1]})二、字典的items方法my_dict_simple {A: 10, B: 20, C: 30} # 1. my_dict_simple.items() 返回 (A, 10), (B, 20) 等 (键, 值) 元组 # 2. enumerate 为这些元组添加索引 # 3. 循环中用 index, (key, value) 进行两次解包 for index, (key, value) in enumerate(my_dict_simple.items()): # 键和值通过解包直接获得无需额外查表 print(f索引: {index}, 键: {key}, 对应值: {value})三、贝叶斯优化可视化from bayes_opt import BayesianOptimization from sklearn.ensemble import RandomForestClassifier from sklearn.model_selection import cross_val_score from sklearn.metrics import classification_report, confusion_matrix import time # 定义目标函数 def rf_eval(n_estimators, max_depth, min_samples_split, min_samples_leaf, max_features): 目标函数评估随机森林在给定参数下的性能 BayesianOptimization 会最大化这个函数的返回值 参数说明 - n_estimators: 树的数量越多越好但会增加计算时间 - max_depth: 树的最大深度太浅欠拟合太深过拟合 - min_samples_split: 分裂所需最小样本数控制树的生长 - min_samples_leaf: 叶节点最小样本数防止过拟合 - max_features: 特征采样比例增加随机性防止过拟合 # 将连续参数转换为整数 n_estimators int(n_estimators) max_depth int(max_depth) min_samples_split int(min_samples_split) min_samples_leaf int(min_samples_leaf) # max_features 保持浮点数 # 创建模型 model RandomForestClassifier( n_estimatorsn_estimators, max_depthmax_depth, min_samples_splitmin_samples_split, min_samples_leafmin_samples_leaf, max_featuresmax_features, random_state42, n_jobs-1 ) # 5折交叉验证 scores cross_val_score(model, X_train, y_train, cv5, scoringaccuracy) return np.mean(scores) # 定义参数搜索空间扩大10倍超大搜索空间 pbounds { n_estimators: (10, 3000), # 从10到3000棵树 max_depth: (3, 500), # 从3到500 min_samples_split: (2, 200), # 从2到200 min_samples_leaf: (1, 100), # 从1到100 max_features: (0.1, 1.0) # 从10%到100% } for param, (low, high) in pbounds.items(): # items方法返回字典的键值对 range_size high - low print(f {param:20s}: [{low:7.1f}, {high:7.1f}] (范围: {range_size:7.1f}))# 提取所有迭代的结果 iterations [] scores [] for i, res in enumerate(optimizer.res): # res包含每次迭代的结果index从0开始 iterations.append(i 1) # 迭代次数从1开始 scores.append(res[target]) # 提取得分 # 计算累计最优值 best_scores [] current_best -np.inf # 初始化为负无穷大 for score in scores: if score current_best: # 检查当前得分是否打破历史记录 current_best score best_scores.append(current_best) # 绘制优化轨迹 fig, (ax1, ax2) plt.subplots(1, 2, figsize(16, 5)) # 创建1行2列的子图 # 左图每次迭代的得分 ax1.plot(iterations, scores, o-, label每次迭代得分, alpha0.7, markersize6) ax1.plot(iterations, best_scores, r--, label累计最优得分, linewidth2) ax1.axhline(yoptimizer.max[target], colorgreen, linestyle:, labelf最终最优: {optimizer.max[target]:.4f}) # axhline绘制水平线 ax1.set_xlabel(迭代次数, fontsize12) ax1.set_ylabel(准确率, fontsize12) ax1.set_title(贝叶斯优化收敛曲线 (超大空间100次迭代), fontsize14, fontweightbold) ax1.legend() ax1.grid(True, alpha0.3) # 右图初始探索 vs 贝叶斯优化 init_points 20 # 更新为20 ax2.plot(iterations[:init_points], scores[:init_points], bo-, labelf随机探索 (前{init_points}次), markersize8, alpha0.7) ax2.plot(iterations[init_points:], scores[init_points:], go-, labelf贝叶斯优化 (后{len(iterations)-init_points}次), markersize8, alpha0.7) ax2.axvline(xinit_points, colorred, linestyle--, alpha0.5, label探索→利用) # axvline绘制垂直线 ax2.set_xlabel(迭代次数, fontsize12) ax2.set_ylabel(准确率, fontsize12) ax2.set_title(探索阶段 vs 利用阶段, fontsize14, fontweightbold) ax2.legend() ax2.grid(True, alpha0.3) plt.tight_layout() plt.show()