专业网站seo优化公司域名备案需要什么

专业网站seo优化公司,域名备案需要什么,怎样自己开网站赚钱,一直能打开的网站突然打不开今天是第一次实战#xff0c;这次的目的主要是再次熟悉机器学习的训练流程#xff0c;并能够在Kaggle平台上成功实现第一份作品的提交。 一、登录Kaggle并创建相应的账号 这一步利用谷歌邮箱或者是QQ邮箱均可快速实现在此不做过多赘述。 二、登录后选择Kaggle的competitions的…今天是第一次实战这次的目的主要是再次熟悉机器学习的训练流程并能够在Kaggle平台上成功实现第一份作品的提交。一、登录Kaggle并创建相应的账号这一步利用谷歌邮箱或者是QQ邮箱均可快速实现在此不做过多赘述。二、登录后选择Kaggle的competitions的选项进入如下界面在相应的搜索框内搜索想查询方向的比赛并选择心仪的比赛参加这次我所选择的是泰坦尼克号——灾难中的机器学习。三、进入特定比赛界面进入特定比赛界面后可自行根据相应的流程提交相应的作品我本次比赛的作品要求如下你的提交应该是一个CSV文件包含418行和一个头部。你可以上传zip/gz/7z的压缩包。一般比赛方会给出相应的比赛作品格式的示例。本次比赛的代码# 读取数据 #此处读取数据时可以是相对路径也可以是绝对路径 import pandas as pd data pd.read_csv(rD:\FristKaggle\titanic\train.csv) data.info() # 列名、非空值、数据类型 data.shape # (行数, 列数) data的属性 data.columns # 所有列名 data的属性 data.describe() # 数值列的基本统计量 #data[Annual Income].dtype # 查看某一列的数据类型 data.isnull() # 布尔矩阵显示缺失值这个方法返回一个布尔矩阵其中True表示对应位置的值是缺失值False表示对应位置的值不是缺失值。 data.isnull().sum() # 每列缺失值计数,sum方法为求每一列的和 此外此方法可验证缺失值是否补全 #预处理消除不必要的警告 import warnings warnings.filterwarnings(ignore) # 在填补缺失值后、独热编码前添加 print(\n处理高基数特征...) # 1. 删除无用列 data data.drop([PassengerId, Name, Ticket], axis1) # 2. Cabin列处理由于缺失太多204/891提取首字母或删除 data[Cabin] data[Cabin].fillna(Unknown) # 或者只保留首字母 data[Cabin] data[Cabin].str[0] # 3. 然后进行独热编码但只对类别少的列 # 重新定义离散变量列表不包括已删除的列 discrete_lists [] for discrete_features in data.columns: if data[discrete_features].dtype object: # 只对类别数小于10的列进行独热编码 unique_count data[discrete_features].nunique() print(f列 {discrete_features} 有 {unique_count} 个唯一值) if unique_count 10: # 只编码类别少的列 discrete_lists.append(discrete_features) else: print(f - 跳过 {discrete_features}类别太多) # 第二步 填补缺失值(离散连续) 先填补缺失值可以避免独热编码后补全的众数值为0的问题 for i in data.columns: # 找到为数值型的列(连续变量) if data[i].dtype ! object: # 找到为数值型的列 if data[i].isnull().sum() 0: # 找到存在缺失值的列 #计算该列的均值 mean_value data[i].mean() #用均值填充缺失值 data[i].fillna(mean_value, inplaceTrue) # 找到为非数值型的列(离散变量) else: if data[i].isnull().sum() 0: # 找到存在缺失值的列 # 计算该列的众数出现频率最高的值 mode_value data[i].mode()[0] # mode()返回一个Series取第一个众数 print(f列 {i} 的众数是: {mode_value}) # 可以查看众数值 # 用众数填充缺失值 data[i].fillna(mode_value, inplaceTrue) #第三步对离散变量进行one-hot编码 # 找到离散变量 discrete_lists [] # 新建一个空列表用于存放离散变量名 for discrete_features in data.columns: if data[discrete_features].dtype object: discrete_lists.append(discrete_features) # 离散变量独热编码 one_hot_data pd.get_dummies(data, columnsdiscrete_lists, drop_firstTrue) #获得所有独热编码后的新特征名 方便后续对独热编码后的变量转化为int型 #list_append存放独热编码后新增的特征名 #one_hot_data.columns.difference(data.columns)这个操作是​​获取两个相同集合的差集 list_append one_hot_data.columns.difference(data.columns) # 接着之前的对bool特征进行类型转换 for i in list_append: one_hot_data[i] one_hot_data[i].astype(int) # 这里的i就是独热编码后的特征名 one_hot_data.head() data.isnull().sum() # 划分训练集和测试机 from sklearn.model_selection import train_test_split X one_hot_data.drop([Survived], axis1) # 特征axis1表示按列删除 y one_hot_data[Survived] # 标签 X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42) # 划分数据集20%作为测试集随机种子为42 # 训练集和测试集的形状 print(f训练集形状: {X_train.shape}, 测试集形状: {X_test.shape}) # 打印训练集和测试集的形状 from sklearn.svm import SVC #支持向量机分类器 from sklearn.neighbors import KNeighborsClassifier #K近邻分类器 from sklearn.linear_model import LogisticRegression #逻辑回归分类器 import xgboost as xgb #XGBoost分类器 import lightgbm as lgb #LightGBM分类器 from sklearn.ensemble import RandomForestClassifier #随机森林分类器 from catboost import CatBoostClassifier #CatBoost分类器 from sklearn.tree import DecisionTreeClassifier #决策树分类器 from sklearn.naive_bayes import GaussianNB #高斯朴素贝叶斯分类器 from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score # 用于评估分类器性能的指标 from sklearn.metrics import classification_report, confusion_matrix #用于生成分类报告和混淆矩阵 import warnings #用于忽略警告信息 warnings.filterwarnings(ignore) # 忽略所有警告信息 # KNN knn_model KNeighborsClassifier() knn_model.fit(X_train, y_train) knn_pred knn_model.predict(X_test) print(\nKNN 分类报告) print(classification_report(y_test, knn_pred)) print(KNN 混淆矩阵) print(confusion_matrix(y_test, knn_pred)) knn_accuracy accuracy_score(y_test, knn_pred) knn_precision precision_score(y_test, knn_pred) knn_recall recall_score(y_test, knn_pred) knn_f1 f1_score(y_test, knn_pred) print(KNN 模型评估指标) print(f准确率: {knn_accuracy:.4f}) print(f精确率: {knn_precision:.4f}) print(f召回率: {knn_recall:.4f}) print(fF1 值: {knn_f1:.4f}) # 随机森林 rf_model RandomForestClassifier(random_state42) rf_model.fit(X_train, y_train) rf_pred rf_model.predict(X_test) print(\n随机森林 分类报告) print(classification_report(y_test, rf_pred)) print(随机森林 混淆矩阵) print(confusion_matrix(y_test, rf_pred)) rf_accuracy accuracy_score(y_test, rf_pred) rf_precision precision_score(y_test, rf_pred) rf_recall recall_score(y_test, rf_pred) rf_f1 f1_score(y_test, rf_pred) print(随机森林 模型评估指标) print(f准确率: {rf_accuracy:.4f}) print(f精确率: {rf_precision:.4f}) print(f召回率: {rf_recall:.4f}) print(fF1 值: {rf_f1:.4f}) # 读取测试集数据 test_data pd.read_csv(rD:\FristKaggle\titanic\test.csv) # 保存PassengerId用于最终提交 passenger_ids test_data[PassengerId].copy() # 对测试集进行与训练集相同的预处理 # 1. 删除无用列与训练集保持一致 test_data test_data.drop([PassengerId, Name, Ticket], axis1) # 2. Cabin列处理与训练集保持一致 test_data[Cabin] test_data[Cabin].fillna(Unknown) test_data[Cabin] test_data[Cabin].str[0] # 3. 填补缺失值使用与训练集相同的逻辑 for i in test_data.columns: if test_data[i].dtype ! object: # 数值型列 if test_data[i].isnull().sum() 0: # 使用训练集的均值填充避免数据泄露 if i in data.columns: # 确保列存在于训练集中 mean_value data[i].mean() test_data[i].fillna(mean_value, inplaceTrue) else: test_data[i].fillna(test_data[i].mean(), inplaceTrue) else: # 非数值型列 if test_data[i].isnull().sum() 0: # 使用训练集的众数填充 if i in data.columns: mode_value data[i].mode()[0] test_data[i].fillna(mode_value, inplaceTrue) else: test_data[i].fillna(test_data[i].mode()[0], inplaceTrue) # 4. 独热编码使用与训练集相同的列 # 确保测试集与训练集的列一致 test_one_hot pd.get_dummies(test_data, columnsdiscrete_lists, drop_firstTrue) # 添加训练集中有但测试集中没有的列并填充0 missing_cols set(X_train.columns) - set(test_one_hot.columns) for col in missing_cols: test_one_hot[col] 0 # 确保列的顺序与训练集一致 test_one_hot test_one_hot[X_train.columns] # 5. 选择最佳模型进行预测以随机森林为例 # 您可以根据上面的评估结果选择表现最好的模型 best_model rf_model # 这里使用随机森林您可以选择其他表现更好的模型 # 进行预测 test_predictions best_model.predict(test_one_hot) # 6. 创建提交文件 submission pd.DataFrame({ PassengerId: passenger_ids, Survived: test_predictions }) # 7. 保存为CSV文件 submission.to_csv(titanic_predictions.csv, indexFalse) print(预测完成结果已保存到 titanic_predictions.csv) print(f提交文件形状: {submission.shape}) print(\n前10条预测结果:) print(submission.head(10))注本次比赛的代码只是为了熟悉一下Kaggle平台只是做了一些简单处理仍然有很大的改进空间。最终结果浙大疏锦行