当前位置: 首页 > news >正文

简述网站建设的一般步骤百度搜索引擎排行榜

简述网站建设的一般步骤,百度搜索引擎排行榜,包装设计网官网,上海网站建设选缘魁一、背景 1、说明 2、数据集 row_id:签到行为的编码 x y:坐标系,人所在的位置 accuracy:定位的准确率 time:时间戳 place_id:预测用户将要签到的位置 3、数据集下载 https://www.kaggle.com/navoshta/gr…

一、背景

1、说明

2、数据集
row_id:签到行为的编码
x y:坐标系,人所在的位置
accuracy:定位的准确率
time:时间戳
place_id:预测用户将要签到的位置

3、数据集下载
https://www.kaggle.com/navoshta/grid-knn/data
国内下不了,无法收验证码,还是在csdn用积分下一个别人上传的

二、流程分析

1、获取数据

2、数据处理
目的:
    特征值
    目标值
    a.缩小数据范围
      根据坐标缩小范围
      2 < x < 2.5
      1 < y < 1.5
    b.时间戳
      time -> 年月日时分秒
      早上签到,可能是公园、通勤的路上
      周六签到,可能在商场、在家睡觉
    c.过滤签到次数少的地点
    d.数据集划分

3、特征工程
标准化

4、KNN算法预估器流程

5、模型选择与调优

6、模型评估

三、代码

1、day02_facebook_demo

import pandas as pd# 1、获取数据
data = pd.read_csv("./FBlocation/train.csv")data.head()# 2、基本的数据处理
# 1)缩小数据范围
data = data.query("x < 2.5 & x > 2 & y < 1.5 & y > 1")data# 2)处理时间特征
time_value = pd.to_datetime(data["time"], unit="s")time_value.valuesdate = pd.DatetimeIndex(time_value)data["day"] = date.daydata["weekday"] = date.weekdaydata["hour"] = date.hourdata# 3、过滤掉签到次数少的地点
place_count = data.groupby("place_id").count()["row_id"]place_count[place_count > 3].head()data_final = data[data["place_id"].isin(place_count[place_count > 3].index.values)]data_final.head()# 筛选特征值和目标值
# 特征值
x = data_final[["x", "y", "accuracy", "day", "weekday", "hour"]]
# 目标值
y = data_final["place_id"]x.head()y.head()# 数据集划分
from sklearn.model_selection import train_test_splitx_train, x_test, y_train, y_test = train_test_split(x, y)from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import GridSearchCV# 3、特征工程:标准化
transfer = StandardScaler()
x_train = transfer.fit_transform(x_train)
# 用训练集的平均值和标准差对测试集的数据来标准化
# 这里测试集和训练集要有一样的平均值和标准差,而fit的工作就是计算平均值和标准差,所以train的那一步用fit计算过了,到了test这就不需要再算一遍自己的了,直接用train的就可以
x_test = transfer.transform(x_test)
# 4、KNN算法预估器
estimator = KNeighborsClassifier()
# 加入网格搜索和交叉验证
# 参数准备
param_dict = {"n_neighbors": [1, 3, 5, 7, 9, 11]}
estimator = GridSearchCV(estimator, param_grid=param_dict, cv=10)
estimator.fit(x_train, y_train)
# 5、模型评估
# 方法1:直接比对真实值和预测值
y_predict = estimator.predict(x_test)
print("y_predict:\n", y_predict)
print("直接比对真实值和预测值:\n", y_test == y_predict)
# 方法2:计算准确率
score = estimator.score(x_test, y_test)
print("准确率为:\n", score)
#最佳参数:best_params_
print("最佳参数:\n", estimator.best_params_)
#最佳结果:best_score_
print("最佳结果:\n", estimator.best_score_)
#最佳估计器:best_estimator_
print("最佳估计器:\n", estimator.best_estimator_)
#交叉验证结果:cv_results_
print("交叉验证结果:\n", estimator.cv_results_)

2、运行结果

http://www.ds6.com.cn/news/13757.html

相关文章:

  • 建网站价格 优帮云优化设计单元测试卷
  • 专门做lolh的网站seo sem关键词优化
  • 专业商城网站制作公司重庆seo小z博客
  • 网站附件做外链无需下载直接进入的网站的代码
  • 不愁销路的小型加工厂项目年入百万优化排名推广教程网站
  • 网站设计怎么样网络营销课程设计
  • 做优化网站注意什么重庆seo标准
  • 做外贸上阿里巴巴什么网站韩国比分预测
  • 网站维护与更新关键词搜索优化外包
  • 大连网站建设特色福州百度关键词排名
  • 做网站的标性网络营销方法有什么
  • 大石桥网站制作郑州seo顾问热狗
  • 好看的官网源码seo外链怎么做
  • 常用的营销方法和手段北京seo排名收费
  • 经典营销案例100例win7优化大师官方网站
  • dede做招聘网站查看浏览过的历史记录百度
  • 聊城做网站信息重庆网络推广公司
  • 网站建设广告图片项目平台
  • 做国外产品描述的网站aso搜索排名优化
  • 高端营销网站建设江东怎样优化seo
  • 三分钟做网站小学生摘抄新闻
  • 南岗区城市管理与建设网站百度爱采购官网首页
  • 网站排名软件利搜怎么样百度公司官网首页
  • 鹤壁市城乡一体化温州seo品牌优化软件
  • 成都 做网站 模版个人介绍网页制作
  • 免费网站客服工具网站关键词怎么添加
  • 不学html直接学html5福州seo网址优化公司
  • wordpress顶端bar武汉网络推广优化
  • 灵宝网站建设专业做网站
  • 网站建设 东莞霸屏seo服务