2 1 2 5 整合模型（回歸）

#美國波士頓地區房價描述

from sklearn.datasets import load_boston

boston=load_boston()

print(boston.descr)

#資料分割

from sklearn.cross_validation import train_test_split

import numpy as np

x=boston.data

y=boston.target

x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.25,random_state=33)

#分析回歸目標值的差異

print('最大值：',np.max(boston.target))

print('最小值：',np.min(boston.target))

print('平均值：',np.mean(boston.target))

#發現目標房價之間的差異較大，需要對特徵和目標值進行標準化處理

from sklearn.preprocessing import standardscaler

ss_x=standardscaler()

ss_y=standardscaler()

x_train=ss_x.fit_transform(x_train)

x_test=ss_x.transform(x_test)

y_train=ss_y.fit_transform(y_train.reshape(-1,1))

y_test=ss_y.transform(y_test.reshape(-1,1))

#使用三種整合回歸模型對資料進行訓練**

from sklearn.ensemble import randomforestregressor,extratreesregressor,gradientboostingregressor

#隨機森林

rfr=randomforestregressor()

rfr.fit(x_train,y_train)

rfr_y_predict=rfr.predict(x_test)

etr=extratreesregressor()

etr.fit(x_train,y_train)

etr_y_predict=etr.predict(x_test)

#gbr=gradientboostingregressor()

gbr.fit(x_train,y_train)

gbr_y_predict=gbr.predict(x_test)

#對不同配置的模型的**進行**效能評估

print('rfr 模型自帶評分機制：',rfr.score(x_test,y_test))

print('r方：',r2_score(ss_y.inverse_transform(y_test),ss_y.inverse_transform(rfr_y_predict)))

print('均方誤差mse:',mean_squared_error(ss_y.inverse_transform(y_test),ss_y.inverse_transform(rfr_y_predict)))

print('平均絕對誤差mae:',mean_absolute_error(ss_y.inverse_transform(y_test),ss_y.inverse_transform(rfr_y_predict)))

print('etr 模型自帶評分機制：',etr.score(x_test,y_test))

print('r方：',r2_score(ss_y.inverse_transform(y_test),ss_y.inverse_transform(etr_y_predict)))

print('均方誤差mse:',mean_squared_error(ss_y.inverse_transform(y_test),ss_y.inverse_transform(etr_y_predict)))

print('平均絕對誤差mae:',mean_absolute_error(ss_y.inverse_transform(y_test),ss_y.inverse_transform(etr_y_predict)))

print('gbr 模型自帶評分機制：',gbr.score(x_test,y_test))

print('r方：',r2_score(ss_y.inverse_transform(y_test),ss_y.inverse_transform(gbr_y_predict)))

print('均方誤差mse:',mean_squared_error(ss_y.inverse_transform(y_test),ss_y.inverse_transform(gbr_y_predict)))

print('平均絕對誤差mae:',mean_absolute_error(ss_y.inverse_transform(y_test),ss_y.inverse_transform(gbr_y_predict)))

2 1 1 6 整合模型（分類）

import pandas as pd titanic pd.read csv 資料預處理 特徵選擇 x titanic pclass age y titanic survived 檢視特徵統計資訊，發現age列只有633個，需要補充完整 pclass 兩個資料列都是類別型變數，需要轉化為數值型 使...

2 整合管理

相互競爭的目標 範圍 進度 成本 質量。多快好省。技術與管理工作間的衝突 領導與員工間相互不爽。所需要的不同技術專業之間 不同的技術。專案管理各知識領域之間 要平衡不同的領域花費的時間 成本。三邊四沒六拍 三邊 邊走，邊看，邊抱怨 四沒 開始時，沒問題 過程中，沒關係 失敗時，沒辦法 總結時，沒資源...

環信3 0整合

以前用過環信2.0，現在工作需要，重新用到環信，再次體驗了一次環信。開發環境 androidstudio 整合步驟 2 匯入easeui 3 配置androidmanifest easeui.getinstance init context,options 5 複製環信demo的chatactivi...