简介 使用python实现pygame版的飞机大战游戏； 环境：Windows系统+python3.8.0 游戏规则： 1.点击“PLAY”或者按键“P”开始游戏； 2.敌机根据设置频率从顶部随机位置生成，生成后向下移动； 3.飞船在底部中间生成，玩家使用上下左右键控制飞船移动，敲击空格键发射子弹； 4.子弹打到敌机，该敌机产生爆炸效果并累计分数到右上角； 5.消灭10只飞机后，等级升高，敌机生成频率变快，下落速度也变快； 6.当三条命都消失了，游戏结束。 游戏运行效果如下： 实现过程 1.新建文件“file.py”，用来存储信息到文件和读取文件的信息，本例用来存储和读取最高分； imp

相似文档检测 Mission data.csv中包含了一个新闻标题列表，试通过近似检测方法，通过Jaccard相似度，检测相似文章，将结果保存到csv文件中，不同文章间用空行隔开。 Work 思路： 两个词作为一段来计算，末尾不够截掉 Jaccard相关系数大于0.5则认为两个新闻标题相似 利用并查集将相似的合并在一起 Code import pandas as pd import nltk import numpy as np class Jaccard: def __init__(self, _len): # _len 为步长值，语句切分的步长值 self._len

python实现FP-Growth 频繁模式算法

get方法 代码实现 # coding:utf-8 import json from urlparse import parse_qs from wsgiref.simple_server import make_server # 定义函数，参数是函数的两个参数，都是python本身定义的，默认就行了。 def application(environ, start_response): # 定义文件请求的类型和当前请求成功的code start_response('200 OK', [('Content-Type', 'text/html')]) # environ是当前请求的所有数据

《机器学习》课程支持向量机实验，包括详细的jupyter文件和解释，代码均成功运行。 机器学习支持向量机实验内容 一、实验内容 1.1 支持向量机的核函数 1. 了解核函数对 SVM 的影响 2. 绘制不同核函数的决策函数图像 3. 简述引入核函数的目的 1.2 支持向量机的软间隔 1. 了解分离超平面、间隔超平面与支持向量的绘制 2. 调整 C 的值，绘制分离超平面、间隔超平面和支持向量 3. 简述引入软间隔的原因，以及 C 值对 SVM 的影响 1.3 支持向量机的分类任务 1. 使用支持向量机完成 spambase 垃圾邮件分类任务 2. 使用训练集训练模型，计算测试集的精度，查准率，查全率，F1 值 1.4 支持向量机的回归任务 1. 使用支持向量机完成 kaggle 房价预测问题 2. 使用训练集训练模型，计算测试集的 MAE 和 RMSE 要求将结果写入到 markdown 的表格中！ 二、数据介绍 2.1 kaggle 房价预测数据集 文件名：

资源特点：基于课程作业，一共有三个案例 1.1 使用 sklearn 的 DBSCAN 和 GaussianMixture 完成聚类 1.2 使用 sklearn 的 KMeans 完成聚类 1.3 实现 K-means 每个案例配有详细的代码和解释，都能测试通过。 机器学习第八章实验内容 详细内容见第七周实验内的 jupyter notebook。 一、实验内容 1.1 使用 sklearn 的 DBSCAN 和 GaussianMixture 完成聚类 1. 使用 sklearn 的 DBSCAN 和 GaussianMixture 在两个数据集上完成聚类任务 2. 对聚类结果可视化 3. 对比外部指标 FMI 和 NMI 4. 选做：调整密度聚类的 eps 参数，绘制聚类结果 1.2 使用 sklearn 的 KMeans 完成聚类 1. 使用 sklearn 的 Kmeans 完成两个数据集的聚类任务 2. 计算外部指标 FMI 和 NMI 3. 对聚类结果可视化 1.3 实现 K-means 1. 实现一个 K-means 聚类算法 2. 计算外部指标 FMI 和 NMI

提出问题： 如何在某集合里面找出最大或最小的K个元素。 解决思路： 找出最大或最下的K个元素，可以使用Python库中的heapq模块，该模块提供两个函数nlargest()求最大K个和nsmallest()求最小K个。 下面我们举例说明： import heapq nums=[12,-9,-3,32,9,56,23,0,11,34] print(heapq.nlargest(4,nums)) #-->最大的4个 print(heapq.nsmallest(4,nums)) #-->最小的4个 运行结果： [56, 34, 32, 23] [-9, -3, 0, 9] 分析下，nlar

scrapy提供了强大的数据爬取功能，简单易于实现，方便初学者开发，是一个不错的选择

胭脂 完整的Python库，用于ROUGE指标 。 免责声明 此实现独立于“官方” ROUGE脚本（又名ROUGE-155 ）。 结果可能是slighlty不同，看。 快速开始 克隆并安装 git clone https://github.com/pltrdy/rouge cd rouge python setup.py install # or pip install -U . 或从点子： pip install rouge 从外壳使用它（JSON输出） $rouge -h usage: rouge [-h] [-f] [-a] hypothesis reference Rouge Metric Calculator positional arguments: hypothesis Text of file path reference Text or file

资源特点：基于北京交通大学《机器学习》课程中，神经网络部分的课程作业，一共有六个案例 1.1 使用 sklearn 的多层感知机 1.2 神经网络：线性回 1.3 神经网络：对数几率回归 1.4 神经网络：三层感知机 1.5 实现 n 层感知机 1.6 设计一种改良的优化算法 每个案例配有详细的代码和解释，都能测试通过。 一、实验内容 1.1 使用 sklearn 的多层感知机 使用 sklearn 自带的手写数字数据集： 1. 学习标准化处理的方法 2. 使用 sklearn.neural_network.MLPClassifier 完成手写数字分类任务 3. 绘制学习率为 3，1，0.1，0.01 训练集损失函数的变化曲线 1.2 神经网络：线性回归 1. 学会梯度下降的基本思想 2. 学会使用梯度下降求解线性回归 3. 了解标准化处理的效果 1.3 神经网络：对数几率回归 1. 完成对数几率回归 2. 使用梯度下降求解模型参数 3. 绘制模型损失值的变化曲线 4. 调整学习率和迭代轮数，观察损失值曲线的变化 5. 按照给定的学习率和迭代轮数，初始化新的参数，绘制新模型在训练集和测