Предмет: Французский язык, автор: Misha15313221

помогите пожалуйста!!!!!!!!!!!!!!!

Приложения:

Ответы

Автор ответа: КейтМорроу
1
Nous regardons, nous avons regardé, nous avions regardé, nous regarderons, nous regarderions.
On lit, on a lu, on avait lu, on lira, on lirait.
Vous venez, vous êtes venus, vous étiez venus, vous verrez, vous verriez.
Nous partons, nous sommes partis, nous étions partis, nous partirons, nous partirions.
Je me lève, je me suis levé, je m'étais levé, je me lèverai, je me lèverais.
Ils font, ils ont fait, ils avaient fait, ils feront, ils feraient.
Nous applaudissons, nous avons applaudi, nous avions applaudi, nous applaudiront, nous applaudirions.

Sa fille, son fils, ses amis, leur mère, ma mère, mon frère, mes amis, tes études, ton père, ta sœur, leurs femmes, votre question, vos fautes, nos amis, notre travail.
Похожие вопросы
Предмет: Другие предметы, автор: Аноним
Здравствуйте. В коде ошибка в строке grid_search.fit (X_train.values, y_train.values) Код написан на пайтон. Заранее огромное спасибо просто не понимаю. Вот весь код. import pandas as pd #Импорт библиотеки Pandas - для работы с датафреймами
import numpy as np #Импорт библиотеки NumPy - для работы с массивами

import matplotlib.pyplot as plt #Для работы с графиками


#Импорт модели обучения

from sklearn.linear_model import Ridge


#Импорт класса для решетчатого поиска с перекрестной валидацией

#И функции для разделения данных на наборы

from sklearn.model_selection import GridSearchCV,train_test_split


#Загружаем файл как объект DataFrame с помощью библиотеки Pandas

df = pd.read_csv("/content/DRUGS_exam_classification.csv", sep = ',',

index_col ='ChEMBL ID')

#Выбираем из них только те, что подходят под условия

filt=df.loc[(df['Heavy Atoms']>=12) & (df['Heavy Atoms']<=25)]

#Задаем целевое поле

y = df_filt['Molecular Species']

#Задаем поля дескрипторов

X = df_filt[['Molecular Weight','AlogP','Polar Surface Area','QED Weighted','CX LogP','CX LogD','Heavy Atoms']]

#Делим данные на обучающий и тестовый наборы

X_train, X_test, y_train, y_test = train_test_split(X,y,random_state=42)


#Задаем варьирующийся параметр модели 'alpha'

param_grid = {'alpha': [0.01,0.1,1,10]}

#Настраиваем параметры поиска - саму модель, число блоков валидации - 10

#И указываем метрику R^2

grid_search = GridSearchCV(Ridge(random_state=42),param_grid,

cv=10, scoring='roc_auc')

#Обучаем модели на подготовленном тренировочном наборе

grid_search.fit (X_train.values, y_train.values)

#Оцениваем лучшую модель (она автоматически сохраняется в grid_search)

score = grid_search.score(X_test.values,y_test.values)

print(f'Параметры лучшей модели: {grid_search.best_params_}')

print(f'R^2 модели при кросс-валидации - {round(grid_search.best_score_,6)}')

print(f'R^2 модели на тестовом наборе - {round(score,6)}')


#Создаем список для значений коэффициентов при разных alpha

coefs=[]

#И список значений alpha

alphas=[0.01,0.1,1,10]

#Рассчитываем модель при разных альфа

for i in alphas:

ridge = Ridge(alpha=i)

ridge.fit(X_train.values, y_train.values)

#Заносим значения коэффициентов в список

coefs.append(ridge.coef_)

#Создаем область рисования

fig = plt.figure(figsize=[10,10])

#Для каждого из 6 дескрипторов

for i in range(1,7):

#Создаем subplot

fig.add_subplot(2,3,i)

#И строим значения коэффициента для каждого alpha

plt.plot(alphas,[coefs[0][i-1],coefs[1][i-1],coefs[2][i-1],coefs[3][i-1]])

#Подписываем оси и название

plt.xlabel('alpha')

plt.xscale('log')

plt.ylabel('Весовой коэффициент параметра')

plt.title(X.keys()[i-1])

#Делаем красиво

plt.tight_layout()


#Вводим дескрипторы молекулы для поиска

x_unknown = np.array([[280.45,63.22,0.12,1.45,1.28,19]])

#Используем метод predict для классификации молекулы

result=grid_search.predict(x_unknown)

print(f'AlogP целевой молекулы равен {round(result[0],3)}')