欧式距离分析情感值

2024-08-27 06:18
文章标签 分析 距离 情感 欧式

本文主要是介绍欧式距离分析情感值,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

测试和训练文本:

文本编号 词列表(以空格分隔) 公众"感动"的概率
训练文本1 消防员 冲进 火场 救出 男童 1
训练文本2 公务员 患 癌症 保持 在岗 0.9
训练文本3 消防员 多次 冲进 火场 救人 不幸 身亡 0.5
训练文本4 老人 成功 进行 免费 白内障 手术 0.5
训练文本5 海豚 误 吞 排球 后 手术 成功 取出 0.4
训练文本6 6旬 老人 跳楼 自杀 身亡 0.1
训练文本7 男子 跳楼 自杀 身亡 0.02
训练文本8 疑犯 枪杀 出租车 司机 0
训练文本9 男子 枪杀 妻子 后 自杀 0
训练文本10 医师 误 把 肾脏 当 肝脏 致人 身亡 0
测试文本1 癌症 老人 成功 手术 ?
测试文本2 男子 枪杀 司机 后 喝药 自杀 ?
测试文本3 癌症 医师 保持 手术 清醒 ?
测试文本4 男子 跳楼 自杀 ?
测试文本5 男子 枪杀 老人 后 自杀 ?
测试文本6 消防员 冲进 火场 将 男童 救出 ?
测试文本7 出租车 司机 免费 搭载 老人 ?
测试文本8 男子 误 杀 弟媳 后 自杀 身亡 ?
测试文本9 医师 误 把 患者 肝脏 捅破 致人 身亡 ?
测试文本10 6旬 老人 火场 救人 不幸 身亡 ?


方法:采用欧式距离,找到离测试数据最近的一个训练数据的情感值
#include <iostream>
#include <cstdio>
#include <fstream>
#include <string>
#include <sstream>
#include <cmath>using namespace std;string word[20];
string train_word[20][20];
string test_word[20][20];
string feeling[20];
string mlab[60];  //标记不重复词汇列表 int vector[20][60];
int test_vector[20][60];
string answer[20];int word_split(string str);void add_to_lab(string mword,int addr);
void train_mode(int len,int addr);
int lab_find(string mword);void test_mode(int len,int addr);
void test_add_to_lab(string mword,int addr);void show_vector(int train_num,int test_num);int get_error(int test_num,int train_num); 
void get_result(int test_num,int train_num);int mlab_size = 0;  //标记不重复词汇列表的顺序 int main(){ifstream in("Dataset_txt format.txt");        //读取文件 string ch;int mlen = 0,train_num = 0,test_num = 0;while(!in.eof())                             //读取数据集中每行信息 {getline(in,ch);		mlen = word_split(ch);                    //记录每行的词汇数 if(word[0] != "文本编号")                  //训练文本和测试文本的归类 {      		size_t flag = word[0].find("训练文本");if(flag == 0){for(int i = 0;i < mlen;i ++)train_word[train_num][i] = word[i]; cout<<"This is a train_text!"<<endl;  feeling[train_num] = word[mlen-1];   //记录情感概率数值 train_mode(mlen,train_num);          //添加到词汇列表里面 train_num++;}  else                                      //当检测到测试文本数据的时候 {for(int i = 0;i < mlen;i ++)test_word[test_num][i] = word[i]; cout<<"This is a test_text!"<<endl; //测试输出结果test_mode(mlen,test_num);  test_num++; }      		}	 }show_vector(train_num,test_num);       //显示vector的值 get_result(test_num,train_num);for(int i = 0;i < test_num;i ++)        //显示测试文本的情感概率值 {cout<<test_word[i][0]<<": "<<answer[i]<<endl;}in.close(); 
} //读取数据集并且输出,返回每行的词汇数 
int word_split(string str){istringstream istring;istring.str(str);int count = 0;//记录每行词汇的个数while(!istring.eof()){istring>>word[count++];cout<<word[count-1]<<" ";	} cout<<endl;return count;
}void train_mode(int len,int addr)  //第addr行的第len个词汇 
{for(int i = 1;i < len - 1;i ++){add_to_lab(word[i],addr);}
} //不重复的全部词汇的列表 
void add_to_lab(string mword,int addr)   //第addr行的特定词汇mword 
{if(mlab_size  > 0){int aa = lab_find(mword);   //查看词汇列表是否存在该词汇 if(aa == mlab_size) {mlab[mlab_size ++] = mword; vector[addr][mlab_size-1] = 1;			}elsevector[addr][aa] = 1;//cout<<mword<<" "<<aa<<endl;}else{mlab[mlab_size ++] = mword; vector[addr][mlab_size-1] = 1;}}//在lab数组中是否存在mword 
int lab_find(string mword)
{int i = 0;for(i = 0;i < mlab_size;i ++){if(mlab[i] == mword)return i;}return i;
}void test_mode(int len,int addr)
{for(int i = 1;i < len - 1;i ++){test_add_to_lab(word[i],addr);}
} void test_add_to_lab(string mword,int addr)
{int aa = lab_find(mword);if(aa == mlab_size){mlab[mlab_size ++] = mword; test_vector[addr][mlab_size-1] = 1;		//可要可不要	}elsetest_vector[addr][aa] = 1;}void show_vector(int train_num,int test_num)
{cout<<endl;cout<<"总词汇个数:"<<mlab_size<<endl;for(int i = 0;i < mlab_size;i ++){cout<<mlab[i]<<" ";}cout<<endl;cout<<"train_num "<<train_num<<endl;for(int i = 0;i < train_num;i ++){for(int j = 0;j < mlab_size;j ++)cout<<vector[i][j]<<" ";cout<<endl;}cout<<"test_num "<<test_num<<endl;for(int i = 0;i < test_num;i ++){for(int j = 0;j < mlab_size;j ++)cout<<test_vector[i][j]<<" ";cout<<endl;}	
}//找到欧式距离最小的训练样本 
void get_result(int test_num,int train_num)
{for(int i = 0;i < test_num;i ++){double min = 100,mid;int index = 0;for(int j = 0;j < train_num;j ++){mid = get_error(i,j);if(sqrt(mid) < min){min = sqrt(mid);index = j;}}answer[i] = feeling[index];}
}int get_error(int test_num,int train_num)  //找到test_num和train_num的距离的平方 
{int sum = 0;for(int i = 0;i < mlab_size;i ++){if(vector[train_num][i] != test_vector[test_num][i])sum ++;}return sum;
}



这篇关于欧式距离分析情感值的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1110866

相关文章

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题,本文将一起从代码层去分析为什么没有建立索引? 开源ERP项目地址:https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者

MOLE 2.5 分析分子通道和孔隙

软件介绍 生物大分子通道和孔隙在生物学中发挥着重要作用,例如在分子识别和酶底物特异性方面。 我们介绍了一种名为 MOLE 2.5 的高级软件工具,该工具旨在分析分子通道和孔隙。 与其他可用软件工具的基准测试表明,MOLE 2.5 相比更快、更强大、功能更丰富。作为一项新功能,MOLE 2.5 可以估算已识别通道的物理化学性质。 软件下载 https://pan.quark.cn/s/57

衡石分析平台使用手册-单机安装及启动

单机安装及启动​ 本文讲述如何在单机环境下进行 HENGSHI SENSE 安装的操作过程。 在安装前请确认网络环境,如果是隔离环境,无法连接互联网时,请先按照 离线环境安装依赖的指导进行依赖包的安装,然后按照本文的指导继续操作。如果网络环境可以连接互联网,请直接按照本文的指导进行安装。 准备工作​ 请参考安装环境文档准备安装环境。 配置用户与安装目录。 在操作前请检查您是否有 sud

线性因子模型 - 独立分量分析(ICA)篇

序言 线性因子模型是数据分析与机器学习中的一类重要模型,它们通过引入潜变量( latent variables \text{latent variables} latent variables)来更好地表征数据。其中,独立分量分析( ICA \text{ICA} ICA)作为线性因子模型的一种,以其独特的视角和广泛的应用领域而备受关注。 ICA \text{ICA} ICA旨在将观察到的复杂信号

【软考】希尔排序算法分析

目录 1. c代码2. 运行截图3. 运行解析 1. c代码 #include <stdio.h>#include <stdlib.h> void shellSort(int data[], int n){// 划分的数组,例如8个数则为[4, 2, 1]int *delta;int k;// i控制delta的轮次int i;// 临时变量,换值int temp;in

三相直流无刷电机(BLDC)控制算法实现:BLDC有感启动算法思路分析

一枚从事路径规划算法、运动控制算法、BLDC/FOC电机控制算法、工控、物联网工程师,爱吃土豆。如有需要技术交流或者需要方案帮助、需求:以下为联系方式—V 方案1:通过霍尔传感器IO中断触发换相 1.1 整体执行思路 霍尔传感器U、V、W三相通过IO+EXIT中断的方式进行霍尔传感器数据的读取。将IO口配置为上升沿+下降沿中断触发的方式。当霍尔传感器信号发生发生信号的变化就会触发中断在中断

kubelet组件的启动流程源码分析

概述 摘要: 本文将总结kubelet的作用以及原理,在有一定基础认识的前提下,通过阅读kubelet源码,对kubelet组件的启动流程进行分析。 正文 kubelet的作用 这里对kubelet的作用做一个简单总结。 节点管理 节点的注册 节点状态更新 容器管理(pod生命周期管理) 监听apiserver的容器事件 容器的创建、删除(CRI) 容器的网络的创建与删除

PostgreSQL核心功能特性与使用领域及场景分析

PostgreSQL有什么优点? 开源和免费 PostgreSQL是一个开源的数据库管理系统,可以免费使用和修改。这降低了企业的成本,并为开发者提供了一个活跃的社区和丰富的资源。 高度兼容 PostgreSQL支持多种操作系统(如Linux、Windows、macOS等)和编程语言(如C、C++、Java、Python、Ruby等),并提供了多种接口(如JDBC、ODBC、ADO.NET等

OpenCV结构分析与形状描述符(11)椭圆拟合函数fitEllipse()的使用

操作系统:ubuntu22.04 OpenCV版本:OpenCV4.9 IDE:Visual Studio Code 编程语言:C++11 算法描述 围绕一组2D点拟合一个椭圆。 该函数计算出一个椭圆,该椭圆在最小二乘意义上最好地拟合一组2D点。它返回一个内切椭圆的旋转矩形。使用了由[90]描述的第一个算法。开发者应该注意,由于数据点靠近包含的 Mat 元素的边界,返回的椭圆/旋转矩形数据