thinkphp

#include <iostream>
#define SIZE 100

using namespace std;

int stack[SIZE],n;

int ok(int k) {

    for(int i = 1; i < k; ++i) {

thinkphp

#include <iostream>
#define FIN "permutari.in"
#define FOUT "permutari.out"
#define SIZE 100

using namespace std;
/*n = 3

n! = 1 2 3 = 6 permutari

thinkphp

#include <iostream>
#include <string>

using namespace std;

class Masina {
	
      private: //modificator de access
      string marca; //date membre
      int an;

thinkphp

#include <iostream>
#include <math.h>

using namespace std;

class Complex {

      public: 
      float x, y;  
      float modul();

thinkphp

#include <iostream>
#include <math.h>

using namespace std;

class Complex {

      public: 
      float x, y;  
      float modul();

thinkphp

K-Means este o metodă de a grupa lucruri similare împreună.

Analogie simplă - Organizarea elevilor:
Imaginează-ți că ai 100 de elevi în curtea școlii și vrei să-i împarți în 4 grupe pentru diferite activități. K-Means face exact asta, dar automat!

Cum funcționează (pas cu pas):
Alegi numărul de grupe (K=4 în cazul tău)

"Vreau 4 grupe de jucători NBA"
Algoritmul plasează 4 "lideri" random în curte (centroizi)

thinkphp

Ce este Curba Elbow?

Curba Elbow (curba cotului) este o metodă grafică folosită pentru a determina numărul optim de clustere într-o analiză KMeans.

De ce avem nevoie de ea?

Când aplicăm KMeans, trebuie să specificăm câte clustere vrem (parametrul K). Dar cum știm care este numărul ideal? Aici intervine curba Elbow!

Cum funcționează?

thinkphp

Ce este Inerția în KMeans?

Inertia (inertia/within-cluster sum of squares - WCSS) este o metrică care măsoară cat de compacte sunt clusterele în modelul KMeans.

Definitie matematica:

Inertia = suma distanțelor patratice dintre fiecare punct și centroidul clusterului său

Inerție = Σ ||xᵢ - cₖ||²

thinkphp

fig,axes = plt.subplots(1,2,figsize=(14,5))

//matricea de confuzie - antrenare
sns.heatmap(cm_train, annot = True, fmt='d', cmap='Blues', xticklabes=['Fara simptome','IC usoara', 'IC severa'],
                                                           yticklabes=['Fara simptome','IC usoara', 'IC severa'],
                                                           ax = axes[0].set_title(f"Matricea de confuzie - Antrnare / acuratete: {train_accuracy:.2%}, fontsize=12, fontweight='bold")

                                                           axes[0].set_ylabel('Etichete True',fontsize=11)
                                                           axes[0].set_xlabel('Eticheta predictie',fontsize=11))

thinkphp

import numpy as np
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans 
#algoritmul de clusterizare: grupeaza datele in K clustere

# cum se incarca o imagine?

img = plt.imread('T2.jpeg')

#citeste imaginea si o stocheaza ca array NumPy (matrice de pixeli)