學(xué)號(hào)組長(zhǎng)成員1成員2成員3大數(shù)據(jù)分析技術(shù)課程設(shè)計(jì)課題我國(guó)省域數(shù)字經(jīng)濟(jì)評(píng)估學(xué)生姓名組長(zhǎng)成員1成員2成員3院部數(shù)學(xué)與計(jì)算機(jī)學(xué)院專業(yè)班級(jí)指導(dǎo)教師二○二三年六月PAGE3目錄摘要 3一．問(wèn)題描述 1二．?dāng)?shù)學(xué)建模 22.1問(wèn)題分析 22.2符號(hào)系統(tǒng) 22.3合理的簡(jiǎn)化的假設(shè) 22.4模型建立 2三．系統(tǒng)開(kāi)發(fā) 33.1系統(tǒng)設(shè)計(jì) 33.1.1系統(tǒng)參數(shù)說(shuō)明 33.1.2系統(tǒng)架構(gòu) 33.2系統(tǒng)實(shí)現(xiàn) 33.3系統(tǒng)使用說(shuō)明 4四．結(jié)論 5參考文獻(xiàn) 6摘要從總體上闡述文章要解決的問(wèn)題、分析問(wèn)題的主要思路、針對(duì)問(wèn)題建立的模型以及最終的計(jì)算結(jié)果，摘要內(nèi)容不少于500字。關(guān)鍵詞：列出文章中出現(xiàn)的關(guān)鍵詞匯及數(shù)學(xué)用語(yǔ)。PAGE7一．問(wèn)題描述自2012年達(dá)沃斯世界經(jīng)濟(jì)論壇上大會(huì)宣布人類已經(jīng)進(jìn)入“大數(shù)據(jù)時(shí)代”，數(shù)字經(jīng)濟(jì)就來(lái)勢(shì)迅猛，讓人猝不及防，成為繼農(nóng)業(yè)經(jīng)濟(jì)、工業(yè)經(jīng)濟(jì)之后的主要經(jīng)濟(jì)形態(tài)。數(shù)字經(jīng)濟(jì)是一個(gè)寬泛的概念，是指以數(shù)據(jù)資源為關(guān)鍵要素，以現(xiàn)代信息網(wǎng)絡(luò)為主要載體，以信息通信技術(shù)融合應(yīng)用、全要素?cái)?shù)字化轉(zhuǎn)型為重要推動(dòng)力，促進(jìn)公平與效率更加統(tǒng)一的新經(jīng)濟(jì)形態(tài)。它發(fā)展速度快、輻射范圍廣、影響程度深，正推動(dòng)生產(chǎn)方式、生活方式和治理方式深刻變革，成為重組全球要素資源、重塑全球經(jīng)濟(jì)結(jié)構(gòu)、改變?nèi)蚋?jìng)爭(zhēng)格局的關(guān)鍵力量。國(guó)務(wù)院關(guān)于印發(fā)“十四五”數(shù)字經(jīng)濟(jì)發(fā)展規(guī)劃的通知．中國(guó)政府網(wǎng)．2021-12-12．引用日期2022-05-12．在技術(shù)層面，數(shù)字經(jīng)濟(jì)包括大數(shù)據(jù)、云計(jì)算、物聯(lián)網(wǎng)、區(qū)塊鏈、人工智能、5G通信等新興技術(shù)。在應(yīng)用層面，“新零售”、“新制造”等都是其典型代表。新零售：研究述評(píng)及展望．知網(wǎng)．引用日期2022-05-12．我國(guó)自2013年起就圍繞“數(shù)字經(jīng)濟(jì)”布局謀篇，重點(diǎn)推進(jìn)建設(shè)的5G網(wǎng)絡(luò)、數(shù)據(jù)中心、工業(yè)互聯(lián)網(wǎng)等新型基礎(chǔ)設(shè)施，本質(zhì)上就是圍繞科技新產(chǎn)業(yè)的數(shù)字經(jīng)濟(jì)基礎(chǔ)設(shè)施，數(shù)字經(jīng)濟(jì)已成為我國(guó)工業(yè)4.0或后工業(yè)經(jīng)濟(jì)的本質(zhì)特征，是驅(qū)動(dòng)我國(guó)經(jīng)濟(jì)實(shí)現(xiàn)又好又快增長(zhǎng)的新引擎，其催生的各種新業(yè)態(tài)，也將成為中國(guó)經(jīng)濟(jì)新的重要增長(zhǎng)點(diǎn)。本設(shè)計(jì)所附數(shù)據(jù)集“數(shù)字經(jīng)濟(jì)指標(biāo)數(shù)據(jù).xlsx”包含了我國(guó)30個(gè)省域不包括西藏自治區(qū)、香港、澳門(mén)、臺(tái)灣四個(gè)省級(jí)行政單位的數(shù)據(jù)．?dāng)?shù)字經(jīng)濟(jì)自2014年至2020年發(fā)展的7個(gè)指標(biāo)：互聯(lián)網(wǎng)寬帶接入端口、移動(dòng)互聯(lián)網(wǎng)用戶、企業(yè)數(shù)、每百人使用計(jì)算機(jī)數(shù)不包括西藏自治區(qū)、香港、澳門(mén)、臺(tái)灣四個(gè)省級(jí)行政單位的數(shù)據(jù)．請(qǐng)根據(jù)數(shù)據(jù)集完成下述設(shè)計(jì)任務(wù)。數(shù)字經(jīng)濟(jì)受到三大定律的支配，其中第一個(gè)定律是梅特卡夫法則：數(shù)字網(wǎng)絡(luò)的價(jià)值等于其節(jié)點(diǎn)數(shù)的平方。請(qǐng)以梅特卡夫法則為準(zhǔn)則，完成下述三問(wèn)。自定義網(wǎng)絡(luò)價(jià)值；按所定義的數(shù)字網(wǎng)絡(luò)的價(jià)值計(jì)算表中各省級(jí)行政單位的數(shù)字網(wǎng)絡(luò)的價(jià)值；可視化你的結(jié)果。根據(jù)當(dāng)前數(shù)據(jù)，選用合適的方法預(yù)測(cè)各省級(jí)行政單位在2021年的數(shù)據(jù)。根據(jù)當(dāng)前數(shù)據(jù)（不包括預(yù)測(cè)的2021年的數(shù)據(jù)），對(duì)各省級(jí)行政單位在各年的數(shù)字經(jīng)濟(jì)水平進(jìn)行評(píng)估。將上述過(guò)程封裝為一個(gè)pythonapi，供相關(guān)單位使用。注：需附使用說(shuō)明。

二．?dāng)?shù)學(xué)建模2.1問(wèn)題分析2.2符號(hào)系統(tǒng)2.3合理的簡(jiǎn)化的假設(shè)2.4模型建立2.5模型求解

三．系統(tǒng)開(kāi)發(fā)將前面研究結(jié)果集成為一個(gè)系統(tǒng)。3.1系統(tǒng)設(shè)計(jì)3.1.1系統(tǒng)參數(shù)說(shuō)明一、輸入?yún)?shù)二、輸出參數(shù)3.1.2系統(tǒng)架構(gòu)AppSVM建模SVC訓(xùn)練fit評(píng)估內(nèi)預(yù)測(cè)準(zhǔn)確率accuracy_score預(yù)測(cè)3.2系統(tǒng)實(shí)現(xiàn)#集成開(kāi)始#〇、導(dǎo)庫(kù)fromsklearn.svmimportSVC#導(dǎo)入數(shù)據(jù)分割函數(shù)：將數(shù)據(jù)分割為訓(xùn)練集和測(cè)試集fromsklearn.model_selectionimporttrain_test_split#導(dǎo)入模型評(píng)估函數(shù)fromsklearn.metricsimportaccuracy_score#一、算法集成defAppSVM(X,y,data,c=1,kernel='rbf',gamma=2,test_size=0.3):#輸入?yún)?shù)說(shuō)明~~~~~~~~~#1.X,y=對(duì)象在其特征上的觀測(cè)數(shù)據(jù)及其對(duì)應(yīng)的類別，都是數(shù)據(jù)框，是已經(jīng)完成預(yù)處理的數(shù)據(jù)。#2.data=待識(shí)別對(duì)象在其特征上的觀測(cè)值，是一個(gè)數(shù)據(jù)框，是已經(jīng)完成預(yù)處理的數(shù)據(jù)。#3.支持向量機(jī)參數(shù)設(shè)置#c=懲罰因子，應(yīng)用于SVC；默認(rèn)參數(shù)，默認(rèn)值為1。#kernel=指定支持向量機(jī)的核函數(shù)；默認(rèn)參數(shù)，默認(rèn)值為“rbf”（高斯核函數(shù)）。#gamma=僅當(dāng)核函數(shù)為“rbf”時(shí)有效，是平衡支持向量個(gè)數(shù)的參數(shù)：#gamma越大，支持向量越少，gamma值越小，支持向量越多；#默認(rèn)參數(shù)，默認(rèn)值為1。#4.test_size=X,y中數(shù)據(jù)用于測(cè)試的比例，默認(rèn)參數(shù)，默認(rèn)值為0.3。#輸出參數(shù)說(shuō)明~~~~~~~~~#1.results=字典型數(shù)據(jù)，其鍵為：#labels=對(duì)應(yīng)的預(yù)測(cè)結(jié)果#accuracy=模型的識(shí)別準(zhǔn)確率，包含回代準(zhǔn)確率和測(cè)試準(zhǔn)確率#套路開(kāi)始#1.建模model=SVC(C=c,kernel=kernel,gamma=gamma)#2.訓(xùn)練#2.1分割訓(xùn)練集和測(cè)試集X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=test_size,random_state=42)#2.2訓(xùn)練模型model.fit(X_train,y_train)#3.評(píng)估#3.1系統(tǒng)內(nèi)預(yù)測(cè)以計(jì)算預(yù)測(cè)準(zhǔn)確率#3.1.1回代預(yù)測(cè)y_pred_train=model.predict(X_train)#3.1.2測(cè)試預(yù)測(cè)y_pred_test=model.predict(X_test)#3.2據(jù)內(nèi)預(yù)測(cè)結(jié)果計(jì)算預(yù)測(cè)準(zhǔn)確率#3.2.1回代準(zhǔn)確性acc_train=accuracy_score(y_train,y_pred_train)print("訓(xùn)練集預(yù)測(cè)準(zhǔn)確率：",acc_train)#3.2.2測(cè)試準(zhǔn)確性acc_test=accuracy_score(y_test,y_pred_test)print("測(cè)試集預(yù)測(cè)準(zhǔn)確率：",acc_test)#4.預(yù)測(cè)labels=model.predict(data)#5.輸出結(jié)果--results={}res