苏州网站建设业务的公司,网站快速收录教程,重庆网站建设沛宣,注册网站怎么注销文章目录 数据准备数据下载数据切割转换器估计器 kNN正常的流程网格多折交叉训练原理讲解距离度量欧式距离(Euclidean Distance)曼哈顿距离(Manhattan Distance)切比雪夫距离 (Chebyshev Distance)还有一些自定义的距离 就请读者自行研究 再识K-近邻算法API选择n邻居的思辨总结… 文章目录 数据准备数据下载数据切割转换器估计器 kNN正常的流程网格多折交叉训练原理讲解距离度量欧式距离(Euclidean Distance)曼哈顿距离(Manhattan Distance)切比雪夫距离 (Chebyshev Distance)还有一些自定义的距离 就请读者自行研究 再识K-近邻算法API选择n邻居的思辨总结 数据准备
数据下载
首先我们需要了解的是我们并不是把所有的数据都拿来训练我们需要拿一部分当作训练集一部分当作测试集这也是最为基础的训练方式现在实际上还有多折训练方式这个上一讲有讲解过。
一般来说我们正常的训练方式下我们把总共的数据分为训练集测试集大概是73到82之间都可以并没有严格的说好坏当数据量很大的时候比如上亿了甚至也可以9.90.1毕竟数据量很大这并没有严格的定义与数据准备我们采用sklearn当中的数据集进行学习。
先准备三个数据集后面的介绍当中需要用到
第一个数据集鸢尾花数据集 完成分类
from sklearn.datasets import load_iris# 鸢尾花数据集用来完成分类的数据集 注意这个是loadload是临时加载也就是这个数据集的大小很小他会去网上下载了直接放到内存而不是放到你的具体的某一个磁盘的文件夹下所以每一次开关编译器都需要重新进行加载 与下面的新闻数据集进行相对比
iris load_iris()# 查看数据集的基本信息 一般第一次运行的时候可以查看一下 这边注释掉的原因是字太多占位置读者第一次阅读的话可以打开
# print(iris_data.DESCR)# 获取特征值 一般对于深度学习和机器学习来说我们都不会去关注data我们会去关注他的shape,想看的可以打开。 iris_data.data是numpy类型的数据 这个也就是iris数据集的特征值
# print(iris_data.data)
print(iris.data.shape,end\n\n)# 目标值
print(iris.target)
print(-*20)# data当中的每一个特征代表什么我们可以看到我们的特征值是150*4的也就是有150条数据然后每一个数据有4个特征。
print(iris.feature_names,end\n\n) # 目标值的数字对应的含义由于鸢尾花数据集是完成分类的所以有target_names如果是完成回归任务的就没有target_names
print(iris.target_names)输出
(150, 4)[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 00 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 11 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 22 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 22 2]
--------------------
[sepal length (cm), sepal width (cm), petal length (cm), petal width (cm)][setosa versicolor virginica]第二个数据集20类新闻的数据集 注意fetch和load的区别
from sklearn.datasets import fetch_20newsgroups# 下面是比较大的数据需要下载一会20类新闻,他会下载到你的具体的文件夹下 明显也是分类问题
news fetch_20newsgroups(subsetall, data_home./dataset)
# 注释掉不看读者可以自己看
# print(news.DESCR)# 分片看第一封信 也就是第一个数据的特征值
print(news.data[0])# 看第一封信的目标值 也就是第一个数据的目标值
print(news.target[0])
print(-*20)# 一般来说的正常分析 看shape 看有多少条数据以及特征数量
print(news.target)
print(min(news.target),max(news.target))# 因为输入的是文本是一维的数据所以没有特征name
# print(news.feature_names)输出
From: Mamatha Devineni Ratnam mr47andrew.cmu.edu
Subject: Pens fans reactions
Organization: Post Office, Carnegie Mellon, Pittsburgh, PA
Lines: 12
NNTP-Posting-Host: po4.andrew.cmu.eduI am sure some bashers of Pens fans are pretty confused about the lack
of any kind of posts about the recent Pens massacre of the Devils. Actually,
I am bit puzzled too and a bit relieved. However, I am going to put an end
to non-PIttsburghers relief with a bit of praise for the Pens. Man, they
are killing those Devils worse than I thought. Jagr just showed you why
he is much better than his regular season stats. He is also a lot
fo fun to watch in the playoffs. Bowman should let JAgr have a lot of
fun in the next couple of games since the Pens are going to beat the pulp out of Jersey anyway. I was very disappointed not to see the Islanders lose the final
regular season game. PENS RULE!!!10
--------------------
[10 3 17 ... 3 1 7]
0 19
第三个数据集波士顿房价的数据集 这个用来做回归的
from sklearn.datasets import load_boston
# 接着来看回归的数据,是波士顿房价 原本的方式1.2之后需要换方式下载
money load_boston()# 一样不看这个
# print(money.DESCR)# 看一下数据集的特征值的基本属性
print(money.data[0])
print(money.data.shape)
print(money.feature_names)
print(- * 20)# 看一下数据集的目标值的基本属性
# 回归问题没这个,打印这个会报错
# print(lb.target_names)
print(money.target)输出
# 这边给出上面的输出
# [6.320e-03 1.800e01 2.310e00 0.000e00 5.380e-01 6.575e00 6.520e01
# 4.090e00 1.000e00 2.960e02 1.530e01 3.969e02 4.980e00]
# (506, 13)
# [CRIM ZN INDUS CHAS NOX RM AGE DIS RAD TAX PTRATIO
# B LSTAT]
# --------------------------------------------------
# [24. ···一堆数据 11.9]数据切割
from sklearn.model_selection import train_test_split# 这里跳到去运行第一个下载数据的代码
# 下载的代码 阿巴阿巴# 注意返回值, 训练集:x_train,y_train 测试集x_test,y_test顺序千万别搞错了
# test_size0.25 就是训练集测试集31
# 默认是乱序的,random_state为了确保两次的随机策略一致往往会带上
x_train, x_test, y_train, y_test train_test_split(iris.data, iris.target, test_size0.25, random_state1)print(训练集特征值shape, x_train.shape)
print(测试集特征值shape, x_test.shape)输出
训练集特征值shape (112, 4)
测试集特征值shape (38, 4)转换器
Transformer是给测试集用的fit_transform(对于文档建立分类词频矩阵不能同时调用)给训练集用的
什么意思呢实际上这两个是一样的我们训练集的使用肯定在测试集之前我们先fit_transform之后再对于测试集要再进行一次fit明显不合理因为fit的过程实际上会对训练集进行切割分组得到一些参数那我们在测试的时候应该做的是调用那些参数去执行得到预测的目标值然后和真正的目标值进行比较最后对模型进行评估。
先记忆后面写代码的时候会有更深的印象。
估计器
在 sklearn 中估计器(estimator)是一个重要的角色分类器和回归器都属于 estimator是一类实现了算法的 API先记忆后面写代码的时候会有更深的印象
kNN
先讲解使用再讲解算法我个人会觉得这样子更好理解
正常的流程
# K近邻
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split
# 读取数据
data pd.read_csv(./dataset/data1_facebook/train.csv)
# 别从直接window打开
print(data.head(3))
print(data.shape)# 处理数据
# 1、缩小数据,查询数据,为了减少计算时间实际不会这么操作学习上使用减少数据量避免跑太久毕竟快3000万的数据集
data data.query(x 1.0 x 1.05 y 2.5 y 2.55)# 处理时间的数据 返回一个Series
time_value pd.to_datetime(data[time], units)
print(time_value.iloc[0]) #最大时间是1月10号
print(- * 20)# 把日期格式转换成 字典格式把年月日时分秒转换为字典格式
time_value pd.DatetimeIndex(time_value)# 构造一些特征执行的警告是因为我们的操作是复制loc是直接放入
# 日期是否是周末小时对于个人行为的影响是较大的
data.insert(data.shape[1], day, time_value.day)
data.insert(data.shape[1], hour, time_value.hour)
data.insert(data.shape[1], weekday, time_value.weekday)
print(data.head(3))
print(- * 20)# 把时间戳特征删除
data data.drop([time], axis1)# 把签到数量少于n个目标位置删除
place_count data.groupby(place_id).count()
# 把index变为0,1,23,4,5,6这种效果从零开始拍原来的index是地点
# 只选择去的人大于3的数据认为1,2,3的是噪音
tf place_count[place_count.row_id 5].reset_index()
print(tf.head(3))
print(- * 20)# 根据设定的地点目标值对原本的样本进行过滤
data data[data[place_id].isin(tf.place_id)]
print(data.head(3))
print(-*20)# 取出数据当中的特征值和目标值
y data[place_id]
x data.drop([place_id], axis1)
x x.drop([row_id], axis1)
print(x.shape)
print(x.columns)
print(-*20)# 进行数据的分割训练集合测试集
# random_state 随机数种子,不同的种子会造成不同的随机采样结果。相同的种子采样结果相同。
x_train, x_test, y_train, y_test train_test_split(x, y, test_size0.25, random_state1)# 特征工程标准化,下面3行注释一开始我们不进行标准化看下效果目标值要不要标准化
std StandardScaler()# 对测试集和训练集的特征值进行标准化,服务于knn fit
# transfrom不再进行均值和方差的计算是在原有的基础上去标准化
x_train std.fit_transform(x_train)
x_test std.transform(x_test)
print(x_train.shape)
print(x_test.shape)# 进行算法流程 可以通过调整超参数n_neighbors5来调整结果好坏
knn KNeighborsClassifier(n_neighbors5)# fit predict,score训练,参数是放在knn的内部的参数当中
knn.fit(x_train, y_train)# 得出预测结果
y_predict knn.predict(x_test)
print(预测的目标签到位置为, y_predict)
print(预测的准确率:, knn.score(x_test, y_test))输出 row_id x y accuracy time place_id
0 0 0.7941 9.0809 54 470702 8523065625
1 1 5.9567 4.7968 13 186555 1757726713
2 2 8.3078 7.0407 74 322648 1137537235
(29118021, 6)
1970-01-09 15:26:06
--------------------row_id x y accuracy time place_id day hour \
7468 7468 1.0058 2.5096 66 746766 9076695703 9 15
44694 44694 1.0380 2.5315 152 657007 5035268417 8 14
215164 215164 1.0274 2.5317 65 154944 6399991653 2 19 weekday
7468 4
44694 3
215164 4
--------------------place_id row_id x y accuracy day hour weekday
0 1228935308 27 27 27 27 27 27 27
1 2212762406 6 6 6 6 6 6 6
2 2584530303 78 78 78 78 78 78 78
--------------------row_id x y accuracy place_id day hour weekday
44694 44694 1.0380 2.5315 152 5035268417 8 14 3
215164 215164 1.0274 2.5317 65 6399991653 2 19 4
276048 276048 1.0235 2.5320 24 1228935308 6 12 1
--------------------
(671, 6)
Index([x, y, accuracy, day, hour, weekday], dtypeobject)
--------------------
(503, 6)
(168, 6)
预测的目标签到位置为 [2584530303 ············· 102186]
预测的准确率: 0.39285714285714285
网格多折交叉训练
# 采用网格搜索进行训练knn 实际上就是排列组合
from sklearn.preprocessing import StandardScaler
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split,GridSearchCV# 先进行数据处理 和之前的步骤一样这边就不进行详细介绍我把那些print全部去掉
# --------------------------------------------------------------
data pd.read_csv(./dataset/data1_facebook/train.csv)
data data.query(x 1.0 x 1.05 y 2.5 y 2.55)
time_value pd.to_datetime(data[time], units)
time_value pd.DatetimeIndex(time_value)
data.insert(data.shape[1], day, time_value.day)
data.insert(data.shape[1], hour, time_value.hour)
data.insert(data.shape[1], weekday, time_value.weekday)
data data.drop([time], axis1)
place_count data.groupby(place_id).count()
tf place_count[place_count.row_id 5].reset_index()
data data[data[place_id].isin(tf.place_id)]
y data[place_id]
x data.drop([place_id], axis1)
x x.drop([row_id], axis1)# 这一步虽然一样但是由于后面涉及到多折交叉这边就需要读者了解一下训练集 测试集 验证集
x_train, x_test, y_train, y_test train_test_split(x, y, test_size0.25, random_state1)std StandardScaler()
x_train std.fit_transform(x_train)
x_test std.transform(x_test)
# ------------------------------------------------------------# 这个是kNN我们要传进去的参数
param {n_neighbors: [3, 5, 10, 12, 15]}# 参数n_neighbors可写可不写
knn KNeighborsClassifier()# 进行网格搜索cv3是3折交叉验证用其中2折训练1折验证
gc GridSearchCV(knn, param_gridparam, cv3)#你给它的x_train它实际上会自己分成训练集和验证集用于评估他自己的正确率所以最后训练出来的会比我们上面的来的大概率垃圾一点原因就是训练量太小了。
gc.fit(x_train, y_train)# 预测准确率为了给大家看看
print(在测试集上准确率, gc.score(x_test, y_test))
print(在交叉验证当中最好的结果, gc.best_score_)
print(选择最好的模型是, gc.best_estimator_)
print(每个超参数每次交叉验证的结果, gc.cv_results_)输出
在测试集上准确率 0.3869047619047619
在交叉验证当中最好的结果 0.48719228210246174
选择最好的模型是 KNeighborsClassifier(n_neighbors10)
每个超参数每次交叉验证的结果 {mean_fit_time: array([0.00345572, 0. , 0. , 0.00148535, 0. ]), std_fit_time: array([0.00488712, 0. , 0. , 0.00114506, 0. ]), mean_score_time: array([0.01625578, 0.01041603, 0.01131908, 0.00851194, 0.01728145]), std_score_time: array([0.00531625, 0.00736525, 0.00800519, 0.00618463, 0.0062666 ]), param_n_neighbors: masked_array(data[3, 5, 10, 12, 15],mask[False, False, False, False, False],fill_value?,dtypeobject), params: [{n_neighbors: 3}, {n_neighbors: 5}, {n_neighbors: 10}, {n_neighbors: 12}, {n_neighbors: 15}], split0_test_score: array([0.38690476, 0.44047619, 0.48214286, 0.43452381, 0.44047619]), split1_test_score: array([0.35714286, 0.44047619, 0.43452381, 0.44047619, 0.44642857]), split2_test_score: array([0.47305389, 0.48502994, 0.54491018, 0.53892216, 0.52694611]), mean_test_score: array([0.4057005 , 0.45532744, 0.48719228, 0.47130739, 0.47128362]), std_test_score: array([0.04915148, 0.02100284, 0.04520627, 0.04787258, 0.03943426]), rank_test_score: array([5, 4, 1, 2, 3])}
原理讲解
最近邻 (k-Nearest NeighborsKNN) 算法是一种分类算法该算法的思想是一个样本与数据集中的k个样本最相似如果这k个样本中的大多数属于某一个类别。
实现流程 1计算已知类别数据集中的点与当前点之间的距离 2按距离递增次序排序 3选取与当前点距离最小的k个点 4统计前k个点所在的类别出现的频率 5返回前k个点出现频率最高的类别作为当前点的预测分类
距离度量
这边的距离度量再sklearn当中采用的是欧氏距离但常用的距离还有很多种这就需要我们通过自己的经验去分析与使用。
默认包含的一般有
欧式距离曼哈顿距离‘manhattan’切比雪夫距离‘chebyshev’闵可夫斯基距离‘minkowski’
欧式距离(Euclidean Distance)
默认采用的就是欧式距离这个大家也很了解两点之间直线最短是吧。。。 使用欧式距离的话实际上,不需要指定metric参数默认使用的就是欧氏距离。
曼哈顿距离(Manhattan Distance)
在曼哈顿街区要从一个十字路口开车到另一个十字路口驾驶距离显然不是两点间的直线距离。这个实际驾驶距离就是“曼哈顿距离”。曼哈顿距离也称为“城市街区距离”(City Block distance)。
关键字manhattan 使用的话
knn KNeighborsClassifier(n_neighbors5,metricmanhattan)如果我们上面的代码进行修改使用曼哈顿进行训练的话实际上会效果更好。
切比雪夫距离 (Chebyshev Distance)
国际象棋中国王可以直行、横行、斜行所以国王走一步可以移动到相邻8个方格中的任意一个。国王从格子(x1,y1)走到格子(x2,y2)最少需要多少步这个距离就叫切比雪夫距离实际上就是比曼哈顿距离多了个斜行。 还有一些自定义的距离 就请读者自行研究
再识K-近邻算法API
sklearn.neighbors.KNeighborsClassifier(n_neighbors5,algorithm‘auto’)
n_neighborsint,可选默认 5)algorithm{‘auto’‘ball_tree’‘kd_tree’‘brute’} 快速k近邻搜索算法默认参数为auto可以理解为算法自己决定合适的搜索算法。除此之外用户也可以自己指定搜索算法ball_tree、kd_tree、brute方法进行搜索brute是蛮力搜索也就是线性扫描当训练集很大时计算非常耗时。kd_tree构造kd树存储数据以便对其进行快速检索的树形数据结构kd树也就是数据结构中的二叉树。以中值切分构造的树每个结点是一个超矩形在维数小于20时效率高。ball tree是为了克服kd树高纬失效而发明的其构造过程是以质心C和半径r分割样本空间每个节点是一个超球体metric 采用的距离的度量默认欧氏距离曼哈顿距离‘manhattan’切比雪夫距离‘chebyshev’),闵可夫斯基距离‘minkowski’
选择n邻居的思辨
选择较小的 K 值就相当于用较小的领域中的训练实例进行预测“学习”近似误差会减小只有与输入实例较近或相似的训练实例才会对预测结果起作用与此同时带来的问题是“学习”的估计误差会增大换句话说K 值的减小就意味着整体模型变得复杂容易发生过拟合。
选择较大的 K 值就相当于用较大领域中的训练实例进行预测其优点是可以减少学习的估计误差但缺点是学习的近似误差会增大。这时候与输入实例较远不相似的训练实例也会对预测器作用使预测发生错误且 K 值的增大就意味着整体的模型变得简单。KNN 为训练样本个数则完全不足取因为此时无论输入实例是什么都只是简单的预测它属于在训练实例中最多的类模型过于简单忽略了训练实例中大量有用信息。在实际应用中K 值一般取一个比较小的数值例如采用交叉验证法简单来说就是把训练数据在分成两组:训练集和验证集来选择最优的 K 值。对这个简单的分类器进行泛化用核方法把这个线性模型扩展到非线性的情况具体方法是把低维数据集映射到高维特征空间。
总结
knn实际上就是通过 距离默认欧氏距离选择周围最近的5个点如果5个点的众数的类别是哪个类型就可以知道对应点的类别。 文章转载自： http://www.morning.ssxlt.cn.gov.cn.ssxlt.cn http://www.morning.ynlpy.cn.gov.cn.ynlpy.cn http://www.morning.rwbh.cn.gov.cn.rwbh.cn http://www.morning.madamli.com.gov.cn.madamli.com http://www.morning.lwtfx.cn.gov.cn.lwtfx.cn http://www.morning.rkmsm.cn.gov.cn.rkmsm.cn http://www.morning.nlglm.cn.gov.cn.nlglm.cn http://www.morning.pwbps.cn.gov.cn.pwbps.cn http://www.morning.frllr.cn.gov.cn.frllr.cn http://www.morning.elmtw.cn.gov.cn.elmtw.cn http://www.morning.dtnyl.cn.gov.cn.dtnyl.cn http://www.morning.lddpj.cn.gov.cn.lddpj.cn http://www.morning.iqcge.com.gov.cn.iqcge.com http://www.morning.mslhq.cn.gov.cn.mslhq.cn http://www.morning.mlgsc.com.gov.cn.mlgsc.com http://www.morning.rfmzs.cn.gov.cn.rfmzs.cn http://www.morning.rgwz.cn.gov.cn.rgwz.cn http://www.morning.mjtgt.cn.gov.cn.mjtgt.cn http://www.morning.hmlpn.cn.gov.cn.hmlpn.cn http://www.morning.brlgf.cn.gov.cn.brlgf.cn http://www.morning.lkmks.cn.gov.cn.lkmks.cn http://www.morning.czxrg.cn.gov.cn.czxrg.cn http://www.morning.rwbx.cn.gov.cn.rwbx.cn http://www.morning.nwwzc.cn.gov.cn.nwwzc.cn http://www.morning.xfyjn.cn.gov.cn.xfyjn.cn http://www.morning.bhwll.cn.gov.cn.bhwll.cn http://www.morning.phwmj.cn.gov.cn.phwmj.cn http://www.morning.rzbcz.cn.gov.cn.rzbcz.cn http://www.morning.jxlnr.cn.gov.cn.jxlnr.cn http://www.morning.dbphz.cn.gov.cn.dbphz.cn http://www.morning.lwnwl.cn.gov.cn.lwnwl.cn http://www.morning.hfbtt.cn.gov.cn.hfbtt.cn http://www.morning.rhsg.cn.gov.cn.rhsg.cn http://www.morning.nlryq.cn.gov.cn.nlryq.cn http://www.morning.mhsmj.cn.gov.cn.mhsmj.cn http://www.morning.rgrdd.cn.gov.cn.rgrdd.cn http://www.morning.jsphr.cn.gov.cn.jsphr.cn http://www.morning.lrdzb.cn.gov.cn.lrdzb.cn http://www.morning.fhghy.cn.gov.cn.fhghy.cn http://www.morning.lsgjf.cn.gov.cn.lsgjf.cn http://www.morning.cmldr.cn.gov.cn.cmldr.cn http://www.morning.zbjfq.cn.gov.cn.zbjfq.cn http://www.morning.nlnmy.cn.gov.cn.nlnmy.cn http://www.morning.gmjkn.cn.gov.cn.gmjkn.cn http://www.morning.przc.cn.gov.cn.przc.cn http://www.morning.mnkhk.cn.gov.cn.mnkhk.cn http://www.morning.gtxrw.cn.gov.cn.gtxrw.cn http://www.morning.zqdzg.cn.gov.cn.zqdzg.cn http://www.morning.lcbnb.cn.gov.cn.lcbnb.cn http://www.morning.tslxr.cn.gov.cn.tslxr.cn http://www.morning.nzmhk.cn.gov.cn.nzmhk.cn http://www.morning.ydxwj.cn.gov.cn.ydxwj.cn http://www.morning.nqlcj.cn.gov.cn.nqlcj.cn http://www.morning.xwbwm.cn.gov.cn.xwbwm.cn http://www.morning.pntzg.cn.gov.cn.pntzg.cn http://www.morning.rpms.cn.gov.cn.rpms.cn http://www.morning.rmmz.cn.gov.cn.rmmz.cn http://www.morning.jwxmn.cn.gov.cn.jwxmn.cn http://www.morning.yrhd.cn.gov.cn.yrhd.cn http://www.morning.mbbgk.com.gov.cn.mbbgk.com http://www.morning.qggcc.cn.gov.cn.qggcc.cn http://www.morning.tmzlt.cn.gov.cn.tmzlt.cn http://www.morning.sjjtz.cn.gov.cn.sjjtz.cn http://www.morning.pqrhb.cn.gov.cn.pqrhb.cn http://www.morning.dytqf.cn.gov.cn.dytqf.cn http://www.morning.zcmpk.cn.gov.cn.zcmpk.cn http://www.morning.kjgrg.cn.gov.cn.kjgrg.cn http://www.morning.elmtw.cn.gov.cn.elmtw.cn http://www.morning.bauul.com.gov.cn.bauul.com http://www.morning.kbynw.cn.gov.cn.kbynw.cn http://www.morning.qggm.cn.gov.cn.qggm.cn http://www.morning.tytly.cn.gov.cn.tytly.cn http://www.morning.tjmfz.cn.gov.cn.tjmfz.cn http://www.morning.tbjtm.cn.gov.cn.tbjtm.cn http://www.morning.qggm.cn.gov.cn.qggm.cn http://www.morning.knqck.cn.gov.cn.knqck.cn http://www.morning.hrhwn.cn.gov.cn.hrhwn.cn http://www.morning.kzpy.cn.gov.cn.kzpy.cn http://www.morning.lstmg.cn.gov.cn.lstmg.cn http://www.morning.qsy41.cn.gov.cn.qsy41.cn
