AOA定位项目的代码遇到错误，不知为何，还求请教！
本人在调试AOA定位项目的代码时遇到以下问题，困扰许久。还请高人指点江山，代码如下：
感觉可能是数据data存放路径问题。但不知如何去改，不知道你这个问题是否已经解决, 如果还没有解决的话:
- 你可以参考下这篇文章：使用微积分和线性代数的基础知识来推导线性回归
- 除此之外, 这篇博客: 众包置信度：改进众包数据标记的贝叶斯推断中的 A. Data 部分也许能够解决你的问题, 你可以仔细阅读以下内容或者直接跳转源博客中阅读:
- 工人：本文中所有的工人和问题都是模拟的。该系统的建立使得每个工人都有一个唯一的正确回答给定问题的概率，这些概率中的每一个都是从正态分布中抽取的，任何小于零或大于一的样本都被舍入到零，并且一个来确保这是一个有效的概率。这些工人被认为属于三类人中的一类：相反、正常和专家。相反的概率来自平均值为15，标准差为5的正态分布。正常工人的概率是从平均值为60，标准差为15的分布中得出的，假设这个集合是最大的，同时工人能力之间的差异也是最大的。这就导致了这样一种情况：一些工人可以成为“隐藏”在集合中的专家。专家的概率来自平均值为85，标准差为5的正态分布。不同的模型并不知道这些潜在的可能性。系统知道专家库中的工人，但成本较高。询问专家的成本是询问工人成本的五倍，工人被视为单位成本——尽管这个超参数可以根据不同情况进行调整。
- 问题：为了模拟问题中的不同难度，为每个问题添加一个“难度”值。较高的难度等级将降低正常/专家工人获得正确答案的概率，并降低相反工人获得错误答案的概率。这是基于这样一种假设：敌对的员工试图通过回答他们认为不正确的事情来产生误导性的结果。硬问题的概率上限为50%，因为这表示工人完全在猜测。用于模拟问题集的难度值集是从具有不同均值和标准差15的正态分布中提取的。
- 可用工作人员：为了模拟人员的不同可用性，整个工作人员池并非始终可用。相反，系统将为每个问题接收随机生成的可用工作人员子集，他们可以在标签上查询这些工作人员中的任何一个进行分类。如果每一个问题都有完整的工人集，那么包含一个偶尔使用非最优工人的方法将是有益的，以确保我们探索所有工人的能力。
如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^