在进行项目特征描述时必须描述的内容：可不详细描述的
.26】08清单学习讨论-分部分项工程量清单项目特征描述
分部分项工程量清单的项目特征是确定一个清单项目综合单价的重要依据，在编制的工程量清单中必须对其项目特征进行准确和全面的描述。上面条文规定了分部分项工程量清单的项目特征描述原则，应按规范附录中规定的项目特征结合拟建工程项目的实际予以描述。
由于“03规范”对项目特征描述的要求不明，往往使招标人提供的工程量清单对项目特征描述不具体，特征不清、界限不明，使投标人无法准确理解工程量清单项目的构成要素，导致评标时难以合理的评定中标价；结算时，发、承包双方引起争议，影响工程量清单计价的推进。因此，在工程量清单中准确地描述工程量清单项目特征是有效推进工程量清单计价的重要一环。
工程量清单项目特征描述的重要意义在于：
1、项目特征是区分清单项目的依据。工程量清单项目特征是用来表述分部分项清单项目的实质内容，用于区分计价规范中同一清单条目下各个具体的清单项目。没有项目特征的准确描述，对于相同或相似的清单项目名称，就无从区分。
2、项目特征是确定综合单价的前提。由于工程量清单项目的特征决定了工程实体项目的实质内容，必然直接决定了工程实体的自身价值。因此，工程量清单项目特征描述得准确与否，直接关系到工程量清单项目综合单价的准确确定。
3、项目特征是履行合同义务的基础。实行工程量清单计价，工程量清单及其综合单价是施工合同的组成部分，因此，如果工程量清单项目特征的描述不清甚至漏项、错误，从而引起在施工过程中的更改，都会引起分歧，导致纠纷
由此可见，清单项目特征的描述，应根据计价规范附录中有关项目特征的要求，结合技术规范、标准图集、施工图纸，按照工程结构、使用材质及规格或安装位置等，予以详细而准确的表述和说明。可以说离开了清单项目特征的准确描述，清单项目就将没有生命力。比如我们要购买某一商品，如汽车，我们就首先要了解汽车的品牌、型号、结构、动力、内配等诸方面，因为这些决定了汽车的价格。当然，从购买汽车这一商品来讲，商品的特征在购买时已形成，买卖双方对此均以了解。但相对于建筑产品来说，比较特殊，因此在合同的分类中，工程发、承包施工合同属于加工承揽合同中的一个特例，实行工程量清单计价，就需要对分部分项工程量清单项目的实质内容、项目特征进行准确描述，就好比我们要购买某一商品，要了解品牌、性能等是一样的。因此，准确地描述清单项目的特征对于准确地确定清单项目的综合单价具有决定性的作用。当然，由于种种原因，对同一个清单项目，由不同的人进行编制，会有不同的描述，尽管如此，体现项目本质区别的特征和对报价有实质影响的内容都必须描述，这一点是无可置疑的。。
“项目特征”栏应按附录规定根据拟建工程实际予以描述。此处需要说明的是，由于“03规范”初次实施，附录中有关项目特征的规定还存在着一些需要改进和完善的地方，本次并未对“03规范”附录进行修订，因此，在进行项目特征描述时，可掌握以下要点：
1.必须描述的内容：
①涉及正确计量的内容必须描述：如门窗洞口尺寸或框外围尺寸，由于“03规范”将门窗以“樘”计量，1樘门或窗有多大，直接关系到门窗的价格，对门窗洞口或框外围尺寸进行描述就十分必要。“08规范”虽然增加了按“㎡”计量,如采用“樘”计量,上述描述仍是必须的。
②涉及结构要求的内容必须描述：如混凝土构件的混凝土强度等级，是使用C20还是C30或C40等，因混凝土强度等级不同，其价格也不同，必须描述。
③涉及材质要求的内容必须描述：如油漆的品种：是调和漆﹑还是硝基清漆等；管材的材质：是碳钢管，还是塑钢管﹑不锈钢管等；还需对管材的规格﹑型号进行描述。
④涉及安装方式的内容必须描述:如管道工程中的钢管的连接方式是螺纹连接还是焊接;塑料管是粘接连接还是热熔连接等就必须描述。
2.可不描述的内容:
①对计量计价没有实质影响的内容可以不描述:如对现浇混凝土柱的高度﹑断面大小等的特征规定可以不描述,因为混凝土构件是按“m3”计量，对此的描述实质意义不大。
②应由投标人根据施工方案确定的可以不描述：如对石方的预裂爆破的单孔深度及装药量的特征规定，如清单编制人来描述是困难的，由投标人根据施工要求，在施工方案中确定，自主报价比较恰当。
③应由投标人根据当地材料和施工要求确定的可以不描述：如对混凝土构件中的混凝土拌合料使用的石子种类及粒径﹑砂的种类及特征规定可以不描述。因为混凝土拌合料使用石还是碎石，使用粗砂还是中砂﹑细砂或特细砂，除构件本身特殊要求需要指定外，主要取决于工程所在地砂﹑石子材料的供应情况。至于石子的粒径大小主要取决于钢筋配筋的密度。
④应由施工措施解决的可以不描述：如对现浇混凝土板﹑梁的标高的特征规定可以不描述。因为同样的板或梁，都可以将其归并在同一个清单项目中，但由于标高的不同，将会导致因楼层的变化对同一项目提出多个清单项目，可能有的会讲，不同的楼层工效不一样，但这样的差异可以由投标人在报价中考虑，或在施工措施中去解决。
3.可不详细描述的内容：
①无法准确描述的可不详细描述：如土壤类别，由于我国幅员辽阔，南北东西差异较大，特别是对于南方来说，在同一地点，由于表层土与表层土以下的土壤，其类别是不相同的，要求清单编制人准确判定某类土壤的所占比例是困难的，在这种情况下，可考虑将土壤类别描述为综合，注明由投标人根据地勘资料自行确定土壤类别，决定报价。
②施工图纸﹑标准图集标注明确，可不再详细描述：对这些项目可描述为见&&图集&&页号及节点大样等。由于施工图纸﹑标准图集是发﹑承包双方都应遵守的技术文件，这样描述，可以有效减少在施工过程中对项目理解的不一致。同时，对不少工程项目，真要将项目特征一一描述清楚，也是一件费力的事情，如果能采用这一方法描述，就可以收到事半功倍的效果。因此，建议这一方法在项目特征描述中能采用的尽可能采用。
③还有一些项目可不详细描述，但清单编制人在项目特征描述中应注明由招标人自定，如土石方工程中的“取土运距”﹑“弃土运距”等．首先要清单编制人决定在多远取土或取﹑弃土运往多远时困难的；其次，有投标人根据在建工程施工情况统筹安排，自主决定取﹑弃土方的运距可以充分体现竞争的要求．
4.计价规范规定多个计量单位的描述
①计价规范对“Ａ.２.１混凝土桩”的“预制钢筋混凝土桩”计量单位有“ｍ／根”两个计量单位，但是没有具体的选用规定，在编制该项目清单时，清单编制人可以根据具体情况选择“ｍ”、“根”其中之一作为计量单位。但在项目特征描述时，当以“根”为计量单位，单桩长度应描述为确定值，只描述单桩长度即可；当以“ｍ”为计量单位，单桩长度可以按范围值描述，并注明根数。
②计价规范对“Ａ.３.２砖砌体”中的“零星砌砖”的计量单位为“ｍ３﹑㎡﹑ｍ﹑个”四个计量单位，但是规定了“砖砌锅台与炉灶可按外形尺寸以“个”计算，砖砌台阶可按水平投影面积以“㎡”计算，小便槽﹑地垄墙可按长度以“ｍ”计算，其他工程量按“ｍ３”计算，所以在编制该项目的清单时，应将零星砌砖的项目具体化，并根据计价规范的规定选用计量单位，并按照选定的脊梁单位进行恰当的特征描述。”
5.规范没有要求，但又必须描述的内容：
　　对规范中没有项目特征要求的个别项目，但又必须描述的应予描述：由于计价规范在我国初次实施，难免在个别地方存在考虑不周的地方，需要我们在实际工作中来完善。例如Ａ.５.１“厂库房大门﹑特种门”，计价规范以“樘”作为计量单位，但又没有规定门大小的特征描述，那么，“框外围尺寸”就是影响报价的重要因素，因此，就必须描述，以便投标人准确报价。同理，Ｂ.４.１“木门”
﹑Ｂ.５.１“门油漆”
﹑Ｂ.５.２“窗油漆”也是如此，需要我们注意增加描述门窗的洞口尺寸或框外围尺寸。
计量单位用按附录规定填写，附录中该项目由两个或两个以上计量单位的，应选择最适宜计量的方式决定其中一个填写。工程量应按附录规定的工程量计算规则计算填写。
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。4,297被浏览189,868分享邀请回答35322 条评论分享收藏感谢收起> 问答详情页
经验值 :5325
招财币 :1008
选择好的项目需要哪些方面的特征？求解！
你这个问题“选择好的项目需要哪些方面的特征？”我刚好知道，希望能帮助你解决问题的关键：一、产品好不好卖。产品卖出去，把钱收回来！这就是赚钱的生意！如果产品不好卖，再多的投入，再大的努力都没有用，想赚钱，根本没戏！二、市场够不够大。市场不够大，没有想象的空间，没有折腾的余地，项目一开始就没了底气！没了冲劲！根本做不大。三、利润空间要大。利润空间不够大，毛利太薄，很难赚到钱！搞不好，辛苦做了一年，年底一算帐，不但赔钱还要贴人工进去。四、趋势特征明显。把握趋势，追赶潮流也要踩好步点，赶早了，钱不好赚，开发市场成本太高；赶晚了，钱已经被别人赚走了！而且会越做越衰，越做越赔！五、收入持续保障。看中眼前利益的短频快项目很难让一个人真正赚到钱！真正赚钱的好项目是持续收益的，一年比一年轻松，一年比一年多赚！六、业务模式要好。赚钱要靠系统，赚钱要有套路！单靠个人的蛮力打拼和胡乱折腾，是难以出成效的！业务模式的好坏直接关系到能否赚钱的多少。七、品牌效应突出。做生意要懂得借力借势，红顶商人胡雪岩经商的秘诀是六个字：布局、造势、摆平！选项目看品牌已经是妇孺皆知的道理了，关键还要选中非常有潜力的品牌，这就更需要敏锐的判断和独到的眼光，富人和穷人在这一点上的差距尤为明显。八。培训支持到位。做生意赚大钱毕竟是有步骤有方法的，成功一定有方法，失败一定有理由！自己摸索，事倍功半；培训引导，事半功倍；两者之间四倍的差距！所以，好项目还需要好的培训好的支持和服务，否则，做起事情来，麻烦就来了。九、自己可以掌控。适合自己的项目才是最好的项目，\'适合\'是指与自己的兴趣爱好，能力人脉资源等相匹配。怎么样，能解你的疑惑了吧。
其他类似问题
微信号“zcm3158”，在线提问轻松找项目，样样都行！
手机扫描二维码，即可登陆3G触屏版，功能和PC版一样强大
项目加盟/咨询
电话:023-请在工作日9:00-17:00与我们联系快速直达：
您现在的位置：
好的创业项目要从哪些方面进行考察
好的创业项目要从哪些方面进行考察
编辑：雨中荷
点击：485次
时间： 16:33:01
尽管当前不少的创业者都知道，想要让自己的创业获得成功，自然还需要选择一个好的创业项目。然而，什么样的项目才算是好的创业项目，有什么样的特征？也就是说，好的创业项目要从哪些方面进行考察？一、产品好不好卖产品卖出去，把钱收回来！这就是赚钱的生意，如果产品不好卖，再多的投入，再大的努力都没有用，想赚钱，根本没戏。二、市场够不够大市场不够大，没有想象的空间，没有折腾的余地，项目一开始就没了底气，没了冲劲，根本做不大。三、利润空间要大利润空间不够大，毛利太薄，很难赚到钱，搞不好，辛苦做了一年，年底一算帐，不但赔钱还要贴人工进去。四、趋势特征明显把握趋势，追赶潮流也要踩好步点，赶早了，钱不好赚，开发市场成本太高;赶晚了，钱已经被别人赚走了，而且会越做越衰，越做越赔。五、收入持续保障看中眼前利益的短频快项目很难让一个人真正赚到钱，真正赚钱的好项目是持续收益的，一年比一年轻松，一年比一年多赚。六、业务模式要好赚钱要靠系统，赚钱要有套路，单靠个人的蛮力打拼和胡乱折腾，是难以出成效的，业务模式的好坏直接关系到能否赚钱的多少。七、品牌效应突出做生意要懂得借力借势。选项目看品牌已经是妇孺皆知的道理了，关键还要选中非常有潜力的品牌，这就更需要敏锐的判断和独到的眼光，富人和穷人在这一点上的差距尤为明显，某些加盟品牌，产品独到，难以模仿。八、培训支持到位做生意赚大钱毕竟是有步骤有方法的，成功一定有方法，失败一定有理由，自己摸索，事倍功半，培训引导，事半功倍，两者之间四倍的差距，所以，好项目还需要好的培训好的支持和服务，否则，做起事情来，麻烦就来了。总之，如果您想要选择出一个好的创业项目，想要让自己的创业选择正确，那么，您所考察的这个项目无疑需要从以上的8个方面出发，这样才有可能让您真正选择到更为合适的好商机。
最新项目推荐
·【餐饮】
·【餐饮】
·【家居】
·【餐饮】
·【饰品】
·【美容】
·【餐饮】
·【家居】特征工程之特征选择
特征工程之特征选择：当数据预处理完成后，我们需要选择有意义的特征输入机器学习的算法和模型进行训练。通常来说，从两个方面考虑来选择特征。
特征是否发散：如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。 特征与目标的相关性：这点比较显见，与目标相关性高的特征，应当优选选择。除方差法外，本文介绍的其他方法均从相关性考虑。
根据特征选择的形式又可以将特征选择方法分为3种：
Filter：过滤法，按照发散性或者相关性对各个特征进行评分，设定阈值或者待选择阈值的个数，选择特征。 Wrapper：包装法，根据目标函数（通常是预测效果评分），每次选择若干特征，或者排除若干特征。 Embedded：嵌入法，先使用某些机器学习的算法和模型进行训练，得到各个特征的权值系数，根据系数从大到小选择特征。类似于Filter方法，但是是通过训练来确定特征的优劣。
我们使用sklearn中的feature_selection库来进行特征选择。
1.1、方差选择法
使用方差选择法，先要计算各个特征的方差，然后根据阈值，选择方差大于阈值的特征。使用feature_selection库的VarianceThreshold类来选择特征的代码如下：
from sklearn.feature_selection import VarianceThreshold
#方差选择法，返回值为特征选择后的数据
#参数threshold为方差的阈值
VarianceThreshold(threshold=3).fit_transform(iris.data)
1.2、相关系数法
使用相关系数法，先要计算各个特征对目标值的相关系数以及相关系数的P值。用feature_selection库的SelectKBest类结合相关系数来选择特征的代码如下：
from sklearn.feature_selection import SelectKBest
from scipy.stats import pearsonr
#选择K个最好的特征，返回选择特征后的数据
#第一个参数为计算评估特征是否好的函数，该函数输入特征矩阵和目标向量，输出二元组（评分，P值）的数组，数组第i项为第i个特征的评分和P值。在此定义为计算相关系数
#参数k为选择的特征个数
SelectKBest(lambda X, Y: array(map(lambda x:pearsonr(x, Y), X.T)).T, k=2).fit_transform(iris.data, iris.target)
1.3 卡方检验
经典的卡方检验是检验定性自变量对定性因变量的相关性。假设自变量有N种取值，因变量有M种取值，考虑自变量等于i且因变量等于j的样本频数的观察值与期望的差距，构建统计量：
使用preproccessing库的Normalizer类对数据进行归一化的代码如下：
　　这个统计量的含义简而言之就是自变量对因变量的相关性。用feature_selection库的SelectKBest类结合卡方检验来选择特征的代码如下：
from sklearn.feature_selection import SelectKBest
from sklearn.feature_selection import chi2
#选择K个最好的特征，返回选择特征后的数据
SelectKBest(chi2, k=2).fit_transform(iris.data, iris.target)
1.4、互信息法
经典的互信息也是评价定性自变量对定性因变量的相关性的，互信息计算公式如下：
为了处理定量数据，最大信息系数法被提出，使用feature_selection库的SelectKBest类结合最大信息系数法来选择特征的代码如下：
from sklearn.feature_selection import SelectKBest
from minepy import MINE
#由于MINE的设计不是函数式的，定义mic方法将其为函数式的，返回一个二元组，二元组的第2项设置成固定的P值0.5
def mic(x, y):
m = MINE()
m.compute_score(x, y)
return (m.mic(), 0.5)
#选择K个最好的特征，返回特征选择后的数据
SelectKBest(lambda X, Y: array(map(lambda x:mic(x, Y), X.T)).T, k=2).fit_transform(iris.data, iris.target)
2、Wrapper
2.1、 递归特征消除法
递归消除特征法使用一个基模型来进行多轮训练，每轮训练后，消除若干权值系数的特征，再基于新的特征集进行下一轮训练。使用feature_selection库的RFE类来选择特征的代码如下：
from sklearn.feature_selection import RFE
from sklearn.linear_model import LogisticRegression
#递归特征消除法，返回特征选择后的数据
#参数estimator为基模型
#参数n_features_to_select为选择的特征个数
RFE(estimator=LogisticRegression(), n_features_to_select=2).fit_transform(iris.data, iris.target)
3、Embedded
3.1、基于惩罚项的特征选择法
使用带惩罚项的基模型，除了筛选出特征外，同时也进行了降维。使用feature_selection库的SelectFromModel类结合带L1惩罚项的逻辑回归模型，来选择特征的代码如下：
1 from sklearn.feature_selection import SelectFromModel
2 from sklearn.linear_model import LogisticRegression
4 #带L1惩罚项的逻辑回归作为基模型的特征选择
5 SelectFromModel(LogisticRegression(penalty=&l1&, C=0.1)).fit_transform(iris.data, iris.target)
　　L1惩罚项降维的原理在于保留多个对目标值具有同等相关性的特征中的一个，所以没选到的特征不代表不重要。故，可结合L2惩罚项来优化。具体操作为：若一个特征在L1中的权值为1，选择在L2中权值差别不大且在L1中权值为0的特征构成同类集合，将这一集合中的特征平分L1中的权值，故需要构建一个新的逻辑回归模型：
from sklearn.linear_model import LogisticRegression
class LR(LogisticRegression):
def __init__(self, threshold=0.01, dual=False, tol=1e-4, C=1.0,
fit_intercept=True, intercept_scaling=1, class_weight=None,
random_state=None, solver='liblinear', max_iter=100,
multi_class='ovr', verbose=0, warm_start=False, n_jobs=1):
#权值相近的阈值
self.threshold = threshold
LogisticRegression.__init__(self, penalty='l1', dual=dual, tol=tol, C=C,
fit_intercept=fit_intercept, intercept_scaling=intercept_scaling, class_weight=class_weight,
random_state=random_state, solver=solver, max_iter=max_iter,
multi_class=multi_class, verbose=verbose, warm_start=warm_start, n_jobs=n_jobs)
#使用同样的参数创建L2逻辑回归
self.l2 = LogisticRegression(penalty='l2', dual=dual, tol=tol, C=C, fit_intercept=fit_intercept, intercept_scaling=intercept_scaling, class_weight = class_weight, random_state=random_state, solver=solver, max_iter=max_iter, multi_class=multi_class, verbose=verbose, warm_start=warm_start, n_jobs=n_jobs)
def fit(self, X, y, sample_weight=None):
#训练L1逻辑回归
super(LR, self).fit(X, y, sample_weight=sample_weight)
self.coef_old_ = self.coef_.copy()
#训练L2逻辑回归
self.l2.fit(X, y, sample_weight=sample_weight)
cntOfRow, cntOfCol = self.coef_.shape
#权值系数矩阵的行数对应目标值的种类数目
for i in range(cntOfRow):
for j in range(cntOfCol):
coef = self.coef_[i][j]
#L1逻辑回归的权值系数不为0
if coef != 0:
#对应在L2逻辑回归中的权值系数
coef1 = self.l2.coef_[i][j]
for k in range(cntOfCol):
coef2 = self.l2.coef_[i][k]
#在L2逻辑回归中，权值系数之差小于设定的阈值，且在L1中对应的权值为0
if abs(coef1-coef2) & self.threshold and j != k and self.coef_[i][k] == 0:
idx.append(k)
#计算这一类特征的权值系数均值
mean = coef / len(idx)
self.coef_[i][idx] = mean
return self
使用feature_selection库的SelectFromModel类结合带L1以及L2惩罚项的逻辑回归模型，来选择特征的代码如下：
from sklearn.feature_selection import SelectFromModel
#带L1和L2惩罚项的逻辑回归作为基模型的特征选择
#参数threshold为权值系数之差的阈值
SelectFromModel(LR(threshold=0.5, C=0.1)).fit_transform(iris.data, iris.target)
3.2、 基于树模型的特征选择法
树模型中GBDT也可用来作为基模型进行特征选择，使用feature_selection库的SelectFromModel类结合GBDT模型，来选择特征的代码如下：
from sklearn.feature_selection import SelectFromModel
from sklearn.ensemble import GradientBoostingClassifier
#GBDT作为基模型的特征选择
SelectFromModel(GradientBoostingClassifier()).fit_transform(iris.data, iris.target)