摘要：
•enumerate()用于同时返回索引和对应的值 list1 = ["这", "是", "一个", "测试"] for index, item in enumerate(list1): print index, item >>> 0 这 1 是 2 一个 3 测试 numpy.ravel()用于拉 阅读全文
摘要：
•特征重要性也被存放在tree中，被显示特征的重要性，介于0~1之间，越接近1表示越重要 •plt.barh((range(n_features), model.feature_importances_, align = 'cancer')) plt.barh(y, width，align)用来画横 阅读全文
摘要：
•决策树的可视化 ♠ export_graphviz(tree, out_file = None, class_names = ["malignant", "benign"], feature_names = cancer.feature_names, impurity = False, fille 阅读全文
摘要：
•朴素贝叶斯分类器： 优点：训练速度快 缺点：泛化性能比logistic回归和linearSVM稍差 GaussianNB：用于任意连续数据 BernoulliNB：输入数据为二分类，用于文本数据分类 MultinomialNB：输入数据为计数数据（每个特征代表某个对象的整数计数），用于文本数据分类 阅读全文
摘要：
•logistic回归中有一个参数是penalty，penalty用来控制logistic回归的正则化，默认penalty = 'l2'，也可等于l1 当使用penalty = 'l1'时就是使用了L1正则化，使用L1正则化的logistic回归是一个解释性更强的模型，只使用了少数几个特征。 •on 阅读全文
摘要：
•lasso回归 ♠lasso回归使用L1正则化，即使得lasso的某些系数刚好为零 ♠lasso也有alpha，与岭回归相同，alpha代表了约束力的大小，但在lasso中增大alpha的同时，要增大最大迭代次数max_iter（默认为1000） alpha不能设置的过小，否则会消除正则化的效果。 阅读全文
摘要：
•R2是一个回归模型的评价标准，也叫作决定系数，位于0~1之间，越接近1表示预测效果越好 训练集和数据集的分数非常接近，说明可能存在欠拟合 训练集的分数很好但测试集的分数不好，说明存在过拟合 •线性回归（普通最小二乘法 OLS）： 寻找w和b，使得训练集的预测值与真实的回归目标值之间的均方误差最小。 阅读全文
摘要：
•python机器学习基础教程 P34 ax.plot(X_train, y_train, '^', c = mglearn.cm2(0), markersize = 8) 中 c = mglearn.cm2(0)和markersize = 8的含义 •mglearn.plots.plot_2d_s 阅读全文
摘要：
•line = np.linspace(-3, 3, 1000).reshape(-1, 1) np.linspace(-3, 3, 100)用来返回-3到3之间的100个等间距的数字，返回值是一个列表 np.linspace(): https://blog.csdn.net/u013555719/ 阅读全文
摘要：
•fig, axes = plt.subplots(1, 3, figsize=(10, 3)) plt.subplots()用来构建一张图，其中参数1和3分别代表子图的行数和列数，一共有 1x3 个子图像。 figsize=(10,3)用来设置子图的宽度和高度。 函数返回一个figure图像和子图 阅读全文