摘要：
一、模型评估与选择 2.2.1留出法 1、直接将数据集划分为两个互斥的集合，即D=sUt,s∩t=空集 2、在s上训练出模型，用t来评估其测试误差 3、s/t的划分尽可能保持数据分布的一致性，至少要保持样本的类别比例相似 4、若s，t中的样本比例差别很大，则误差估计将由训练/测试数据分布的差异而产生 阅读全文
摘要：
一、基本术语 1.18泛化：学得模型是否适用于新样本的能力 注：假设样本空间的全体样本服从于一个未知的分布D，我们得到的样本都是独立从D上采样得到的，即“独立同分布”。训练样本越多，地道道关于D的信息越多，也就也可能通过学习得到强泛化能力的模型 1.19归纳：从特殊到一般的“泛化”过程 1.20演绎 阅读全文
摘要：
一、基本术语 1.1属性：反映时间或对象在莫方面的表现或性质的事项 1.2属性值：属性上的取值 1.3属性空间：属性张成的空间 1.4特征向量：由于空间中的每个点对应一个坐标向量所以也将示例称为一个特征向量 1.5维数：每个示例有d个属性描述，每个示例是d维样本空间X的向量即xi∈X，d为xi的维数 阅读全文
摘要：
一、求解线性方程组 1、numpy的线性代数子模块linalg中提供了求解线性方程组的solve（）函数和求解线性方程组最小二乘解的lstsq（）函数 例： import numpy as np a=np.array([[3,1],[1,2]])b=np.array([9,8])x=np.linal 阅读全文
摘要：
矩阵的计算 1、矩阵乘法 扩展库numpy中，支持矩阵的乘法运算，可直接计算 例： import numpy as npx=np.matrix([1,2,3],[4,5,6])y=np.matrix([[1,2],[3,4],[5,6]])print(x*y) 结果： [[22 28] [49 64 阅读全文
摘要：
一、矩阵的生成与操作 1、生成矩阵 可使用matrix（）函数吧列表、元组、range对象等python可迭代对象转换为矩阵 import numpy as np x=np.matrix([[1,2,3],[4,5,6]])y=np.matrix([1,2,3,4,5,6])print(x,y,x[ 阅读全文
摘要：
一、矩阵的生成与操作 1、生成矩阵 可使用matrix（）函数吧列表、元组、range对象等python可迭代对象转换为矩阵 import numpy as np x=np.matrix([[1,2,3],[4,5,6]])y=np.matrix([1,2,3,4,5,6])print(x,y,x[ 阅读全文
摘要：
一、数组与标量的运算 在numpy库中支持加减乘除等运算，计算结果为一个新数组 每个元素为标量与原数组中的每个元素进行计算的结果。 注意：标量在前和在后时计算方法是不同的。 import numpy as npx=np.array((1,2,3))y=x*2c=x//2d=x**2f=2/xprin 阅读全文
摘要：
一、创建数组 1、 import numpy as np#导入numpy模块，np为命名可更改a=np.array([1,2,3])#将列表变为数组b=np.array((1,2,3))#将元组变为数组print(a,b) [1 2 3] [1 2 3] 可通过这类方法将对象变为数组 2、 impo 阅读全文
摘要：
在python中，列表里的元素的数据类型可以不同，可以包含整数、浮点数、复数等， 也可包含列表、元组、以及字典等对象。 空列表为 [] 一、如何创建列表 1、使用list()函数将元组、字典、集合以及其他类似对象转化为列表 >>> list((1,2,3,3))[1, 2, 3, 3]>>> lis 阅读全文