網(wǎng)上有很多關(guān)于如何學(xué)習(xí)pos機(jī),機(jī)器學(xué)習(xí)的知識(shí)，也有很多人為大家解答關(guān)于如何學(xué)習(xí)pos機(jī)的問(wèn)題，今天pos機(jī)之家(m.afbey.com)為大家整理了關(guān)于這方面的知識(shí)，讓我們一起來(lái)看下吧!

本文目錄一覽：

1、如何學(xué)習(xí)pos機(jī)

如何學(xué)習(xí)pos機(jī)

文章目錄

1. 機(jī)器學(xué)習(xí)基本概念2. sklearn機(jī)器學(xué)習(xí)庫(kù)3. 評(píng)估指標(biāo)4. 機(jī)器學(xué)習(xí)用到的python庫(kù)1. 機(jī)器學(xué)習(xí)基本概念

1.1. 常用算法

線性回歸（Linear Regression）邏輯回歸（Logistic Regression）聚類(lèi)（k-means，DBSCAN）決策樹(shù)（Decision Tree）集成算法（Random forest ，AdaBoost，Gradient Boosting）支持向量機(jī)（Support Vector Machine）k近鄰（K-Nearest Neighbors）線性判別分析（Linear Discriminant Analysis）樸素貝葉斯（Bayes Theorem）

1.2. 基本概念

訓(xùn)練集：又稱訓(xùn)練樣例，用來(lái)進(jìn)行訓(xùn)練，也就是產(chǎn)生模型或者算法的數(shù)據(jù)集測(cè)試集：又稱測(cè)試樣例，用來(lái)專(zhuān)門(mén)進(jìn)行測(cè)試已經(jīng)學(xué)習(xí)好的模型或者算法的數(shù)據(jù)集特征值：屬性的集合，通常用一個(gè)向量來(lái)表示，附屬于一個(gè)實(shí)例標(biāo)記：實(shí)例類(lèi)別的標(biāo)記（正例與反例或者更多）分類(lèi)：目標(biāo)標(biāo)記為類(lèi)別型數(shù)據(jù)回歸：目標(biāo)標(biāo)記為連續(xù)型數(shù)值有監(jiān)督學(xué)習(xí)：訓(xùn)練集有類(lèi)別標(biāo)記無(wú)監(jiān)督學(xué)習(xí)：訓(xùn)練集無(wú)類(lèi)別標(biāo)記半監(jiān)督學(xué)習(xí)：訓(xùn)練集既有有類(lèi)別標(biāo)記又有無(wú)類(lèi)別標(biāo)記

1.3. 機(jī)器學(xué)習(xí)步驟框架

把數(shù)據(jù)拆分為訓(xùn)練集和測(cè)試集用訓(xùn)練集和訓(xùn)練集的特征向量來(lái)訓(xùn)練算法用學(xué)習(xí)來(lái)的算法運(yùn)用在測(cè)試集上來(lái)評(píng)估算法(可能要涉及到調(diào)整參數(shù)，用驗(yàn)證集)

1.4. 機(jī)器學(xué)習(xí)中分類(lèi)和預(yù)測(cè)算法的評(píng)估

準(zhǔn)確性速度強(qiáng)壯性可規(guī)模性可解釋性

1.5. 分類(lèi)與回歸問(wèn)題

2. sklearn機(jī)器學(xué)習(xí)庫(kù)

2.1. 定義

簡(jiǎn)介：sklearn是基于python語(yǔ)言的機(jī)器學(xué)習(xí)工具包，是目前做機(jī)器學(xué)習(xí)項(xiàng)目當(dāng)之無(wú)愧的第一工具。 sklearn自帶了大量的數(shù)據(jù)集，可供我們練習(xí)各種機(jī)器學(xué)習(xí)算法。 sklearn集成了數(shù)據(jù)預(yù)處理、數(shù)據(jù)特征選擇、數(shù)據(jù)特征降維、分類(lèi)\\回歸\\聚類(lèi)模型、模型評(píng)估等非常全面算法。分類(lèi)：識(shí)別某個(gè)對(duì)象屬于哪個(gè)類(lèi)別，常用的算法有：SVM（支持向量機(jī)）,nearest neighbors（最近鄰）、random forest（隨機(jī)森林）回歸：預(yù)測(cè)與對(duì)象相關(guān)聯(lián)的連續(xù)值屬性，常用算法：SVR(支持向量機(jī))， ridge regression(嶺回歸)、Lasso聚類(lèi)：將相似對(duì)象自動(dòng)分組，常用算法： k-Means、 spectral clustering、mean-shift降維：減少要考慮的隨機(jī)變量的數(shù)量，PCA(主成分分析)， eature selection(特征選擇)、non-negative matrix factorization(非負(fù)矩陣分解)模型選擇：比較，驗(yàn)證，選擇參數(shù)和模型，常用的模塊有：grid search(網(wǎng)格搜索)、cross validation(交叉驗(yàn)證)、 metrics(度量)預(yù)處理：特征提取和歸一化，把輸入的數(shù)據(jù)轉(zhuǎn)換為機(jī)器學(xué)習(xí)算法可用的數(shù)據(jù)

2.2. sklearn數(shù)據(jù)類(lèi)型

機(jī)器學(xué)習(xí)最終處理的數(shù)據(jù)都是數(shù)字，只不過(guò)這些數(shù)據(jù)可能以不同的形態(tài)被呈現(xiàn)出來(lái)，如矩陣、文字、圖片、視頻、音頻等。

2.3. sklearn總覽

2.3.1. 數(shù)據(jù)預(yù)處理

sklearn.preprocessing函數(shù)功能preprocessing.scale( )標(biāo)準(zhǔn)化preprocessing.MinMaxScaler( )最大最小值標(biāo)準(zhǔn)化preprocessing.StandardScaler( )數(shù)據(jù)標(biāo)準(zhǔn)化preprocessing.MaxAbsScaler( )絕對(duì)值最大標(biāo)準(zhǔn)化preprocessing.RobustScaler( )帶離群值數(shù)據(jù)集標(biāo)準(zhǔn)化preprocessing.QuantileTransformer( )使用分位數(shù)信息變換特征preprocessing.PowerTransformer( )使用冪變換執(zhí)行到正態(tài)分布的映射preprocessing.Normalizer( )正則化preprocessing.OrdinalEncoder( )將分類(lèi)特征轉(zhuǎn)換為分類(lèi)數(shù)值preprocessing.LabelEncoder( )將分類(lèi)特征轉(zhuǎn)換為分類(lèi)數(shù)值preprocessing.MultiLabelBinarizer( )多標(biāo)簽二值化preprocessing.OneHotEncoder( )獨(dú)熱編碼preprocessing.KBinsDiscretizer( )將連續(xù)數(shù)據(jù)離散化preprocessing.FunctionTransformer( )自定義特征處理函數(shù)preprocessing.Binarizer( )特征二值化preprocessing.PolynomialFeatures( )創(chuàng)建多項(xiàng)式特征preprocesssing.Normalizer( )正則化preprocessing.Imputer( )彌補(bǔ)缺失值sklearn.svm函數(shù)介紹svm.OneClassSVM( )無(wú)監(jiān)督異常值檢測(cè)上述preprocessing類(lèi)函數(shù)的方法如下：函數(shù)方法介紹xxx.fit( )擬合數(shù)據(jù)xxx.fit_transform( )擬合并轉(zhuǎn)換數(shù)據(jù)xxx.get_params( )獲取函數(shù)參數(shù)xxx.inverse_transform( )逆轉(zhuǎn)換xxx.set_params( )設(shè)置參數(shù)xxx.transform( )轉(zhuǎn)換數(shù)據(jù)2.3.2. 數(shù)據(jù)集sklearn.datasets獲取小數(shù)據(jù)集(本地加載)：datasets.load_xxx()獲取大數(shù)據(jù)集(在線下載)：datasets.fetch_xxx()本地生成數(shù)據(jù)集(本地構(gòu)造)：datasets.make_xxx()數(shù)據(jù)集介紹load_iris( )鳶尾花數(shù)據(jù)集：3類(lèi)、4個(gè)特征、150個(gè)樣本load_boston( )波斯頓房?jī)r(jià)數(shù)據(jù)集：13個(gè)特征、506個(gè)樣本load_digits( )手寫(xiě)數(shù)字集：10類(lèi)、64個(gè)特征、1797個(gè)樣本load_breast_cancer( )乳腺癌數(shù)據(jù)集：2類(lèi)、30個(gè)特征、569個(gè)樣本load_diabets( )糖尿病數(shù)據(jù)集：10個(gè)特征、442個(gè)樣本load_wine( )紅酒數(shù)據(jù)集：3類(lèi)、13個(gè)特征、178個(gè)樣本load_files( )加載自定義的文本分類(lèi)數(shù)據(jù)集load_linnerud( )體能訓(xùn)練數(shù)據(jù)集：3個(gè)特征、20個(gè)樣本load_sample_image( )加載單個(gè)圖像樣本load_svmlight_file( )加載svmlight格式的數(shù)據(jù)make_blobs( )生成多類(lèi)單標(biāo)簽數(shù)據(jù)集make_biclusters( )生成雙聚類(lèi)數(shù)據(jù)集make_checkerboard( )生成棋盤(pán)結(jié)構(gòu)數(shù)組，進(jìn)行雙聚類(lèi)make_circles( )生成二維二元分類(lèi)數(shù)據(jù)集make_classification( )生成多類(lèi)單標(biāo)簽數(shù)據(jù)集make_friedman1( )生成采用了多項(xiàng)式和正弦變換的數(shù)據(jù)集make_gaussian_quantiles( )生成高斯分布數(shù)據(jù)集make_hastie_10_2( )生成10維度的二元分類(lèi)數(shù)據(jù)集make_low_rank_matrix( )生成具有鐘形奇異值的低階矩陣make_moons( )生成二維二元分類(lèi)數(shù)據(jù)集make_multilabel_classification( )生成多類(lèi)多標(biāo)簽數(shù)據(jù)集make_regression( )生成回歸任務(wù)的數(shù)據(jù)集make_s_curve( )生成S型曲線數(shù)據(jù)集make_sparse_coded_signal( )生成信號(hào)作為字典元素的稀疏組合make_sparse_spd_matrix( )生成稀疏堆成的正定矩陣make_sparse_uncorrelated( )使用稀疏的不相關(guān)設(shè)計(jì)生成隨機(jī)回歸問(wèn)題make_spd_matrix( )生成隨機(jī)堆成的正定矩陣make_swiss_roll( )生成瑞士卷曲線數(shù)據(jù)集2.3.3. 特征選擇sklean.feature_selection函數(shù)功能feature_selection.SelectKBest( ) feature_selection.chi2 ( )feature_selection.f_regression( ) feature_selection.mutual_info_regression( )選擇K個(gè)得分最高的特征feature_selection.VarianceThreshold( )無(wú)監(jiān)督特征選擇feature_selection.REF( )遞歸式特征消除feature_selection.REFCV( )遞歸式特征消除交叉驗(yàn)證法feature_selection.SelectFromModel( )特征選擇2.3.4. 特征降維sklearn.decomposition函數(shù)功能decomposition.PCA( )主成分分析decomposition.KernelPCA( )核主成分分析decomposition.IncrementalPCA( )增量主成分分析decomposition.MiniBatchsparsePCA( )小批量稀疏主成分分析decomposition.SparsePCA( )稀疏主成分分析decomposition.FactorAnalysis( )因子分析decomposition.TruncatedSVD( )截?cái)嗟钠娈愔捣纸鈊ecomposition.FastICA( )獨(dú)立成分分析的快速算法decomposition.DictionaryLearning( )字典學(xué)習(xí)decomposition.MiniBatchDictonaryLearning( )小批量字典學(xué)習(xí)decomposition.dict_learning( )字典學(xué)習(xí)用于矩陣分解decomposition.dict_learning_online( )在線字典學(xué)習(xí)用于矩陣分解decomposition.LatentDirichletAllocation( )在線變分貝葉斯算法的隱含迪利克雷分布decomposition.NMF( )非負(fù)矩陣分解decomposition.SparseCoder( )稀疏編碼sklearn.manifold函數(shù)功能manifold.LocallyLinearEmbedding( )局部非線性嵌入manifold.Isomap( )流形學(xué)習(xí)manifold.MDS( )多維標(biāo)度法manifold.t-SNE( )t分布隨機(jī)鄰域嵌入manifold.SpectralEmbedding( )頻譜嵌入非線性降維2.3.5. 模型構(gòu)建（1）分類(lèi)模型sklearn.tree函數(shù)功能tree.DecisionTreeClassifier()決策樹(shù)sklearn.ensemble函數(shù)功能ensemble.BaggingClassifier()裝袋法集成學(xué)習(xí)ensemble.AdaBoostClassifier( )提升法集成學(xué)習(xí)ensemble.RandomForestClassifier( )隨機(jī)森林分類(lèi)ensemble.ExtraTreesClassifier( )極限隨機(jī)樹(shù)分類(lèi)ensemble.RandomTreesEmbedding( )嵌入式完全隨機(jī)樹(shù)ensemble.GradientBoostingClassifier( )梯度提升樹(shù)ensemble.VotingClassifier( )投票分類(lèi)法sklearn.linear_model函數(shù)功能linear_model.LogisticRegression( )邏輯回歸linear_model.Perceptron( )線性模型感知機(jī)linear_model.SGDClassifier( )具有SGD訓(xùn)練的線性分類(lèi)器linear_model.PassiveAggressiveClassifier( )增量學(xué)習(xí)分類(lèi)器sklearn.svm函數(shù)功能svm.SVC( )支持向量機(jī)分類(lèi)svm.NuSVC( )Nu支持向量分類(lèi)svm.LinearSVC( )線性支持向量分類(lèi)sklearn.neighbors函數(shù)功能neighbors.NearestNeighbors( )無(wú)監(jiān)督學(xué)習(xí)臨近搜索neighbors.NearestCentroid( )最近質(zhì)心分類(lèi)器neighbors.KNeighborsClassifier()K近鄰分類(lèi)器neighbors.KDTree( )KD樹(shù)搜索最近鄰neighbors.KNeighborsTransformer( )數(shù)據(jù)轉(zhuǎn)換為K個(gè)最近鄰點(diǎn)的加權(quán)圖sklearn.discriminant_analysis函數(shù)功能discriminant_analysis.LinearDiscriminantAnalysis( )線性判別分析discriminant_analysis.QuadraticDiscriminantAnalysis( )二次判別分析sklearn.gaussian_process函數(shù)功能gaussian_process.GaussianProcessClassifier( )高斯過(guò)程分類(lèi)sklearn.naive_bayes函數(shù)功能naive_bayes.GaussianNB( )樸素貝葉斯naive_bayes.MultinomialNB( )多項(xiàng)式樸素貝葉斯naive_bayes.BernoulliNB( )伯努利樸素貝葉斯（2）回歸模型sklearn.tree函數(shù)功能tree.DecisionTreeRegress( )回歸決策樹(shù)tree.ExtraTreeRegressor( )極限回歸樹(shù)sklearn.ensemble函數(shù)功能ensemble.GradientBoostingRegressor( )梯度提升法回歸ensemble.AdaBoostRegressor( )提升法回歸ensemble.BaggingRegressor( )裝袋法回歸ensemble.ExtraTreeRegressor( )極限樹(shù)回歸ensemble.RandomForestRegressor( )隨機(jī)森林回歸sklearn.linear_model函數(shù)功能linear_model.LinearRegression( )線性回歸linear_model.Ridge( )嶺回歸linear_model.Lasso( )經(jīng)L1訓(xùn)練后的正則化器linear_model.ElasticNet( )彈性網(wǎng)絡(luò)linear_model.MultiTaskLasso( )多任務(wù)Lassolinear_model.MultiTaskElasticNet( )多任務(wù)彈性網(wǎng)絡(luò)linear_model.Lars( )最小角回歸linear_model.OrthogonalMatchingPursuit( )正交匹配追蹤模型linear_model.BayesianRidge( )貝葉斯嶺回歸linear_model.ARDRegression( )貝葉斯ADA回歸linear_model.SGDRegressor( )隨機(jī)梯度下降回歸linear_model.PassiveAggressiveRegressor( )增量學(xué)習(xí)回歸linear_model.HuberRegression( )Huber回歸sklearn.svm函數(shù)功能svm.SVR( )支持向量機(jī)回歸svm.NuSVR( )Nu支持向量回歸svm.LinearSVR( )線性支持向量回歸sklearn.neighbors函數(shù)功能neighbors.KNeighborsRegressor( )K近鄰回歸neighbors.RadiusNeighborsRegressor( )基于半徑的近鄰回歸sklearn.kernel_ridge函數(shù)功能kernel_ridge.KernelRidge( )內(nèi)核嶺回歸sklearn.gaussian_process函數(shù)功能gaussian_process.GaussianProcessRegressor( )高斯過(guò)程回歸sklearn.cross_decomposition函數(shù)功能cross_decomposition.PLSRegression( )偏最小二乘回歸（3）聚類(lèi)模型sklearn.cluster函數(shù)功能cluster.DBSCAN( )基于密度的聚類(lèi)cluster.GaussianMixtureModel( )高斯混合模型cluster.AffinityPropagation( )吸引力傳播聚類(lèi)cluster.AgglomerativeClustering( )層次聚類(lèi)cluster.Birch( )利用層次方法的平衡迭代聚類(lèi)cluster.KMeans( )K均值聚類(lèi)cluster.MiniBatchKMeans( )小批量K均值聚類(lèi)cluster.MeanShift( )平均移位聚類(lèi)cluster.OPTICS( )基于點(diǎn)排序來(lái)識(shí)別聚類(lèi)結(jié)構(gòu)cluster.SpectralClustering( )譜聚類(lèi)cluster.Biclustering( )雙聚類(lèi)cluster.ward_tree( )集群病房樹(shù)模型方法方法功能xxx.fit( )模型訓(xùn)練xxx.get_params( )獲取模型參數(shù)xxx.predict( )預(yù)測(cè)新輸入數(shù)據(jù)xxx.score( )評(píng)估模型分類(lèi)/回歸/聚類(lèi)模型xxx.set_params( )設(shè)置模型參數(shù)2.3.6. 模型評(píng)估分類(lèi)模型評(píng)估函數(shù)功能metrics.accuracy_score( )準(zhǔn)確率metrics.average_precision_score( )平均準(zhǔn)確率metrics.log_loss( )對(duì)數(shù)損失metrics.confusion_matrix( )混淆矩陣metrics.classification_report( )分類(lèi)模型評(píng)估報(bào)告:準(zhǔn)確率、召回率、F1-scoremetrics.roc_curve( )受試者工作特性曲線metrics.auc( )ROC曲線下面積metrics.roc_auc_score( )AUC值回歸模型評(píng)估函數(shù)功能metrics.mean_squared_error( )平均決定誤差metrics.median_absolute_error( )中值絕對(duì)誤差metrics.r2_score( )決定系數(shù)聚類(lèi)模型評(píng)估函數(shù)功能metrics.adjusted_rand_score( )隨機(jī)蘭德調(diào)整指數(shù)metrics.silhouette_score( )輪廓系數(shù)2.3.7. 模型優(yōu)化

函數(shù)

功能

model_selection.cross_val_score( )

交叉驗(yàn)證

model_selection.LeaveOneOut( )

留一法

model_selection.LeavePout( )

留P法交叉驗(yàn)證

model_selection.GridSearchCV( )

網(wǎng)格搜索

model_selection.RandomizedSearchCV( )

隨機(jī)搜索

model_selection.validation_curve( )

驗(yàn)證曲線

model_selection.learning_curve( )

學(xué)習(xí)曲線

3. 評(píng)估指標(biāo)3.1. 各種算法的評(píng)估指標(biāo)3.2. 分類(lèi)任務(wù)

二分類(lèi)問(wèn)題的混淆矩陣：

TP代表正樣本中預(yù)測(cè)正確的樣本個(gè)數(shù)；FN代表正樣本中預(yù)測(cè)錯(cuò)誤的樣本個(gè)數(shù)；FP代表負(fù)樣本中預(yù)測(cè)錯(cuò)誤的樣本個(gè)數(shù)；TN代表父樣本中預(yù)測(cè)正確的樣本個(gè)數(shù)，以下的公式基本都基于混淆矩陣而言。

準(zhǔn)確率：準(zhǔn)確率表示的是分類(lèi)正確的比例(所有樣本)，但是在樣本不平衡的情況下，并不能作為很好的指標(biāo)來(lái)衡量結(jié)果。A c c u r a c y = T P + T N T P + T N + F P + F N Accuracy=\\frac{TP+TN}{TP+TN+FP+FN}Accuracy=TP+TN+FP+FNTP+TN對(duì)應(yīng)sklearn包 ：sklearn.metrics.accuracy_score(y_true, y_pred, *, normalize=True, sample_weight=None)參數(shù)：參數(shù)說(shuō)明y_true1d array-like, or label indicator array / sparse matrix 真實(shí)標(biāo)簽。y_pred1d array-like, or label indicator array / sparse matrix 預(yù)測(cè)標(biāo)簽，由分類(lèi)器返回。normalizebool, optional (default=True) 如果為False，則返回正確分類(lèi)的樣本數(shù)。否則，返回正確分類(lèi)的樣本的分?jǐn)?shù)。sample_weightarray-like of shape (n_samples,), default=None 樣本權(quán)重。返回值：返回值說(shuō)明scorefloat 如果normalize == True，則返回正確分類(lèi)的樣本的分?jǐn)?shù)（浮點(diǎn)數(shù)），否則返回正確分類(lèi)的樣本數(shù)（整數(shù)）。 最佳性能，在normalize == True時(shí)，為1；在normalize == False時(shí)，為樣本數(shù)量。精確率(查準(zhǔn)率)：精確率代表的是預(yù)測(cè)為正樣本的樣本總體中預(yù)測(cè)正確的占比(正樣本)。P r e c i s i o n = T P T P + F P Precision=\\frac{TP}{TP+FP}Precision=TP+FPTP對(duì)應(yīng)sklearn包 ：sklearn.metrics.precision_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')參數(shù)：參數(shù)說(shuō)明y_true1d array-like, or label indicator array / sparse matrix 真實(shí)目標(biāo)值。y_pred1d array-like, or label indicator array / sparse matrix 分類(lèi)器返回的估計(jì)目標(biāo)。labelslist, optional 當(dāng)average！='binary’時(shí)要包括的一組標(biāo)簽，如果average是None，則為標(biāo)簽的順序?？梢耘懦龜?shù)據(jù)中存在的標(biāo)簽，例如，以忽略多數(shù)否定類(lèi)的方式計(jì)算多類(lèi)平均值，而數(shù)據(jù)中不存在的標(biāo)簽將導(dǎo)致宏平均值中的0成分。對(duì)于多標(biāo)簽?zāi)繕?biāo)，標(biāo)簽是列索引。 默認(rèn)情況下，y_true和y_pred中的所有標(biāo)簽均按排序順序使用。 在版本0.17中進(jìn)行了更改：針對(duì)多類(lèi)問(wèn)題改進(jìn)了參數(shù)標(biāo)簽。pos_labelstr or int, 1 by default average ='binary’且數(shù)據(jù)為二進(jìn)制的報(bào)告類(lèi)。如果數(shù)據(jù)是多類(lèi)或多標(biāo)簽的，則將被忽略； 設(shè)置labels= [pos_label]和average！='binary’將僅報(bào)告該標(biāo)簽的分?jǐn)?shù)。averagestring, [None|‘binary’ (default)| ‘micro’| ‘macro’| ‘samples’|‘weighted’] 對(duì)于多類(lèi)/多標(biāo)簽?zāi)繕?biāo)，此參數(shù)是必需的。如果為None，則返回每個(gè)班級(jí)的分?jǐn)?shù)。否則，將根據(jù)數(shù)據(jù)的平均表現(xiàn)確定類(lèi)型： - 'binary': 僅報(bào)告由pos_label指定的類(lèi)的結(jié)果。僅當(dāng)目標(biāo)（y_ {true,pred}）為二進(jìn)制時(shí)才適用。 - 'micro': 通過(guò)計(jì)算真正例、假負(fù)例和假正例的總數(shù)來(lái)全局計(jì)算指標(biāo)。 - 'macro': 計(jì)算每個(gè)標(biāo)簽的指標(biāo)，并找到其未加權(quán)平均值。 沒(méi)有考慮標(biāo)簽不平衡。 - 'weighted': 計(jì)算每個(gè)標(biāo)簽的指標(biāo)，并找到它們受支持的平均權(quán)重（每個(gè)標(biāo)簽的真實(shí)實(shí)例數(shù)）。這會(huì)更改‘macro’以解決標(biāo)簽不平衡的問(wèn)題；這可能導(dǎo)致F-score不在精確度和召回率之間。 - 'samples': 計(jì)算每個(gè)實(shí)例的指標(biāo)，并找到它們的平均值（僅對(duì)不同于accuracy_score的多標(biāo)簽分類(lèi)有意義）。sample_weightarray-like of shape (n_samples,), default=None 樣本權(quán)重。zero_division“warn”, 0 or 1, default=”warn” 設(shè)置零分頻時(shí)返回的值。如果設(shè)置為“ warn”，則該值為0，但也會(huì)發(fā)出警告。返回值：返回值說(shuō)明precisionfloat (if average is not None) or array of float, shape = [n_unique_labels] 二進(jìn)制分類(lèi)中正類(lèi)的精度，或者多類(lèi)任務(wù)的每個(gè)類(lèi)的精度的加權(quán)平均值。召回率(查全率)：召回率代表的是實(shí)際為正樣本的樣本總體中預(yù)測(cè)正確的占比。精確度與召回率是一對(duì)矛盾的度量，一般來(lái)說(shuō)，精確率高的時(shí)候，召回率往往偏低；精確率低的時(shí)候，召回率往往偏高。R e c a l l = T P T P + F N Recall=\\frac{TP}{TP+FN}Recall=TP+FNTP對(duì)應(yīng)sklearn包 ：sklearn.metrics.recall_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')參數(shù)：參數(shù)說(shuō)明y_true1d array-like, or label indicator array / sparse matrix 真實(shí)目標(biāo)值。y_pred1d array-like, or label indicator array / sparse matrix 分類(lèi)器返回的估計(jì)目標(biāo)。labelslist, optional 當(dāng)average！='binary’時(shí)要包括的一組標(biāo)簽，如果average是None，則是標(biāo)簽的順序?？梢耘懦龜?shù)據(jù)中存在的標(biāo)簽，例如，以忽略多數(shù)否定類(lèi)的方式計(jì)算多類(lèi)平均值，而數(shù)據(jù)中不存在的標(biāo)簽將導(dǎo)致宏平均值中的0成分。對(duì)于多標(biāo)簽?zāi)繕?biāo)，標(biāo)簽是列索引。 默認(rèn)情況下，y_true和y_pred中的所有標(biāo)簽均按排序順序使用。 在版本0.17中進(jìn)行了更改：針對(duì)多類(lèi)問(wèn)題改進(jìn)了參數(shù)標(biāo)簽。pos_labelstr or int, 1 by default average ='binary’且數(shù)據(jù)為二進(jìn)制的報(bào)告類(lèi)。如果數(shù)據(jù)是多類(lèi)或多標(biāo)簽的，則將被忽略； 設(shè)置labels=[pos_label]和average！='binary’將僅報(bào)告該標(biāo)簽的分?jǐn)?shù)。averagestring, [None|‘binary’ (default)| ‘micro’| ‘macro’| ‘samples’|‘weighted’] 對(duì)于多類(lèi)/多標(biāo)簽?zāi)繕?biāo)，此參數(shù)是必需的。如果為None，則返回每個(gè)類(lèi)的得分。否則，將根據(jù)數(shù)據(jù)的平均表現(xiàn)確定類(lèi)型： - 'binary': 僅報(bào)告由pos_label指定的類(lèi)的結(jié)果。僅當(dāng)目標(biāo)（y_ {true，pred}）為二進(jìn)制時(shí)才適用。 - 'micro': 通過(guò)計(jì)算真正例、假負(fù)例和假正例的總數(shù)來(lái)全局計(jì)算度量。 - 'macro': 計(jì)算每個(gè)標(biāo)簽的度量，并找到其未加權(quán)平均值。 這沒(méi)有考慮標(biāo)簽不平衡。 - 'weighted': 計(jì)算每個(gè)標(biāo)簽的度量，并找到它們受支持的平均權(quán)重（每個(gè)標(biāo)簽的真實(shí)實(shí)例數(shù)）。這會(huì)更改‘macro’以解決標(biāo)簽不平衡的問(wèn)題；這可能導(dǎo)致F-score不在精確度和召回率之間。 - 'samples': 計(jì)算每個(gè)實(shí)例的度量，并找到它們的平均值（僅對(duì)不同于accuracy_score的多標(biāo)簽分類(lèi)有意義）。sample_weightarray-like of shape (n_samples,), default=None 樣本權(quán)重。zero_division“warn”, 0 or 1, default=”warn” 設(shè)置零分頻時(shí)返回的值。如果設(shè)置為“ warn”，則該值為0，但也會(huì)發(fā)出警告。返回值：返回值說(shuō)明recallfloat (if average is not None) or array of float, shape = [n_unique_labels] 二進(jìn)制分類(lèi)中的正例類(lèi)的召回率或多類(lèi)別任務(wù)的每個(gè)類(lèi)別的召回率加權(quán)平均P-R曲線：以查準(zhǔn)率為縱軸，查全率為橫軸，就得到了查準(zhǔn)率-查全率曲線，又被稱為P-R曲線。P-R曲線能直觀地顯示出學(xué)習(xí)器在樣本總體上的查全率、查準(zhǔn)率。如下圖，學(xué)習(xí)器A優(yōu)于學(xué)習(xí)器C(學(xué)習(xí)器A的曲線完全包住學(xué)習(xí)器C)，但是學(xué)習(xí)器A與B很難比較，因?yàn)槌霈F(xiàn)了交叉，平衡點(diǎn)(BEP)也就是查準(zhǔn)率等于查全率的時(shí)候，對(duì)應(yīng)的坐標(biāo)值，坐標(biāo)值大的相對(duì)優(yōu)一點(diǎn)。但BEP過(guò)于簡(jiǎn)化，因此常用F1。對(duì)應(yīng)sklearn包 ：sklearn.metrics.average_precision_score(y_true, y_score, *, average='macro', pos_label=1, sample_weight=None)參數(shù)：參數(shù)說(shuō)明y_truearray, shape = [n_samples] or [n_samples, n_classes] 真正的二進(jìn)制標(biāo)簽或二進(jìn)制標(biāo)簽指示符。y_scorearray, shape = [n_samples] or [n_samples, n_classes] 目標(biāo)分?jǐn)?shù)可以是肯定類(lèi)別的概率估計(jì)值，置信度值或決策的非閾值度量（如某些分類(lèi)器上的“ decision_function”所返回）。averagestring, [None, ‘micro’, ‘macro’ (default), ‘samples’, ‘weighted’] 如果為None，則返回每類(lèi)的得分。否則，將確定對(duì)數(shù)據(jù)平均表現(xiàn)的類(lèi)型： - ‘micro’： 通過(guò)將標(biāo)簽指標(biāo)矩陣的每個(gè)元素都視為標(biāo)簽來(lái)全局計(jì)算指標(biāo)。 - ‘macro’： 計(jì)算每個(gè)標(biāo)簽的指標(biāo)，并找到其未加權(quán)平均值。此處沒(méi)有考慮標(biāo)簽不平衡問(wèn)題。 - ‘weighted’： 計(jì)算每個(gè)標(biāo)簽的指標(biāo)，并找到它們的平均值，然后按支持度（每個(gè)標(biāo)簽的真實(shí)實(shí)例數(shù)）加權(quán)。 - ‘samples’： 計(jì)算每個(gè)實(shí)例的指標(biāo)，并找到它們的平均值。 當(dāng)y_true為二進(jìn)制時(shí)將被忽略。pos_labelint or str (default=1) 正向類(lèi)別的標(biāo)簽。僅適用于二進(jìn)制y_true。 對(duì)于multilabel-indicator y_true，pos_label固定為1。sample_weightarray-like of shape (n_samples,), default=None 樣本權(quán)重。返回值：返回值說(shuō)明average_precisionfloatF值：當(dāng)需要在精確率與召回率之間進(jìn)行權(quán)衡時(shí)，F(xiàn)1曲線同時(shí)考慮了兩者，可以作為一種評(píng)價(jià)指標(biāo)，它是精確率和召回率的調(diào)和平均數(shù)。當(dāng)β > 1時(shí)，召回率的權(quán)重高于精確率，當(dāng)β < 1時(shí)精確率的權(quán)重高于召回率，當(dāng)β = 1時(shí)，就變成了F1值。F β = ( 1 + β 2 ) ? P r e c i s i o n ? R e c a l l β 2 ? P r e c i s i o n + R e c a l l F_\\beta=(1+\\beta^2)\\cdot\\frac{Precision \\cdot Recall}{\\beta^2 \\cdot Precision + Recall}Fβ=(1+β2)?β2?Precision+RecallPrecision?RecallF1:F 1 = 2 ? P r e c i s i o n ? R e c a l l P r e c i s i o n + R e c a l l F_1=\\frac{2\\cdot Precision \\cdot Recall}{Precision + Recall}F1=Precision+Recall2?Precision?Recall對(duì)應(yīng)sklearn包 ：sklearn.metrics.f1_score(y_true, y_pred, *, labels=None, pos_label=1, average='binary', sample_weight=None, zero_division='warn')參數(shù)：參數(shù)說(shuō)明y_true1d array-like, or label indicator array / sparse matrix 真實(shí)目標(biāo)值。y_pred1d array-like, or label indicator array / sparse matrix 分類(lèi)器返回的估計(jì)目標(biāo)。labelslist, optional 當(dāng)average!='binary’時(shí)要包括的一組標(biāo)簽，如果average是None，則是標(biāo)簽的順序。可以排除數(shù)據(jù)中存在的標(biāo)簽，例如，以忽略多數(shù)否定類(lèi)的方式計(jì)算多類(lèi)平均值，而數(shù)據(jù)中不存在的標(biāo)簽將導(dǎo)致宏平均值中的0成分。對(duì)于多標(biāo)簽?zāi)繕?biāo)，標(biāo)簽是列索引。 默認(rèn)情況下，y_true和y_pred中的所有標(biāo)簽均按排序順序使用。 在版本0.17中進(jìn)行了更改：針對(duì)多類(lèi)問(wèn)題改進(jìn)了參數(shù)標(biāo)簽。pos_labelstr or int, 1 by default average ='binary’且數(shù)據(jù)為二進(jìn)制的要進(jìn)行報(bào)告的類(lèi)。如果數(shù)據(jù)是多類(lèi)或多標(biāo)簽的，則將被忽略；設(shè)置labels=[pos_label]及average!='binary’將僅報(bào)告該標(biāo)簽的得分。averagestring,[None| ‘binary’(default)| ‘micro’| ‘macro’| ‘samples’| ‘weighted’] 對(duì)于多類(lèi)/多標(biāo)簽?zāi)繕?biāo)，此參數(shù)是必需的。如果為None，則返回每個(gè)類(lèi)的得分。否則，將確定數(shù)據(jù)執(zhí)行的平均類(lèi)型： - 'binary': 僅報(bào)告由pos_label指定的類(lèi)的結(jié)果。僅當(dāng)目標(biāo)（y_ {true，pred}）為二進(jìn)制時(shí)才適用。 - 'micro': 通過(guò)計(jì)算真正例、假負(fù)例和假正例的總數(shù)來(lái)全局計(jì)算度量。 - 'macro': 計(jì)算每個(gè)標(biāo)簽的度量，并找到其未加權(quán)平均值。 這沒(méi)有考慮標(biāo)簽不平衡。 - 'weighted': 計(jì)算每個(gè)標(biāo)簽的度量，并找到它們受支持的平均權(quán)重（每個(gè)標(biāo)簽的真實(shí)實(shí)例數(shù)）。這會(huì)更改‘macro’以解決標(biāo)簽不平衡的問(wèn)題；這可能導(dǎo)致F-score不在精確度和召回率之間。 - 'samples': 計(jì)算每個(gè)實(shí)例的度量，并找到它們的平均值（僅對(duì)不同于accuracy_score的多標(biāo)簽分類(lèi)有意義）。sample_weightarray-like of shape (n_samples,), default=None 樣本權(quán)重。zero_division“warn”, 0 or 1, default=”warn” 設(shè)置除數(shù)為零（即所有預(yù)測(cè)和標(biāo)簽均為負(fù)）時(shí)的返回值。如果設(shè)置為“warn”，則該值為0，但也會(huì)發(fā)出警告。返回值：返回值說(shuō)明f1_scorefloat or array of float, shape = [n_unique_labels] 二進(jìn)制分類(lèi)中的正例類(lèi)的F1分?jǐn)?shù)，或者對(duì)于多類(lèi)別任務(wù)，每個(gè)類(lèi)別的F1分?jǐn)?shù)的加權(quán)平均值。G值：是精確率與召回率的另一種評(píng)價(jià)指標(biāo)，它是精確率和召回率的幾何平均數(shù)。G = P r e c i s i o n ? R e c a l l G=\\sqrt{Precision \\cdot Recall}G=Precision?RecallROC曲線和AUC ：當(dāng)測(cè)試集中的正負(fù)樣本的分布變化的時(shí)候，ROC曲線能夠保持不變，即ROC曲線能夠很好的消除樣本類(lèi)別不平衡對(duì)評(píng)估指標(biāo)產(chǎn)生的影響（把實(shí)際中的正樣例與負(fù)樣例分開(kāi)考慮）。ROC曲線與下方坐標(biāo)軸圍成的面積就是AUC，考慮的是樣本預(yù)測(cè)的排序質(zhì)量，因此與排序誤差有緊密聯(lián)系，AUC的值應(yīng)當(dāng)越大越好。對(duì)應(yīng)sklearn包 （AUC）：sklearn.metrics.auc(x, y)參數(shù)：參數(shù)說(shuō)明xarray, shape = [n] x坐標(biāo)。這些必須是單調(diào)遞增或單調(diào)遞減。yarray, shape = [n] y坐標(biāo)。返回值：返回值說(shuō)明aucfloat對(duì)應(yīng)sklearn包(ROC) ：sklearn.metrics.roc_curve(y_true, y_score, *, pos_label=None, sample_weight=None, drop_intermediate=True)參數(shù)：參數(shù)說(shuō)明y_truearray, shape = [n_samples] 真正的二進(jìn)制標(biāo)簽。 如果標(biāo)簽既不是{-1，1}也不是{0，1}，則應(yīng)該明確給出pos_label。y_scorearray, shape = [n_samples] 目標(biāo)分?jǐn)?shù)可以是正例類(lèi)的概率估計(jì)值，置信度值或決策的非閾值度量（如某些分類(lèi)器上的“ decision_function”所返回）。pos_labelint or str, default=None 正例類(lèi)的標(biāo)簽。當(dāng)pos_label = None時(shí)，如果y_true在{-1，1}或{0，1}中，則pos_label設(shè)置為1，否則將引發(fā)錯(cuò)誤。sample_weightarray-like of shape (n_samples,), default=None 樣本權(quán)重。drop_intermediateboolean, optional (default=True) 是否降低一些未達(dá)到最佳閾值的閾值，這些閾值不會(huì)出現(xiàn)在繪制的ROC曲線上。 這對(duì)于創(chuàng)建較淺的ROC曲線很有用。 版本0.17中的新功能：參數(shù)drop_intermediate。返回值：返回值說(shuō)明fprarray, shape = [>2] 增加假正例率，使得元素i是score >= thresholds[i]預(yù)測(cè)的假正例率。tprarray, shape = [>2] 增加真正例率，使得元素i是score >= thresholds[i]的預(yù)測(cè)的真正例率。thresholdsarray, shape = [n_thresholds] 用于計(jì)算fpr和tpr的決策函數(shù)的閾值遞減。 thresholds [0]表示沒(méi)有實(shí)例在預(yù)測(cè)中，可以任意設(shè)置為max（y_score）+ 1。真正率、假正率、真負(fù)率、假負(fù)率：真正率：在所有實(shí)際為正例的樣本中，正確判斷為正例的概率；假正率：在所有實(shí)際為負(fù)例的樣本中，錯(cuò)誤判斷為負(fù)例的概率；真負(fù)率：在所有實(shí)際為負(fù)例的樣本中，正確判斷為負(fù)例的概率；假負(fù)率：在所有實(shí)際為正例的樣本中，錯(cuò)誤判斷為正例的概率。T P R = T P T P + F N F P R = F P F P + T N T N R = T N T N + F P F N R = F N F N + T P TPR=\\frac{TP}{TP+FN} \\quad FPR=\\frac{FP}{FP+TN} \\quad TNR=\\frac{TN}{TN+FP} \\quad FNR=\\frac{FN}{FN+TP} \\quadTPR=TP+FNTPFPR=FP+TNFPTNR=TN+FPTNFNR=FN+TPFN對(duì)應(yīng)sklearn包 ：sklearn.metrics.confusion_matrix(y_true, y_pred, *, labels=None, sample_weight=None, normalize=None)參數(shù)：參數(shù)說(shuō)明y_truearray-like of shape (n_samples,) 真實(shí)目標(biāo)值。y_predarray-like of shape (n_samples,) 分類(lèi)器返回的估計(jì)目標(biāo)。labelsarray-like of shape (n_classes), default=None 索引矩陣的標(biāo)簽列表。可用于重新排序或選擇標(biāo)簽的子集。如果指定None，則那些在y_true或y_pred中至少出現(xiàn)一次的標(biāo)簽將按照排序使用。sample_weightarray-like of shape (n_samples,), default=None 樣本權(quán)重。 版本0.18中的新功能。normalize{‘true’, ‘pred’, ‘a(chǎn)ll’}, default=None 對(duì)真實(shí)（行），預(yù)測(cè)（列）條件或所有總體的混淆矩陣進(jìn)行歸一化。 如果為None，則不會(huì)對(duì)混淆矩陣進(jìn)行歸一化。返回值：返回值說(shuō)明Cndarray of shape (n_classes, n_classes) 混淆矩陣，其第i行和第j列條目指示真實(shí)標(biāo)簽為第i類(lèi)且預(yù)測(cè)標(biāo)簽為第j類(lèi)的樣本數(shù)。3.3. 回歸任務(wù)均方誤差(MSE)或L2范數(shù)損失：通過(guò)計(jì)算真實(shí)值與預(yù)測(cè)值的差值的平方和的均值來(lái)衡量距離。M S E = 1 m ∑ i = 1 m ( f ( x i ) ? y i ) 2 MSE=\\frac{1}{m} \\sum_{i=1}^{m}{(f(x_i)-y_i)^2}MSE=m1i=1∑m(f(xi)?yi)2

對(duì)應(yīng)sklearn包 ：

sklearn.metrics.mean_squared_error(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average', squared=True)

參數(shù)：

參數(shù)

說(shuō)明

y_true

array-like of shape (n_samples,) or (n_samples, n_outputs) 真實(shí)目標(biāo)值。

y_pred

array-like of shape (n_samples,) or (n_samples, n_outputs) 預(yù)測(cè)目標(biāo)值。

sample_weight

array-like of shape (n_samples,), optional 樣本權(quán)重。

multioutput

string in [‘raw_values’, ‘uniform_average’] or array-like of shape (n_outputs) 定義多個(gè)輸出值的匯總。類(lèi)似數(shù)組的值定義了用于平均誤差的權(quán)重。 - ‘raw_values’： 如果是多輸出格式的輸入，則返回完整的錯(cuò)誤集。 - ‘uniform_average’： 所有輸出的誤差均以相同的權(quán)重平均。

squared

boolean value, optional (default = True) 如果為T(mén)rue，則返回MSE值；如果為False，則返回RMSE值。

返回值：

返回值

說(shuō)明

loss

float or ndarray of floats 非負(fù)浮點(diǎn)值（最佳值為0.0）或浮點(diǎn)值數(shù)組，每個(gè)目標(biāo)對(duì)應(yīng)一個(gè)浮點(diǎn)值。

均方根誤差(RMSE)： 通過(guò)計(jì)算真實(shí)值與預(yù)測(cè)值的差值的平方和的均值的標(biāo)準(zhǔn)差來(lái)衡量距離。R M S E = 1 m ∑ i = 1 m ( f ( x i ) ? y i ) 2 RMSE=\\sqrt{ \\frac{1}{m} \\sum_{i=1}^{m}{(f(x_i)-y_i)^2}}RMSE=m1i=1∑m(f(xi)?yi)2平均絕對(duì)誤差(MAE)或L1范數(shù)損失： 通過(guò)計(jì)算預(yù)測(cè)值和真實(shí)值之間的距離的絕對(duì)值的均值來(lái)衡量距離。M A E = 1 m ∑ i = 1 m ∣ y i ? f ( x i ) ∣ MAE=\\frac{1}{m} \\sum_{i=1}^{m}|{y_i-f(x_i)|}MAE=m1i=1∑m∣yi?f(xi)∣對(duì)應(yīng)sklearn包 ：sklearn.metrics.mean_absolute_error(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average')參數(shù)：參數(shù)說(shuō)明y_truearray-like of shape (n_samples,) or (n_samples, n_outputs) 真實(shí)目標(biāo)值。y_predarray-like of shape (n_samples,) or (n_samples, n_outputs) 預(yù)測(cè)目標(biāo)值。sample_weightarray-like of shape (n_samples,), optional 樣本權(quán)重。multioutputstring in [‘raw_values’, ‘uniform_average’] or array-like of shape (n_outputs) 定義多個(gè)輸出值的匯總。類(lèi)似數(shù)組的值定義了用于平均誤差的權(quán)重。 - ‘raw_values’： 如果是多輸出格式的輸入，則返回完整的錯(cuò)誤集。 - ‘uniform_average’： 所有輸出的誤差均以相同的權(quán)重平均。返回值：返回值說(shuō)明lossfloat or ndarray of floats 如果多輸出為‘raw_values’，則分別為每個(gè)輸出返回均值絕對(duì)錯(cuò)誤。如果多輸出是‘uniform_average’或權(quán)重的ndarray，則將返回所有輸出錯(cuò)誤的加權(quán)平均值。 MAE輸出為非負(fù)浮點(diǎn)。最佳值為0.0。3.4. 無(wú)監(jiān)督任務(wù)

輪廓系數(shù)：適應(yīng)于實(shí)際類(lèi)別信息未知的情況。對(duì)于單個(gè)樣本，設(shè)a是與它同類(lèi)別中其它樣本的 平均距離，b是與它距離最近不同類(lèi)別中樣本的平均距離，定義為：S = b ? a m a x ( a , b ) S=\\frac{b-a}{max(a,b)}S=max(a,b)b?a對(duì)應(yīng)sklearn包 ：

sklearn.metrics.silhouette_score(X, labels, *, metric='euclidean', sample_size=None, random_state=None, **kwds)

參數(shù)：

參數(shù)

說(shuō)明

X

array [n_samples_a, n_samples_a] if metric == “precomputed”, or, [n_samples_a, n_features] otherwise 樣本之間的成對(duì)距離數(shù)組或特征數(shù)組。

labels

array, shape = [n_samples] 每個(gè)樣本的預(yù)測(cè)標(biāo)簽。

metric

string, or callable 計(jì)算特征陣列中實(shí)例之間的距離時(shí)使用的度量。如果metric是字符串，則它必須是metrics.pairwise.pairwise_distances允許的選項(xiàng)之一。如果X是距離數(shù)組本身，則使用metric=“precomputed”。

sample_size

int or None 在數(shù)據(jù)的隨機(jī)子集上計(jì)算輪廓系數(shù)時(shí)要使用的樣本大小。如果sample_size為None，則不使用采樣。

random_state

int, RandomState instance or None, optional (default=None) 確定用于選擇樣本子集的隨機(jī)數(shù)生成。當(dāng)sample_size不為None時(shí)使用。在多個(gè)函數(shù)調(diào)用之間傳遞int以獲得可重復(fù)的結(jié)果。請(qǐng)參閱詞匯表。

**kwds

optional keyword parameters 任何其他參數(shù)都直接傳遞給距離函數(shù)。如果使用scipy.spatial.distance度量，則參數(shù)仍取決于度量。有關(guān)用法示例，請(qǐng)參見(jiàn)scipy文檔。

返回值：

返回值

說(shuō)明

silhouette

float 所有樣本的平均輪廓系數(shù)。

4. 機(jī)器學(xué)習(xí)用到的python庫(kù)4.1. NumpyNumpy：通常用來(lái)進(jìn)行矢量化的計(jì)算常用函數(shù)：

創(chuàng)建數(shù)組

np.array()

用于創(chuàng)建一維或多維數(shù)組

np.arange()

在給定的間隔內(nèi)返回具有一定步長(zhǎng)的整數(shù)

np.linspace()

創(chuàng)建一個(gè)具有指定間隔的浮點(diǎn)數(shù)的數(shù)組

np.random.randint()

在一個(gè)范圍內(nèi)生成n個(gè)隨機(jī)整數(shù)樣本

np.zeros()

創(chuàng)建一個(gè)全部為0的數(shù)組

np.ones()

創(chuàng)建一個(gè)全部為1的數(shù)組

np.full()

創(chuàng)建一個(gè)單獨(dú)值的n維數(shù)組

數(shù)組操作

np.min()

返回?cái)?shù)組中的最小值

np.max()

返回?cái)?shù)組中的最大值

np.mean()

返回?cái)?shù)組的平均數(shù)

np.median()

返回?cái)?shù)組的中位數(shù)

np.np.sort()

對(duì)數(shù)組排序

優(yōu)點(diǎn)：numpy的基本對(duì)象是ndarray，最大的優(yōu)勢(shì)在于用它進(jìn)行多維數(shù)組的計(jì)算，不用寫(xiě)多重for循環(huán)，直接可以進(jìn)行矢量化的運(yùn)算封裝了vectorize函數(shù)，可以把處理標(biāo)量的函數(shù)矢量化，極大地提高了計(jì)算速度缺點(diǎn)：ndarray中的數(shù)據(jù)類(lèi)型必須相同，于是有了pandas可以處理不同數(shù)據(jù)類(lèi)型的數(shù)據(jù)集4.2. PandasPandas： 通常用來(lái)處理結(jié)構(gòu)化的數(shù)據(jù)優(yōu)點(diǎn)：數(shù)據(jù)結(jié)構(gòu)Series，理解為一個(gè)一維的數(shù)組，只是index名稱可以自己改動(dòng)。類(lèi)似于定長(zhǎng)的有序字典，有index和value數(shù)據(jù)結(jié)構(gòu)DataFrame，理解為一個(gè)二維數(shù)組，索引有兩個(gè)維度，可更改。一行一樣本，一列一特征。每一行都可以看作一個(gè)樣本，每一列都可以看作一個(gè)Series封裝的to_datetime函數(shù)轉(zhuǎn)換日期數(shù)據(jù)類(lèi)型，支持大多數(shù)的日期格式，而且轉(zhuǎn)換后的datetime類(lèi)型數(shù)據(jù)支持日期運(yùn)算4.3. MatplotlibMatplotlib： 用來(lái)繪制出直觀的圖表

Figure：是指整個(gè)圖形，也就是一張畫(huà)布，包括了所有的元素，如標(biāo)題，軸線等；Axes：繪制 2D 圖像的實(shí)際區(qū)域，也稱為軸域區(qū)，或者繪圖區(qū)；Axis：是指圖形的水平軸和垂直軸，包括軸的長(zhǎng)度、軸的標(biāo)簽和軸的刻度等；

xlabel、ylabel: 設(shè)置橫軸、縱軸標(biāo)簽及大小

xticks、yticks： 設(shè)置坐標(biāo)軸刻度的字體大小

plt.legend()：添加圖例

plt.scatter()：函數(shù)用于生成一個(gè)scatter散點(diǎn)圖

plt.plot(x, y, format_string, **kwargs) ：繪制函數(shù)曲線（繪制坐標(biāo)圖）

以上就是關(guān)于如何學(xué)習(xí)pos機(jī),機(jī)器學(xué)習(xí)的知識(shí)，后面我們會(huì)繼續(xù)為大家整理關(guān)于如何學(xué)習(xí)pos機(jī)的知識(shí)，希望能夠幫助到大家！