Python编程-数据科学专业问答社区-CDA答疑社区

热线电话：13121318867

登录

詹惠儿

Python常用时间函数

Python定义了一个“时间” 的模块，它允许我们处理有关时间，转换和表示的各种操作，这些操作可以在生活中的各种应用程序中使用。时间的开始从1970年1月1日上午12:00开始，这个时期在Python中被称为“ epoch ”。常用时间函数：1. time（）： - 此函数用于计算自纪元以来经过的秒数。 2. gmtime（sec）： - 此函数返回一个结构，其中包含9个值，每个

0.0000

0

2

0

关注作者

收藏

詹惠儿

如何理解compile函数

函数compile（）正则表达式被编译成模式对象，模式对象具有各种操作的方法，例如搜索模式匹配或执行字符串替换。# Module Regular Expression is imported using __import__(). import re # compile() creates regular expression character class [a-e], # whic

22.2786

1

1

0

关注作者

收藏

詹惠儿

python常用库之一

-Matplotlib-Matplolib是另一个用于数据可视化的有用Python库。描述性分析和可视化数据对任何组织都非常重要。Matplotlib提供了各种方法以更有效的方式可视化数据。Matplotlib允许快速制作折线图，饼图，直方图和其他专业级数字。使用Matplotlib，可以自定义图形的每个方面。Matplotlib具有交互功能，如缩放和规划以及以图形格式保存图形。Scipy：Sc

2.3677

1

0

0

关注作者

收藏

詹惠儿

如何区别Numpy和Pandas

python最常用的数据科学库之一：Numpy：Numpy是Python库，提供处理大维数组的数学函数。它为Array，Metrics和Linear algebra提供了各种方法/功能。NumPy代表Numerical Python。它为Python中的n阵列和矩阵的操作提供了许多有用的功能。该库提供了对NumPy数组类型的数学运算的矢量化，从而提高了性能并加快了执行速度。使用Numpy处理

0.0000

0

2

0

关注作者

收藏

詹惠儿

python能实现什么

对于刚学会python的新手，还不太清楚python具体能实现什么，以下汇总了一些Python语言的一些有用功能：它使用优雅的语法，因此程序更容易阅读。它是一种易于访问的语言，可以轻松实现程序的运行。大型标准库和社区支持。Python的交互模式使测试代码变得简单。在Python中，通过附加用C 或C等其他编译语言实现的新模块来扩展代码也很简单。Python是一种富有表现力的语言，

18.2165

1

4

0

关注作者

收藏

詹惠儿

python是一门开源，解释性很强的高级语言，为面向对象编程提供了很好的方法。它是数据科学家用于各种数据科学项目/应用的最佳语言之一。Python提供了处理数学，统计和科学功能的强大功能。它提供了很好的库来处理数据科学应用程序。Python在科学和研究界广泛使用的主要原因之一是它易于使用和简单的语法，这使得它很容易适应没有工程背景的人。它也更适合快速原型设计。来自学术界和工业界的工程师表示，P

0.0000

0

3

0

关注作者

收藏

wo56565

学习向量量化

KNN 算法的一个缺点是，你需要处理整个训练数据集。而学习向量量化算法（LVQ）允许选择所需训练实例数量，并确切地学习这些实例。LVQ 的表示是一组码本向量。它们在开始时是随机选择的，经过多轮学习算法的迭代后，最终对训练数据集进行最好的总结。通过学习，码本向量可被用来像 K 最近邻那样执行预测。通过计算每个码本向量与新数据实例之间的距离，可以找到最相似的邻居（最匹配的码本向量）。然后返回最匹配单元

34.3407

2

2

0

关注作者

收藏

wo56565

Boosting 和 AdaBoost

Boosting 是一种试图利用大量弱分类器创建一个强分类器的集成技术。要实现 Boosting 方法，首先你需要利用训练数据构建一个模型，然后创建第二个模型（它企图修正第一个模型的误差）。直到最后模型能够对训练集进行完美地预测或加入的模型数量已达上限，我们才停止加入新的模型。AdaBoost 是第一个为二分类问题开发的真正成功的 Boosting 算法。它是人们入门理解 Boosting 的最

16.1242

1

2

0

关注作者

收藏

wo56565

袋装法和随机森林

随机森林是最流行也最强大的机器学习算法之一，它是一种集成机器学习算法。自助法是一种从数据样本中估计某个量（例如平均值）的强大统计学方法。你需要在数据中取出大量的样本，计算均值，然后对每次取样计算出的均值再取平均，从而得到对所有数据的真实均值更好的估计。Bagging 使用了相同的方法。但是最常见的做法是使用决策树，而不是对整个统计模型进行估计。Bagging 会在训练数据中取多个样本，然后为每

16.1242

1

2

0

关注作者

收藏

wo56565

支持向量机

支持向量机（SVM）可能是目前最流行、被讨论地最多的机器学习算法之一。超平面是一条对输入变量空间进行划分的「直线」。支持向量机会选出一个将输入变量空间中的点按类（类 0 或类 1）进行最佳分割的超平面。在二维空间中，你可以把他想象成一条直线，假设所有输入点都可以被这条直线完全地划分开来。SVM 学习算法旨在寻找最终通过超平面得到最佳类别分割的系数。超平面与最近数据点之间的距离叫作间隔（marg

0.0000

0

4

0

关注作者

收藏

wo56565

K 最近邻算法

K 最近邻（KNN）算法是非常简单而有效的。KNN 的模型表示就是整个训练数据集。这很简单吧？对新数据点的预测结果是通过在整个训练集上搜索与该数据点最相似的 K 个实例（近邻）并且总结这 K 个实例的输出变量而得出的。对于回归问题来说，预测结果可能就是输出变量的均值；而对于分类问题来说，预测结果可能是众数（或最常见的）的类的值。关键之处在于如何判定数据实例之间的相似程度。如果你的数据特征尺度相

40.4951

2

2

0

关注作者

收藏

wo56565

什么是朴素贝叶斯？

朴素贝叶斯是一种简单而强大的预测建模算法。该模型由两类可直接从训练数据中计算出来的概率组成：1）数据属于每一类的概率；2）给定每个 x 值，数据从属于每个类的条件概率。一旦这两个概率被计算出来，就可以使用贝叶斯定理，用概率模型对新数据进行预测。当你的数据是实值的时候，通常假设数据符合高斯分布（钟形曲线），这样你就可以很容易地估计这些概率。朴素贝叶斯之所以被称为「朴素」，是因为它假设每个输入变量

0.0000

0

3

0

关注作者

收藏

wo56565

分类和回归树

决策树是一类重要的机器学习预测建模算法。决策树可以被表示为一棵二叉树。这种二叉树与算法设计和数据结构中的二叉树是一样的，没有什么特别。每个节点都代表一个输入变量（x）和一个基于该变量的分叉点（假设该变量是数值型的）。决策树的叶子结点包含一个用于做出预测的输出变量（y）。预测结果是通过在树的各个分叉路径上游走，直到到达一个叶子结点并输出该叶子结点的类别值而得出。决策树的学习速度很快，做出预测的

16.1242

1

3

0

关注作者

收藏

wo56565

线性判别分析到底怎么理解？

Logistic 回归是一种传统的分类算法，它的使用场景仅限于二分类问题。如果你有两个以上的类，那么线性判别分析算法（LDA）是首选的线性分类技术。LDA 的表示方法非常直接。它包含为每个类计算的数据统计属性。对于单个输入变量而言，这些属性包括：每个类的均值。所有类的方差所有类的方差。预测结果是通过计算每个类的判别值、并将类别预测为判别值最大的类而得出的。该技术假设数据符合高斯分布（钟形曲线）

0.0000

0

2

0

关注作者

收藏

wo56565

机器学习中什么是Logistic 回归？

Logistic 回归是机器学习从统计学领域借鉴过来的另一种技术。它是二分类问题的首选方法。像线性回归一样，Logistic 回归的目的也是找到每个输入变量的权重系数值。但不同的是，Logistic 回归的输出预测结果是通过一个叫作「logistic 函数」的非线性函数变换而来的。 logistic 函数的形状看起来像一个大的「S」，它会把任何值转换至 0-1 的区间内。这十分有用

18.2165

1

0

0

关注作者

收藏

詹惠儿

支持向量机如何调整分类

现在我们将支持向量机分类器适用于这些点。虽然可能性模型的数学细节很有趣，但我们会在其他地方阅读。相反，我们只是将scikit-learn算法视为完成上述任务的黑盒子。# import support vector classifier from sklearn.svm import SVC # "Support Vector Classifier" clf = SVC(kernel='

0.0000

0

6

0

关注作者

收藏

詹惠儿

支持向量机如何分类

支持向量机所做的不仅是在这里在两个类之间画一条线，而是考虑一个关于某个给定宽度线的区域。以下是它的外观示例：# creating line space between -1 to 3.5 xfit = np.linspace(-1, 3.5) # plotting scatter plt.scatter(X[:, 0], X[:, 1], c=Y, s=50, cmap='spring

0.0000

0

3

0

关注作者

收藏

詹惠儿

什么数据适合支持向量机？

给定一组训练示例，每个示例标记为属于两个类别中的一个或另一个，SVM训练算法构建将新示例分配给一个类别或另一个类别的模型，使其成为非概率二元线性分类器。# importing scikit learn with make_blobs from sklearn.datasets.samples_generator import make_blobs # creating datasets

0.0000

0

2

0

关注作者

收藏

詹惠儿

如何理解支持向量机

SVM简介：在机器学习中，支持向量机（SVM，也支持向量网络）是监督学习模型，其具有相关的学习算法，用于分析用于分类和回归分析的数据。支持向量机（SVM）是由分离超平面正式定义的判别分类器。换句话说，给定标记的训练数据（监督学习），算法输出最佳超平面，其对新示例进行分类。什么是支持向量机？SVM模型是将示例表示为空间中的点，映射使得单独类别的示例除以尽可能宽的明确间隙。除了执行线性分

18.2165

1

2

0

关注作者

收藏

詹惠儿

什么情况使用Metaclasses

大多数时候我们不使用元类，它们就像黑魔法，通常用于复杂的东西，但很少有使用元类的情况 -正如我们在上面的例子中看到的，元类传播了继承层次结构。它也会影响所有子类。如果我们有这种情况，那么我们应该使用元类。如果我们想要在创建类时自动更改类如果您是API开发人员，则可以使用元类正如蒂姆彼得斯所引用的那样Metaclasses are deeper magic that 99% of

13.1369

1

5

0

关注作者

收藏

<1…949596…159>

CDA考试动态

CDA报考指南