数组属性反映了数组本身固有的信息。通常，通过其属性访问数组允许您获取并有时设置数组的内部属性，而无需创建新数组。公开的属性是数组的核心部分，只有部分属性可以有意义地重置而无需创建新数组。有关每个属性的信息如下。 以下属性包含有关数组内存布局的信息： ndarray.flags有关阵列内存布局的信息。ndarray.shape数组维度的元组。ndarray.strides遍历数组时，每个维度中的字节
啊啊啊啊啊吖
2018-12-03
NumPy提供了一个N维数组类型，即ndarray，它描述了相同类型的“项目”集合。可以使用例如N个整数来索引项目。 所有ndarray都是同质的：每个项目占用相同大小的内存块，并且所有块都以完全相同的方式解释。如何解释数组中的每个项目由单独的数据类型对象指定，其中一个对象与每个数组相关联。除了基本类型（整数，浮点数 等）之外，数据类型对象还可以表示数据结构。 从数组中提取的项（例如，通过索引）由
啊啊啊啊啊吖
2018-12-03
NumPy是使用Python进行科学计算所需的基本软件包。这个包包含： 一个强大的N维数组对象 复杂的（广播）功能 基本线性代数函数 基本傅里叶变换 复杂的随机数功能 用于集成Fortran代码的工具 用于集成C / C 代码的工具 除了明显的科学用途外，NumPy还可以用作通用数据的高效多维容器。可以定义任意数据类型。这使NumPy能够无缝快速地与各种数据库集成。 NumPy是两个早期科学P
啊啊啊啊啊吖
2018-12-03
我们仅考虑添加已经完善的算法。通常的标准是发布3年以上，被引用超过 200 次，而且被广泛使用。对广泛使用的方法提供了明确改进的技术（如增强型数据结构或更有效的近似技术）也将被考虑纳入。 在满足上述标准的算法或技术中,只有这些能够 适合现在 scikit-learn API 的, 预测/转换接口通常具有 numpy 阵列或稀疏矩阵的输入/输出。 贡献者应该支持通过研究论文或其他类似软件包中的实
啊啊啊啊啊吖
2018-11-30
如果您尚未安装具有 numpy 和 scipy 的 python 安装，建议您通过软件包管理器或通过 python 软件包进行安装。 这些与 numpy, scipy, scikit-learn, matplotlib 和许多其他有用的科学和数据处理库。 可用选项有: Canopy 和 Anaconda 适用于所有支持的平台 Canopy 和 Anaconda 都运送了最新版本的 scikit-
啊啊啊啊啊吖
2018-11-30
Scikit-learn 要求: Python (>= 2.7 or >= 3.3), NumPy (>= 1.8.2), SciPy (>= 0.13.3). 如果你已经有一个安全的 numpy 和 scipy，安装 scikit-learn 最简单的方法是使用 pip pip install -U scikit-learn 或者 conda: conda install scikit-lea
啊啊啊啊啊吖
2018-11-30
在python里除非特别指定，输入将被转换为 float64 >>>>>> import numpy as np >>> from sklearn import random_projection >>> rng = np.random.RandomState(0) >>> X = rng.rand(10, 2000) >>> X = np.array(X, dtype='float32'
啊啊啊啊啊吖
2018-11-30
可以通过使用 Python 的内置持久化模块（即 pickle ）将模型保存: >>>>>> from sklearn import svm >>> from sklearn import datasets >>> clf = svm.SVC() >>> iris = datasets.load_iris() >>> X, y = iris.data, iris.target >>> c
啊啊啊啊啊吖
2018-11-30
数据总是二维数组，形状 (n_samples, n_features) ，尽管原始数据可能具有不同的形状。 在数字的情况下，可以使用以下方式访问: >>>>>> digits.images[0] array([[ 0., 0., 5., 13., 9., 1., 0., 0.], [ 0., 0., 13., 15., 10., 15.,
啊啊啊啊啊吖
2018-11-30
我们从我们的 shell 启动一个 Python 解释器，然后加载 iris 和 digits 数据集。我们的符号约定是 $ 表示 shell 提示符，而 >>> 表示 Python 解释器提示符: $ python >>> from sklearn import datasets >>> iris = datasets.load_iris() >>> digits = datasets.l
啊啊啊啊啊吖
2018-11-30
监督学习 , 其中数据带有一个附加属性，即我们想要预测的结果值，这个问题可以是: 分类 : 样本属于两个或更多个类，我们想从已经标记的数据中学习如何预测未标记数据的类别。 分类问题的一个例子是手写数字识别，其目的是将每个输入向量分配给有限数目的离散类别之一。 我们通常把分类视作监督学习的一个离散形式（区别于连续形式），从有限的类别中，给每个样本贴上正确的标签。 回归 : 如果期望的输出由一个或多
啊啊啊啊啊吖
2018-11-30
SVC和NuSVC为多元分类实现了 “one-against-one” 的方法 (Knerr et al., 1990) 如果n_class是类别的数量, 那么n_class*(n_class-1)/2分类器被重构, 而且每一个从两个类别中训练数据. 为了给其他分类器提供一致的交互,decision_function_shape选项允许聚合 “one-against-one” 分类器的结果成(n_
啊啊啊啊啊吖
2018-11-30
支持向量机的优势在于: 在高维空间中非常高效. 即使在数据维度比样本数量大的情况下仍然有效. 在决策函数（称为支持向量）中使用训练集的子集,因此它也是高效利用内存的. 通用性: 不同的核函数 核函数 与特定的决策函数一一对应.常见的 kernel 已 经提供,也可以指定定制的内核. 支持向量机的缺点包括: 如果特征数量比样本数量大得多,在选择核函数 核函数 时要避免过拟合, 而且正则化项是非常
啊啊啊啊啊吖
2018-11-30
特征选择通常在实际的学习之前用来做预处理。在 scikit-learn 中推荐的方式是使用 :sklearn.pipeline.Pipeline: clf = Pipeline([ ('feature_selection', SelectFromModel(LinearSVC(penalty="l1"))), ('classification', RandomForestClassifier()
啊啊啊啊啊吖
2018-11-29
基于树的 estimators 可以用来计算特征的重要性，然后可以消除不相关的特征（当与 sklearn.feature_selection.SelectFromModel 等元转换器一同使用时）: >>>>>> from sklearn.ensemble import ExtraTreesClassifier >>> from sklearn.datasets import load_iris
啊啊啊啊啊吖
2018-11-29
Linear models 使用 L1 正则化的线性模型会得到稀疏解：他们的许多系数为 0。 当目标是降低使用另一个分类器的数据集的维度， 它们可以与 feature_selection.SelectFromModel 一起使用来选择非零系数。特别的，可以用于此目的的稀疏评估器有用于回归的 linear_model.Lasso , 以及用于分类的 linear_model.LogisticRegr
啊啊啊啊啊吖
2018-11-29
>>> from sklearn import linear_model >>> X = [[0., 0.], [1., 1.], [2., 2.], [3., 3.]] >>> Y = [0., 1., 2., 3.] >>> reg = linear_model.BayesianRidge() >>> reg.fit(X, Y) BayesianRidge(alpha_1=1e-06, alp
啊啊啊啊啊吖
2018-11-29
最小角回归 （LARS） 是对高维数据的回归算法， 由 Bradley Efron, Trevor Hastie, Iain Johnstone 和 Robert Tibshirani 开发完成。 LARS 和逐步回归很像。在每一步，它寻找与响应最有关联的 预测。当有很多预测有相同的关联时，它没有继续利用相同的预测，而是在这些预测中找出应该等角的方向。 LARS的优点: 当 p >> n，该算法
啊啊啊啊啊吖
2018-11-29
通过内置的 Alpha 参数的交叉验证来实现岭回归。 该对象与 GridSearchCV 的使用方法相同，只是它默认为 Generalized Cross-Validation(广义交叉验证 GCV)，这是一种有效的留一验证方法（LOO-CV）: >>>>>> from sklearn import linear_model >>> reg = linear_model.RidgeCV(alph
啊啊啊啊啊吖
2018-11-29
def lasso_penalty(beta, alpha): return alpha * sum(abs(beta_i) for beta_i in beta[1:]) 总的说来，岭回归的惩罚项会缩小系数，但是， lasso 的惩罚项却趋向于迫使系数变为 0 值，这使得它更适于学习稀疏模型。 令人遗憾的是，它不适用于梯度下降法。
啊啊啊啊啊吖
2018-11-29
