Remarques sur la grammaire Python de l'apprentissage automatique PyQ

Objectif

Laissez une note pour vous souvenir de ce que vous avez appris dans pyq

pandas

À propos du dessin

・ Lors du dessin d'un histogramme, `` plt.hist ''

plt.hist(df[df["y"] == 1]["x"], label="men 16years old", bins=100, range = (140, 187), alpha = 0.3, color = "green") (df est des données csv)

1. df[df["y"] == 1]["x"] Dans df, la valeur de la ligne lorsque la colonne est y == 1
2. label="men 16years old" Description de l'étiquette
3. bins=100 Classe largeur 1 classe = plage / bacs
4. alpha=0.3 Transparence du graphique

plt.xlabel (" height [cm] "): titre de l'axe des x plt.legend ();: Afficher la description des données

・ Lors du dessin d'un diagramme de dispersion, plt.scatter plt.scatter(men["height"], men["weight"], color="green") Le premier argument est la valeur sur l'axe horizontal dans les données. Le second argument est la valeur sur l'axe vertical dans les données.

・ Lors du dessin d'une matrice de diagramme de dispersion pd.plotting.scatter_matrix(df)

DataFrame · Extraire les valeurs de colonne Spécifiez le nom de la colonne comme df [[" teneur en alcool "," densité "]] df.iloc (ligne à récupérer, colonne à récupérer) Utilisez df.iloc

・ Divisez les données pour la formation et l'évaluation (test) Utilisez train_test_split from sklearn.model_selection import train_test_split (X_train, X_test, y_train, y_test) = train_test_split( X, y, test_size=0.3, random_state=0 ) test_size = 0.3 est le pourcentage des données utilisé pour les tests random_state = 0 Valeur de départ aléatoire lors de la division des données (généralement non utilisée)

Arbre de décision

L'arbre de décision est "une série d'instructions if qui apprennent automatiquement les conditions"

Numpy

** Comment créer un tableau multidimensionnel avec les mêmes éléments ** zéros (taille): tableau multidimensionnel avec tous les éléments 0 ones (taille): tableau multidimensionnel avec tous les éléments 1 full (size, value): un tableau multidimensionnel de valeurs pour tous les éléments zeros_like (tableau multidimensionnel): tableau multidimensionnel avec tous les 0 éléments ones_like (tableau multidimensionnel): tableau multidimensionnel avec les 1 éléments full_like (tableau multidimensionnel, valeur): Un tableau multidimensionnel dans lequel tous les éléments sont des valeurs

** Données continues ** arange ([start,] stop [, step,], dtype = None): création de données continue comme plage linspace (start, stop, num = 50, endpoint = True, retstep = False, dtype = None): Création de données continue lorsque la plage à créer et le nombre de nombres sont déterminés

** Matrice unitaire et matrice diagonale ** numpy.eye: matrice d'unité avec les 1 diagonales numpy.diag: toute matrice diagonale

Critère d'évaluation

La norme d'évaluation est le type de mesure La norme d'évaluation est l'échelle de la mesure