python内置函数大全及使用,python内置函数大全表

  python内置函数大全及使用,python内置函数大全表

  reduce()reduce(函数,可迭代)

  Add (x,y): #将两个数相加

  返回x y

  1=reduce (add,[1,2,3,4,5]) #计算列表总和:1 2 3 4 5

  Sum=reduce (lambda x,y: x y,[1,2,3,4,5]) #使用lambda匿名函数

  打印(sum1)

  Print (sum2) input(),raw _ input () raw _ input()将所有输入视为字符串,并返回字符串类型。

  Input()只能接受“数字”输入。

  a=输入( input:)

  输入:123

  a=raw_input(input:)

  输入:123np.power(x,y)计算x的y次方。

  三维数组切片。如果检索对象是三维数组,那么切片应该是x[:],里面有两个冒号,分为三个区间。三个区间的前、中、后分别代表物体的第0、1、2维。

  Python错误和异常1.try/except2.try/except…else3.try/except…else/finally 1单变量线性回归模型表示:

  成本函数、平方误差函数:

  梯度下降解成本函数;

  多元线性回归与单变量回归相同。

  成本python代码:

  def计算成本(x,y,theta):

  inner=NP . power((x * theta。T)-y),2)

  返回np.sum (inner)/(2 * len (x)) 1。梯度下降法:特征缩放

  实际情况:特征值之间在尺度上差别很大,比如:房子的大小,房间的多少。大小的值是0-2000平方英尺,而房间数量的值是0-5。

  方法:尽可能在-1和1之间缩放所有特征尺度。

  公式:

  2.特征和多项式回归

  3逻辑回归模型

  将numpy作为np导入

  定义乙状结肠(z):

  1/(1np.exp (-z))成本函数

  将numpy作为np导入

  定义成本(,x,y):

  =NP矩阵()

  x=np .矩阵(x)

  y=np .矩阵(y)

  first=np.multiply(-y,np.log(sigmoid(x*theta。t)))

  秒=np.multiply((1-y),np.log(1-sigmoid(x*theta。t)))

  返回NP。sum ((first-second)/len (x))过程建立模型,求代价函数,用梯度下降法求代价函数。

  还有其他算法来最小化成本函数:共轭梯度,局部优化,有限记忆局部优化。

  多类别分类:一对多

  比如原理,有三种,三角形,正方形,x形。让我们从代表类别1的三角形开始。事实上,我们创建了一个新的“伪”训练集。2型和3型定位负类,把正方形和x形看成圆形,等等。

  4正则化4.1过拟合问题

  处理方法:

  1.舍弃一些不能帮助我们正确预测的特征,手动选择一些特征,或者通过模型PCA的某种算法帮助选择。

  2.正则化,保留所有特征并减少参数大小。

  如果高阶项的系数接近于0,我们可以很好地拟合它。

  5计算成本函数偏导数的神经网络方法111反向传播算法

  6应用机器学习的建议当我们用训练好的模型预测未知数据时,发现误差很大。下一步我们应该做什么?

  1.获取更多的培训示例,通常是有效的,但代价高昂——解决高方差问题。

  2.尝试减少功能的数量解决高差异

  3.尝试获得更多功能解决高偏差

  4.尝试添加多项式特征-解决高偏差

  5.尽量降低正则化程度——解决高偏差。

  6.尝试增加正则化程度以解决高方差。

  6.1模型选择和交叉验证集模型选择的方法:

  场景:使用60%的数据作为训练集。使用20%的数据作为交叉验证集,20%的数据作为测试集。

  1.使用训练集训练了10个模型。

  2.交叉验证误差(成本函数值)通过使用交叉验证集的10个模型来计算。

  3.选择具有最小成本函数的模型。

  4.使用步骤3中选择的模型从测试集中计算泛化误差(成本函数值)。

  6.2诊断偏倚和方差的原则:算法性能不理想。一般偏差大或者方差大。换句话说,发生的要么是欠拟合,要么是过拟合。确定它是否与偏差或方差有关。

  训练集和交叉验证集的代价函数误差与多项式次数的关系;

  从上图可以看出,当训练误差和交叉验证集误差近似时,就是偏差/欠拟合。

  交叉验证集误差远大于训练误差时的方差/过度拟合

  我们通常使用正则化来防止过拟合。我们选择一系列测试的值,通常是0到10之间的值(如:0,0.01,0.02,0.04,0.08,0.015等。12),并将数据分为训练集、交叉验证集和测试集。

  选择方法:

  1.使用训练集训练了12个不同正则化程度的模型。

  2.用12个模型计算交叉验证集的交叉验证误差。

  3.选择交叉验证误差最小的模型。

  4.使用步骤3中选择的模型计算测试机器的泛化误差。

  构建学习算法的推荐方法1。从一个可以快速实现的简单算法开始,实现算法并用交叉验证集测试算法。

  2.画一条学习曲线,决定是否添加更多数据、更多功能或其他选项。

  3.进行误差分析,在交叉验证集中手动检查我们算法中预测误差的例子,看这些例子是否有系统的趋势。

  分类误差测量的评估。准确

  2.召回率

  3.精确度和召回率之间的权衡

  计算F1值的公式

  转载请联系作者获得授权,否则将追究法律责任。

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

相关文章阅读

  • 基本python内置函数eval作用,Python中eval函数
  • 基本python内置函数eval作用,Python中eval函数,python内置函数之eval函数详解
  • python内置函数可以返回列表元组,python内置函数可以返回
  • python内置函数及作用,举例说明Python中内置函数的应用和作用
  • jieba库是python内置函数库,可以直接使用,Python中jieba库
  • python divmod用法,python内置函数divmod
  • divmod在python中含义,python内置函数divmod
  • 查看python内置函数的类型,用什么命令,查看变量内存地址的python内置函数是什么
  • python中常见的内置函数,python内置函数及用法
  • python内置函数大全解释,python内置函数的使用方法
  • python open语句,python内置函数open()的参数用来指定打开文本文件
  • python内置函数大全解释,菜鸟教程python内置函数_2
  • 菜鸟教程python内置函数,python68个内置函数
  • python内置函数大全解释,菜鸟教程python内置函数_1
  • python内置函数的使用方法,菜鸟教程python内置函数_1
  • 留言与评论(共有 条评论)
       
    验证码: