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。