lvchunyang66的博客

try-except-else代码块的工作原理大致如下：Python尝试执行try代码块中的代码，只有可能引发异常的代码才需要放在try语句中。有时候，有一些仅在try代码块成功执行时才需要运行的代码，这些代码应该放在else代码块中。except代码块告诉python，如果它尝试运行try代码块中的代码时引发了指定的异常，该怎么办。通过预测可能发生错误的代码，可编写健壮的程序，它们即便面临无效数据或缺少资源，也能继续运行，从而能够抵御无意的用户错误和恶意的攻击。print("Give me tw

RT可以通过os.chdir()将终端运行的目录和pycharm文件运行目录保持一致

在学习python 过程中，很多用法，大家都知道可以这样用，不能那么用，但是很多时候，为啥么不能那么用，关心的人不多，知其所以然，对于学习是很有必要的，有助于我们加深理解。多了解总没有坏处的。1.自定义函数时，有默认值的形参应放在无默认值的形参之后在定义函数时，如果有默认值的形参放在无默认值的形参之前，在函数调用时，python依然会将带入函数的实参作为位置实参传递给第一个形参，这样，会导致无默认值的形参得不到实参传入。因此，有默认值的形参需要在无默认值的形参之后，否则将会有如下报错信息。...

在很多项目上，随着编写的程序越来越长，很有必要对一些代码格式设置约定，有一个良好的coding规范，是极好的。让你的代码尽可能易于阅读；让代码易于阅读有助于你掌握程序是做什么的，也可以帮助别人理解你编写的代码。要成为专业程序员，应从一开始就遵循以下指南，养成良好的习惯。缩进：建议每级缩进都使用四个空格，这既可以提高可读性，又留下了足够的多级缩进空间。行长：很多Python 程序员都建议每行不超过80个字符，PEP8建议注释的行长都不应超过72个字符，因为有些工具为大型项目自动生成文档时，会在每行注释开

在处理数据时，一些变量的值是非数值型的，如区间、中文汉字或者英文等等，在python中，很多时候，上述的数据类型是不能带入模型的，这就需要我们进行处理。常见的处理方式有两种，一种是独热编码，即python里面sklearn.preprocessing的OneHotEncoder；另一种是sklearn.preprocessing的LabelEncoder来打标签编码。第一种方法本文暂不说，主要说一下第二种方法中，LabelEncoder的排序问题。将非数值型变量进行编码，首先要考虑的问题，编码肯定不是

一、简介set_option是pandas里的一个函数，用法为pandas.set_option(pat, value)，主要作用是设置一些指定参数的值。供设置的选项如下，后面会逐一进行介绍compute.[use_bottleneck, use_numexpr]display.[chop_threshold, colheader_justify, column_space, date_...

一、一般过程：确定研究对象 → 收集数据 → 画变量散点图 → 设计、估计、诊断、检验模型、分析回归参数、预测。1.确定研究对象：略2. 收集数据：略3. 画变量散点图：一定要养成习惯，画变量散点图。4. 设计、估计、诊断、检验模型、分析回归参数、预测：本书重点二、一元线性回归模型1.模型的建立及假定条件一元线性回归模型：2.最小二乘估计（OLS）注意：残差是对随机误差项的...

validation_curve()的位置在之前，此函数位置在sklearn.learning_curve.validation_curve()，现在，此函数的位置在sklearn.model_selection.validation_curve()。validation_curve()的作用我们知道误差是由偏差（bias）、方差（variance）、噪声（noise）组成。偏差：模型对于...

机器学习算法中，一些算法要求数据符合正态分布，但是对于一些标签和特征来说，分布不一定符合正态分布，这个要怎么处理呢？一个现在比较常见的方式是将数据进行Log变，即取对数，这样可以使得数据在一定程度上符合正态分布的特征。效果如下图所示：（转换前）（转换后）...

此文主要根据scikit-learn官方文档而来， 中间插入了一些个人比较容易理解的注释。通过roc-auc曲线来比对不同算法组合的效果，算法包括：RT+LR、RF、RF+LR、GBDT、GBDT+LR，结果表明，通过GBDT算法fit后，进行OneHot transformation，然后再进行LR Classification的效果是最好的。在工业生产上，也有多家企业将GBDT+LR最为生...

Bagging分类器组合：sklearn.ensemble.bagging.BaggingClassifierBagging回归器组合：sklearn.ensemble.bagging.BaggingRegressorAdaBoost分类器组合：sklearn.ensemble.AdaBoostClassifierAdaBoost回归器组合：sklearn.ensemble.AdaBoost...

决策树是一种基本的分类与回归方法。本章主要讨论用于分类的决策树。决策树模型呈树形结构，在分类问题中，表示基于特征对实例进行分类的过程。它可以认为是if-then规则的集合 ，也可以认为是定义在特征空间与类空间上的条件概率分布。其主要优点是模型具有可读性，分类速度快。学习时，利用训练数据，根据损失函数最小化的原则建立决策树模型。预测时，对新的数据，利用决策树模型进行分类。决策树学习通常包括3个步...

朴素贝叶斯（naive Bayes）是基于贝叶斯定理与特征条件独立假设的分类方法。对于给定的训练数据集，首先基于特征条件独立假设学习/输出的联合概率分布；然后基于此模型，对于给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。朴素贝叶斯法实现简单，学习与预测的效率都很高，是一种常用的方法。本章叙述朴素贝叶斯法，包括朴素贝叶斯法的学习与分类、朴素贝叶斯法的参数估计法。朴素贝叶斯法通过训练数据集...

感知机是二类分类的线性分类模型，其输入为实例多多特征向量，输出为实例的类别，取+1和-1二值。感知机对应于输入空间（特征空间）中将实例划分为正负梁飞的分离超平面，属于判别模型。感知机学习旨在求出将训练数据进行线性划分的分离超平面，为此，导入基于误分类的损失函数，利用梯度下降法对损失函数进行极小化，求得感知机模型。感知机学习算法具有简单而易于实现的优点，分为原始形式和对偶形式。感知机预测是用学习...

apply用法根据关键字 sortDICT+map 快速映射