qq_44910084的博客

新的知识点对于多个非数值标签转化为数值label，产生字典from sklearn.preprocessing import LabelEncoderle = LabelEncoder()le.fit(df['label'])df['label'] = le.transform(df['label'])label_map = dict(zip(le.classes_, le.transform(le.classes_)))label_inv_map = {v: k for k, v in

线性回归求解一个线性模型，使得真实数据点距离模型的欧氏距离最短。适用于求解真实值的预测问题。学习pytorchStep1# torch.normal(means, std, out=None)# 返回一个张量，包含从给定参数means,std的离散正态分布中抽取随机数。# torch.matmul# 做乘法def synthetic_data(w, b, num_examples): x = torch.normal(0, 1, (num_examples, len(w)))

一些基本名词不做解释了，主要记录一下求导（pytorch实现）x = torch.arange(4, dtype = torch.float32)x.requires_grad_(True)y = 2 * torch.dot(x, x)y.backward()x.gradResulttensor([ 0., 4., 8., 12.])解释：x.requires_grad_(True)：使得x可以被求导，要对x求导必须有这句y.backward()指的是哪个函数对x求导，下面举个例

SeriesSeries是一个带标签的一维数组Series的创建方式列表创建b = pd.Series([9, 8, 7, 6], index = ['a', 'b','c', 'd'])标量创建s = pd.Series(25, index = ['a', 'b', 'c']) #不能省略index从字典创建d = pd.Series({'a' : 9, 'b' : 8, 'c' : 7})# 改变形状d = pd.Series({'a' : 9, 'b' : 8, '

Numpy修改Numpy有着严格的数据类型，umpy数组类型取决于数组中的每一个元素（和优先级有关，如 int 和 float 类型同时存在，则数组类型为 float。但是可以使用构造函数 dtype 来指定一个类型切片切片操作中，上限元素是不被包含在内的，有着左右之分，正数为左负数为右a = [1, 2, 3, 4]print(a[0:3])结果为[1, 2, 3]可以看出 （上限 - 下限 = 结果长度）还可以进行参数的省略array[左边位置:右边位置]，省略后默认左边从第