天池龙珠-机器学习 task01

逻辑回归

关于seaborn库

和matplotlib搭配使用

参数说明

• set_style()是用来设置主题的，Seaborn有五个预设好的主题： darkgrid , whitegrid , dark , white ,和 ticks 默认： darkgrid
  import matplotlib.pyplot as plt
  import seaborn as sns
  sns.set_style(“whitegrid”)
  plt.plot(np.arange(10))
  plt.show()
• set( )通过设置参数可以用来设置背景，调色板等，更加常用。
  import seaborn as sns
  import matplotlib.pyplot as plt
  sns.set(style=“white”, palette=“muted”, color_codes=True) #set( )设置主题，调色板更常用
  plt.plot(np.arange(10))
  plt.show()

详见链接https://www.cnblogs.com/gczr/p/6767175.html

plt.annotate()函数用于标注文字。
sns.pairplot()
关于hue参数：
ow，col和hue。前两者与所得轴数有明显的对应关系;将hue变量视为沿着深度轴的第三维，其中不同的级别用不同的颜色绘制。及用颜色表示hue所代表的类别分类。
pairplot:pair是成对的意思，即是说这个用来展现变量两两之间的关系，线性、非线性、相关等等

逻辑回归 原理简介：

Logistic回归虽然名字里带“回归”，但是它实际上是一种分类方法，主要用于两分类问题（即输出只有两种，分别代表两个类别），所以利用了Logistic函数（或称为Sigmoid函数），函数形式为：
$$logi(z)=\frac{1}{1+e^{-z}}$$

其对应的函数图像可以表示如下:

XGBoost

严格意义上讲XGBoost并不是一种模型，而是一个可供用户轻松解决分类、回归或排序问题的软件包。它内部实现了梯度提升树(GBDT)模型，并对模型中的算法进行了诸多优化，在取得高精度的同时又保持了极快的速度，在一段时间内成为了国内外数据挖掘、机器学习领域中的大规模杀伤性武器.

XGBoost的主要优点：

简单易用。相对其他机器学习库，用户可以轻松使用XGBoost并获得相当不错的效果。
高效可扩展。在处理大规模数据集时速度快效果好，对内存等硬件资源要求不高。
鲁棒性强。相对于深度学习模型不需要精细调参便能取得接近的效果。
XGBoost内部实现提升树模型，可以自动处理缺失值。
XGBoost的主要缺点：

相对于深度学习模型无法对时空位置建模，不能很好地捕获图像、语音、文本等高维数据。
在拥有海量训练数据，并能找到合适的深度学习模型时，深度学习的精度可以遥遥领先XGBoost。
注：有关searborn库画图的一些其他操作
参考官方文档
https://www.cntofu.com/book/172/docs/16.md