Scikit-Learn各算法详细参数速查手册(中文)

最新推荐文章于 2024-05-31 23:57:57 发布

置顶

ice_martin

最新推荐文章于 2024-05-31 23:57:57 发布

阅读量9.9k

点赞数 12

分类专栏：机器学习文章标签：算法

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/ice_martin/article/details/75670115

版权

Scikit-Learn各算法详细参数速查手册(中文)

martin

Scikit-Learn各算法详细参数速查手册中文

1. 线性模型

1.1 线性回归

LinearRegression是scikit-learn提供的线性回归模型，其原型为：
class sklearn.linear_model.LinearRegression(fit_intercept=True, normalize=False, copy_X=True, n_jobs=1)

[x] 导包
- from sklearn.linear_model import LinearRegression
[x] 参数
- fit_intercept : 一个布尔值，指定是否需要计算b值。如果为False，那么不计算b值。
- normalize : 一个布尔值。如果为True，那么训练样本会在回归之前被归一化。
- copy_X : 一个布尔值。如果为True，则会被复制。
- n_jobs : 一个正数。任务并行时指定的CPU数量。如果为-1则使用所有可用的CPU。
[x] 属性
- coef_ : 权重向量。
- intercept_ : 截距b值。
[x] 方法
- fit(X,y) : 训练模型。
- predict(X) : 用模型预测，返回预测值。
- score(X,y) : 返回性能得分。设预测集为 $T_{test}$ ，真实值为 $y_i$ ，真实值的均值为 $\bar y$ ，预测值为 $\hat y_i$ ，则：
  $s c o r e = 1 - \sum T t e s t ( y i - y ^ i ) 2 ( y i - y ¯ ) 2$ $score = 1 - {\sum{T_{test}}(y_i-\hat y_i)^2 \over (y_i-\bar y)^2}$

1.2 线性回归的正则化

1.2.1 Lasso回归（L1正则）

原型为：
class sklearn.linear_model.Lasso(alpha=1.0,fit_intercept=True,normalize=False,precompute=False,
copy_X=True,max_iter=1000,tol=0.0001,warm_start=False,positive=False,random_state=None,
selection=’cyclic’)

[x] 导包
- from sklearn.linear_model import Lasso
[x] 参数
- alpha : $\alpha$ 值，其值越大则正则化项的占比越大。
- fit_intercept ：一个布尔值，指定是否需要计算b值。如果为False，那么不计算b值。
- max_iter : 一个整数，指定最大迭代次数。
- normalize :一个布尔值。如果为True，那么训练样本会在回归之前被归一化。
- copy_X : 一个布尔值。如果为True，则会被复制。
- precompute : 一个布尔值或者一个序列。决定是否提前计算Gram矩阵来加速计算。
- tol : 一个浮点数，指定判断迭代收敛与否的阈值
- warm_start : 一个布尔值。如果为True，那么使用前一次训练结果继续训练。否则从头开始训练
- positive : 一个布尔值。如果为True，那么要求权重向量的分量都为正数。
- selection : 一个字符串，可以为‘cyclic’或者‘random’。它指定了当每轮迭代的时候，选择权重向量的那个分量来更新。
  - cyclic：更新的时候，从前向后依次选择权重向量的一个分量来更新。
  - random：更新的时候，随机选择权重向量的一个分量来更新。
- random_state : 一个整数或者一个RandomState实例，或者None。
  - 整数，则指定了随机数生成器的种子。
  - RandomState，则指定了随机数生成器。
  - None，则默认使用随机数生成器。
[x] 属性
- coef_ : 权重向量。
- intercept_ : 截距b值。
- n_iter_ : 实际迭代次数。
[x] 方法
- fit(X,y) : 训练模型。
- predict(X) : 用模型预测，返回预测值。
- score(X,y) : 返回性能得分。设预测集为 $T_{test}$ ，真实值为 $y_i$ ，真实值的均值为 $\bar y$ ，预测值为 $\hat y_i$ ，则：
  $s c o r e = 1 - \sum T t e s t ( y i - y ^ i ) 2 ( y i - y ¯ ) 2$ $score = 1 - {\sum{T_{test}}(y_i-\hat y_i)^2 \over (y_i-\bar y)^2}$

1.2.2 岭回归（L2正则）

原型为：
class sklearn.linear_model.Ridge(alpha=1.0, fit_intercept=True, normalize=False, copy_X=True, max_iter=None, tol=0.001, solver=’auto’, random_state=None)

[x] 导包
- from sklearn.linear_model import Ridge
[x] 参数
- alpha : $\alpha$ 值，其值越大则正则化项的占比越大。
- fit_intercept ：一个布尔值，指定是否需要计算b值。如果为False，那么不计算b值。
- max_iter : 一个整数，指定最大迭代次数。
- normalize :一个布尔值。如果为True，那么训练样本会在回归之前被归一化。
- copy_X : 一个布尔值。如果为True，则会被复制。
- solver : 一个字符串，指定求解最优化问题的算法。可以为：
  - auto : 根据数据集自动选择算法。
  - svd :使用奇异值分解计算回归系数。
  - cholesky :使用scipy.linalg.solve函数来求解。
  - sparse_cg :使用scipy.sparse.linalg.cg函数来求解。
  - lsqr :使用scipy.sparse.linalg.lsqr函数来求解。
  - sag :使用随机梯度下降来求解
- tol : 一个浮点数，指定判断迭代收敛与否的阈值
- random_state : 一个整数或者一个RandomState实例，或者None。
  - 整数，则指定了随机数生成器的种子。
  - RandomState，则指定了随机数生成器。
  - None，则默认使用随机数生成器。
[x] 属性
- coef_ : 权重向量。
- intercept_ : 截距b值。
- n_iter_ : 实际迭代次数。
[x] 方法
- fit(X,y) : 训练模型。
- predict(X) : 用模型预测，返回预测值。
- score(X,y) : 返回性能得分。设预测集为 $T_{test}$ ，真实值为 $y_i$ ，真实值的均值为 $\bar y$ ，预测值为 $\hat y_i$ ，则：
  $s c o r e = 1 - \sum T t e s t ( y i - y ^ i ) 2 ( y i - y ¯ ) 2$ $score = 1 - {\sum{T_{test}}(y_i-\hat y_i)^2 \over (y_i-\bar y)^2}$

1.2.3 ElasticNet（弹性网络正则）

原型为：
class sklearn.linear_model.ElasticNet(alpha=1.0, l1_ratio=0.5, fit_intercept=True, normalize=False, precompute=False, max_iter=1000, copy_X=True, tol=0.0001, warm_start=False, positive=False, random_state=None, selection=’cyclic’)

[x] 导包
- from sklearn.linear_model import ElasticNet
[x] 参数
- alpha : $\alpha$ 值，其值越大则正则化项的占比越大。
- l1_ratio : $\rho$ 值。公式为：
  $α ρ | | ω | | 1 + α ( 1 - ρ ) 2 | | ω | | 22 ， α \geq 0 ， 0 \leq ρ \leq 1$ $\alpha\rho||\omega||_1 + {\alpha(1-\rho)\over 2}||\omega||_2^2，\alpha\geq 0，0\leq\rho\leq1$
- fit_intercept ：一个布尔值，指定是否需要计算b值。如果为False，那么不计算b值。
- max_iter : 一个整数，指定最大迭代次数。
- normalize :一个布尔值。如果为True，那么训练样本会在回归之前被归一化。
- copy_X : 一个布尔值。如果为True，则会被复制。
- precompute : 一个布尔值或者一个序列。决定是否提前计算Gram矩阵来加速计算。
- tol : 一个浮点数，指定判断迭代收敛与否的阈值
- warm_start : 一个布尔值。如果为True，那么使用前一次训练结果继续训练。否则从头开始训练
- positive : 一个布尔值。如果为True，那么要求权重向量的分量都为正数。
- selection : 一个字符串，可以为‘cyclic’或者‘random’。它指定了当每轮迭代的时候，选择权重向量的那个分量来更新。
  - cyclic：更新的时候，从前向后依次选择权重向量的一个分量来更新。
  - random：更新的时候，随机选择权重向量的一个分量来更新。
- random_state : 一个整数或者一个RandomState实例，或者None。
  - 整数，则指定了随机数生成器的种子。
  - RandomState，则指定了随机数生成器。
  - None，则默认使用随机数生成器。
[x] 属性
- coef_ : 权重向量。
- intercept_ : 截距b值。
- n_iter_ : 实际迭代次数。
[x] 方法
- fit(X,y) : 训练模型。
- predict(X) : 用模型预测，返回预测值。
- score(X,y) : 返回性能得分。设预测集为 $T_{test}$ ，真实值为 $y_i$ ，真实值的均值为 $\bar y$ ，预测值为 $\hat y_i$ ，则：
  $s c o r e = 1 - \sum T t e s t ( y i - y ^ i ) 2 ( y i - y ¯ ) 2$ $score = 1 - {\sum{T_{test}}(y_i-\hat y_i)^2 \over (y_i-\bar y)^2}$

1.3 逻辑回归

Logistic Regression是scikit-learn提供的逻辑回归模型，其原型为：
class sklearn.linear_model.LogisticRegression(penalty=’l2’, dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver=’liblinear’, max_iter=100, multi_class=’ovr’, verbose=0, warm_start=False, n_jobs=1)

[x] 导包
- from sklearn.linear_model import LogisticRegression
[x] 参数
- penalty : 一个字符串，指定了正则化策略。
  - l2 : 优化目标为 ${1\over2}||\vec{\omega}||_2^2+CL(\vec{\omega})$ 。
  - l1 : 优化目标为 ${1\over2}||\vec{\omega}||_1+CL(\vec{\omega})$ 。
- dual : 一个布尔值。如果为True，则求解对偶形式(只在penalty=‘l2’且solver=‘liblinear’有对偶形式)，如果为False，则求解原始形式。
- C : 一个浮点数。它指定了罚项系数的倒数。如果它的值越小，则正则化项越大。
- fit_intercept : 一个布尔值，指定是否需要计算b值。如果为False，那么不计算b值。
- intercept_scaling : 一个浮点数。只有当solver=‘liblinear’才有意义。当采用fit_intercept时，相当于人造了一个特征，该特征恒为1，其权重为b。在计算正则化项的时候，该人造特征也被考虑了。因此为了降低这个人造特征的影响，需要提供intercept_scaling。
- class_weight : 一个字典或者字符串‘balanced’。
  - 字典 : 字典给出每个分类的权重。
  - balanced : 每个分类的权重与该分类在样本集中出现的频率成反比。
  - 未指定 : 每个分类权重都为1。
- max_iter : 一个整数，制定最大迭代数。
- random_state :一个整数或者一个RandomState实例，或者None。
  - 整数，则指定了随机数生成器的种子。
  - RandomState，则指定了随机数生成器。
  - None，则默认使用随机数生成器。
- solver : 一个字符串，指定了求解最优化的算法，可以为：
  - newton-cg : 使用牛顿法。只适用于penalty=‘l2’。
  - lbfgs : 使用L-BFGS拟牛顿法。只适用于penalty=‘l2’。
  - liblinear : 使用liblinear，适用于小数据集。
  - sag : 使用Stochastic Average Gradient Descent算法，适用于大数据集。只适用于penalty=‘l2’。
- tol : 一个浮点数，指定判断迭代收敛与否的阈值
- multi_class : 一个字符串，指定对于多分类问题的策略，可以为：
  - ovr : 采用one-vs-rest策略。
  - multinomial : 直接采用多分类逻辑回归策略，不能与liblinear共存。
- verbose : 一个正数。用于开启关闭迭代中输出日志。
- warm_start: 一个布尔值。如果为True，那么使用前一次训练结果继续训练。否则从头开始训练
- n_jobs : 一个正数。任务并行时指定的CPU数量。如果为-1则使用所有可用的CPU。
[x] 属性
- coef_ : 权重向量。
- intercept_ :b值。
- n_iter :实际迭代次数。
[x] 方法
- fit(X,y) : 训练模型。
- predict(X) : 用模型预测，返回预测值。
- predict_log_proba(X) : 返回一个数组，数组的元素依次是X预测为各个类别的概率的对数值。
- predict_proba(X) : 返回一个数组，数组的元素依次是X预测为各个类别的概率值。
- score(X,y) : 返回在(X,y)上预测的准确率(accuracy)。

1.4 线性判别分析

LinearDiscriminationAnalysis是scikit-learn提供的线性判别分析模型，其原型为：
class sklearn.discriminant_analysis.LinearDiscriminantAnalysis(solver=’svd’, shrinkage=None, priors=None, n_components=None, store_covariance=False, tol=0.0001)[source]

[x] 导包
- from sklearn.discriminant_analysis import LinearDiscriminantAnalysis
[x] 参数
- solver : 一个字符串，指定求解最优化问题的算法，可以为：
  - svd：奇异值分解，对于有大规模特征的数据推荐用此种算法。
  - lsqr：最小平方QR分解法，可以结合shrinkage，适合大且稀疏的矩阵。
  - eigen：特征值分解法，可以结合shrinkage。
- shrinkage : 字符串‘auto’或者浮点数或者None。该参数通常在训练样本数量小于特征数量的场合下使用。该参数只有在solver=lsqr或者eigen下才有意义。
- priors : 一个数组，数组中的元素依次指定了每个类别的先验概率。如果为None，则认为每个类别的先验概率是均等的。
- n_components :
- store_covariance :
- tol :
[x] 属性
- coef_ : 权重向量。
- intercept_ : b值。
- covariance :一个数组，依次给出每个类别的协方差矩阵。
- means_ : 一个数组，依次给出每个类别的均值向量。
- xbar_ : 给出了整体样本的均值向量。
- n_iter : 实际迭代次数。
[x] 方法
- fit(X,y) : 训练模型。
- predict(X) : 用模型预测，返回预测值。
- predict_log_proba(X) : 返回一个数组，数组的元素依次是X预测为各个类别的概率的对数值。
- predict_proba(X) : 返回一个数组，数组的元素依次是X预测为各个类别的概率值。
- score(X,y) : 返回在(X,y)上预测的准确率(accuracy)。

2. 决策树

2.1 回归决策树

DescisionTreeRegressor实现了回归决策树，用于回归问题，其原型为：
class sklearn.tree.DecisionTreeRegressor(criterion=’mse’, splitter=’best’, max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_split=1e-07, presort=False)[source]

[x] 导包
- from sklearn.tree import DecisionTreeRegressor
[x] 参数
- criterion : 一个字符串，指定切分质量的评价标准。默认为‘mse’，且只支持该字符串，表示均方误差。
- splitter : 一个字符串，指定切分原则，可以为：
  - best : 表示选择最优的切分。
  - random ：表示随机切分。
- max_features : 可以为整数、浮点、字符或者None，指定寻找best split时考虑的特征数量。
  - 如果是整数，则每次切分只考虑max_features个特征。
  - 如果是浮点数，则每次切分只考虑max_features*n_features个特征(max_features指定了百分比)。
  - 如果是字符串‘auto’，则max_features等于n_features。
  - 如果是字符串‘sqrt’，则max_features等于sqrt(n_features)。
  - 如果是字符串‘log2’，则max_features等于log2(n_features)。
  - 如果是字符串None，则max_features等于n_features。
- max_depth : 可以为整数或者None，指定树的最大深度。
  - 如果为None，表示树的深度不限(知道每个叶子都是纯的，即叶子结点中的所有样本点都属于一个类，或者叶子中包含小于min_sanples_split个样本点)。
  - 如果max_leaf_nodes参数非None，则忽略此项。
- min_samples_split : 为整数，指定每个内部节点(非叶子节点)包含的最少的样本数。
- min_samples_leaf : 为整数，指定每个叶子结点包含的最少的样本数。
- min_weight_fraction_leaf : 为浮点数，叶子节点中样本的最小权重系数。
- max_leaf_nodes : 为整数或None，指定叶子结点的最大数量。
  - 如果为None，此时叶子节点数不限。
  - 如果非None，则max_depth被忽略。
- class_weight : 一个字典、字典的列表、字符串‘balanced’或者None，他指定了分类的权重。权重形式为：{class_label:weight}
  - 如果为None，则每个分类权重都为1.
  - 字符串‘balanced’表示每个分类的权重是各分类在样本出现的频率的反比。
- random_state : 一个整数或者一个RandomState实例，或者None。
  - 如果为整数，则它指定了随机数生成器的种子。
  - 如果为RandomState实例，则指定了随机数生成器。
  - 如果为None，则使用默认的随机数生成器。
- presort : 一个布尔值，指定了是否要提前排序数据从而加速寻找最优切分的过程。设置为True时，对于大数据集会减慢总体训练过程，但对于小数据集或者设定了最大深度的情况下，则会加速训练过程。
[x] 属性
- feature_importances_ : 给出了特征的重要程度。该值越高，则特征越重要(也称为Gini importance)。
- max_features_ : max_feature的推断值。
- n_features_ : 当执行fit后，特征的数量。
- n_outputs_ : 当执行fit后，输出的数量。
- tree_ : 一个Tree对象，即底层的决策树。
[x] 方法
- fit(X,y) : 训练模型。
- predict(X) : 用模型预测，返回预测值。
- score(X,y) : 返回性能得分。设预测集为 $T_{test}$ ，真实值为 $y_i$ ，真实值的均值为 $\bar y$ ，预测值为 $\hat y_i$ ，则：
  $s c o r e = 1 - \sum T t e s t ( y i - y ^ i ) 2 ( y i - y ¯ ) 2$ $score = 1 - {\sum{T_{test}}(y_i-\hat y_i)^2 \over (y_i-\bar y)^2}$

2.2分类决策树

DescisionTreeClassifier实现了分类决策树，用于分类问题，其原型为：
class sklearn.tree.DecisionTreeClassifier(criterion=’gini’, splitter=’best’, max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, max_features=None, random_state=None, max_leaf_nodes=None, min_impurity_split=1e-07, class_weight=None, presort=False)

[x] 导包
- from sklearn.tree import DecisionTreeClassifier
[x] 参数
- criterion : 一个字符串，指定切分质量的评价标准。可以为：
  - ‘gini’ ：表示切分标准是Gini系数。切分时选取基尼系数小的属性切分。 $数据集基尼指数： G i n i (D) = 1 - \sum k = 1 K (| C k | | D |) 2$ $数据集基尼指数：Gini(D) = 1-\sum_{k=1}^K({|C_k|\over |D|})^2$ $给定特征 A ，根据其是否取某一个可能值 a ，样本集 D 被分为 D 1 和 D 2$ $给定特征A，根据其是否取某一个可能值a，样本集D被分为D_1和D_2$ $G i n i (D, A) = | D 1 | | D | G i n i (D 1) + | D 2 | | D | G i n i (D 2)$ $Gini(D,A) = {|D_1|\over |D|}Gini(D_1)+{|D_2|\over |D|}Gini(D_2)$
  - ‘entropy’ ：表示切分标准是熵。切分时选取熵大的属性切分。数据集总量为 $|D|$ ，共有 $K$ 个类，每个类数量为 $|C_k|$ ，根据特征A可以将数据集切分，每个数据集数量为 $|D_i|:$ $数据集 D 的经验熵： H (D) = - \sum k = 1 K | C k | | D | l o g 2 | C k | | D |$ $数据集D的经验熵：H(D) = -\sum_{k=1}^K{|C_k|\over |D|}log_2{|C_k|\over |D|}$ $特征 A 对数据集 D 的经验条件熵： H (D | A) = \sum i = 1 n | D i | | D | H (D i) = - \sum i = 1 n | D i | | D | \sum k = 1 K | D i k | | D i | l o g 2 | D i k | | D i |$ $特征A对数据集D的经验条件熵：H(D|A) = \sum_{i=1}^n{|D_i|\over |D|}H(D_i)=-\sum_{i=1}^n{|D_i|\over |D|}\sum_{k=1}^K{|D_{ik}|\over |D_i|}log_2{|D_{ik}|\over |D_i|}$ $计算信息增益： g (D, A) = H (D) - H (D | A)$ $计算信息增益：g(D,A) = H(D) - H(D|A)$
- splitter : 一个字符串，指定切分原则，可以为：
  - best : 表示选择最优的切分。
  - random ：表示随机切分。
- max_features : 可以为整数、浮点、字符或者None，指定寻找best split时考虑的特征数量。
  - 如果是整数，则每次切分只考虑max_features个特征。
  - 如果是浮点数，则每次切分只考虑max_features*n_features个特征(max_features指定了百分比)。
  - 如果是字符串‘auto’，则max_features等于n_features。
  - 如果是字符串‘sqrt’，则max_features等于sqrt(n_features)。
  - 如果是字符串‘log2’，则max_features等于log2(n_features)。
  - 如果是字符串None，则max_features等于n_features。
- max_depth : 可以为整数或者None，指定树的最大深度。
  - 如果为None，表示树的深度不限(知道每个叶子都是纯的，即叶子结点中的所有样本点都属于一个类，或者叶子中包含小于min_sanples_split个样本点)。
  - 如果max_leaf_nodes参数非None，则忽略此项。
- min_samples_split : 为整数，指定每个内部节点(非叶子节点)包含的最少的样本数。
- min_samples_leaf : 为整数，指定每个叶子结点包含的最少的样本数。
- min_weight_fraction_leaf : 为浮点数，叶子节点中样本的最小权重系数。
- max_leaf_nodes : 为整数或None，指定叶子结点的最大数量。
  - 如果为None，此时叶子节点数不限。
  - 如果非None，则max_depth被忽略。
- class_weight : 一个字典、字典的列表、字符串‘balanced’或者None，他指定了分类的权重。权重形式为：{class_label:weight}
  - 如果为None，则每个分类权重都为1.
  - 字符串‘balanced’表示每个分类的权重是各分类在样本出现的频率的反比。
- random_state : 一个整数或者一个RandomState实例，或者None。
  - 如果为整数，则它指定了随机数生成器的种子。
  - 如果为RandomState实例，则指定了随机数生成器。
  - 如果为None，则使用默认的随机数生成器。
- presort : 一个布尔值，指定了是否要提前排序数据从而加速寻找最优切分的过程。设置为True时，对于大数据集会减慢总体训练过程，但对于小数据集或者设定了最大深度的情况下，则会加速训练过程。
[x] 属性
- classes_ : 分类的标签值。
- feature_importances_ : 给出了特征的重要程度。该值越高，则特征越重要(也称为Gini importance)。
- max_features_ : max_feature的推断值。
- n_classes_ : 给出了分类的数量。
- n_features_ : 当执行fit后，特征的数量。
- n_outputs_ : 当执行fit后，输出的数量。
- tree_ : 一个Tree对象，即底层的决策树。
[x] 方法
- fit(X,y) : 训练模型。
- predict(X) : 用模型预测，返回预测值。
- predict_log_proba(X) : 返回一个数组，数组元素依次为X预测为各个类别的概率值的对数值。
- predict_proba(X) : 返回一个数组，数组元素依次为X预测为各个类别的概率值。
- score(X,y) : 返回在(X,y)上预测的准确率(accuracy)。

3. 贝叶斯分类器

朴素贝叶斯算法

输入
- 训练集 $T= {(x_1,y_1),(x_2,y_2),...,(x_N,y_N)}$ , $x_i=(x_i^{(1)},x_i^{(2)},...,x_i^{(n)})^T$ , $x_i^{(j)}$ 为第i个样本的第j个特征，其中 x(j)i∈{ aj1,aj2,...,ajsj}

最低0.47元/天解锁文章

关注

12
点赞
踩
98

收藏

觉得还不错? 一键收藏
5
评论
Scikit-Learn各算法详细参数速查手册(中文)

Scikit-Learn各算法详细参数速查手册(中文)martinScikit-Learn各算法详细参数速查手册中文线性模型1 线性回归2 线性回归的正则化21 Lasso回归L1正则22 岭回归L2正则23 ElasticNet弹性网络正则3 逻辑回归4 线性判别分析决策树1 回归决策树2分类决策树贝叶斯分类器1 高斯贝叶斯分类器2 多项贝叶斯分类器3 伯努利贝叶斯分
复制链接

扫一扫

专栏目录

评论 5

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。