村头陶员外的博客

元素：数据中最小单位样本：大型数据集中一个子集总体：一个大型数据集NNN（或者nnn）：一般用NNN表示总体规模，nnn表示样本规模随机抽样：从总体中抽取元素到子集中分层抽样：对总体分层，并在每层中做随机抽样样本偏差：样本对总体作出了错误的估计xˉ\bar{x}xˉμ\muμ样本统计量：对抽取自大规模总体中的样本做计算，所得到的一些度量值，比如均值，方差等统计量数据分布：单个元素在数据集上的频数分布。

本篇博文主要总结下机器学习中，利用python进行编程，必须知道，必须掌握，但是往往又忽视的一些知识点。标准Python的列表(list)中，元素本质是对象。 如：L = [1, 2, 3]，需要3个指针和三个整数对象，对于数值运算比较浪费内存和CPU。 因此，Numpy提供了ndarray(N-dimensional array object)对象：存储单一数据类型的多维数组。使用array创

我们在学习机器学习算法时，经常需要对比不同的算法在不同的数据集上表现好坏，需要有按照不同的需求来自定义的生成一些数据集。本篇博文将总结python里面一些用来数据生成的包。最简单的等差数据和等比数据＃ 如果生成一定规则的数据，可以使用NumPy提供的专门函数 ＃ arange函数类似于python的range函数：指定起始值、终止值和步长来创建数组 ＃ 和Python的range类似，arang

在机器学习中，我们常常需要处理各式各样的数据，其中向量形式，矩阵形式的数据是经常遇见的。同时又经常需要对两个或者多个向量形式，矩阵形式的数据做元素级的操作处理。通常最简单无脑的办法就是用循环对数据一个个的进行处理。显然这种处理方式不仅费时费力而且写出来的代码给人感觉很繁琐。既然数据呈向量或者矩阵形式，为什么我们不把这种形式很好的加以利用呢？要知道矢量化的运算要比等价的纯python快上一两个数量级甚