#matplotlib中的小技巧
1.无法显示中文和负号(乱码)
#coding:utf-8
import matplotlib.pyplot as plt
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号plt.rcParams['axes.unicode_minus']=False #用来正常显示负号#有中文出现的情况,需要u'内容'
2.独立数字转到one-hot
import numpy as np from keras.datasets import mnist from keras.utils import np_utils # X shape (60,000 28x28), y shape (10,000, ) (X_train,y_train),(X_test,y_test)=mnist.load_data() y_train = np_utils.to_categorical(y_train, num_classes=10) y_test = np_utils.to_categorical(y_test, num_classes=10)
print(y_train[:3]) """ [[ 0. 0. 0. 0. 0. 1. 0. 0. 0. 0.] [ 1. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 1. 0. 0. 0. 0. 0.]]#变成了one hot 形式(即哪个位置正确哪个位置就是1)
3,将二维数组用图表现出来
- import matplotlib as mpl
- import matplotlib.pyplot as plt
- import numpy as np
- data=np.clip(np.random.randn(5,5),-1,1) #生成随机数据,5行5列,最大值1,最小值-1
- fig = plt.figure()
- # 第一个子图,按照默认配置
- ax = fig.add_subplot(111)
- ax.imshow(data)
4.图像数据白化像数据预处理:在mnist的例子中,所有图像都是使用的原始像素值(从0到255)。在机器学习中,对于输入的特征做归一化(normalization)处理是常见的套路。而在图像分类的例子中,图像上的每个像素可以看做一个特征。在实践中,对每个特征减去平均值来中心化数据是非常重要的。在这些图片的例子中,该步骤意味着根据训练集中所有的图像计算出一个平均图像值,然后每个图像都减去这个平均值,这样图像的像素值就大约分布在[-127, 127]之间了。下一个常见步骤是,让所有数值分布的区间变为[-1, 1]。零均值的中心化是很重要的,等我们理解了梯度下降后再来详细解释。
数据挖掘笔记一【不定期更新】
最新推荐文章于 2021-02-27 00:42:50 发布