Python机器学习笔记三

1.Bagging

（1）原理举例：

1.假设有1000个样本，70%的样本作为训练集，30%的样本作为测试集。

2.从训练集700条里样本随机抽出500条样本，用来训练，于是生成了一条决策树。

3.然后有放回的再从700条样本在随机抽出500条样本，用来训练，于是又生成了一条决策树

4.同上，假设我以又放回的步骤随机抽取100次，这样我就生成了100条决策树了

5.这100条决策树对测试集的每一个样本都进行测试，然后通过投票的方式决定测集样本的预测结果。

如果一个样本被这100条决策树投票，即预测分类，被分为1的票数有80票，被分为0的有20票，显然，这个样本的预测结果为1。

（2）基本参数

1.base_estimator ：基本的估计器，就是你要用到的算法，如果该参数没有赋值，默认为决策树。

2.n_estimators：基本估计器的个数，就是你要产生多少个子模型，用在决策树时，即表示产生多少条决策树用来融合。

3.max_samples ：从X（训练集）中选取用于训练的样本数，默认为1.0，此处有点疑问。

max_samples的值取int 型时为抽取样本的数目，取float型时为 max_samples的值乘以样本的总数

补充知识：1.set() 函数创建一个无序不重复元素集

                 2.list.remove(obj)

                   3.  inplace=True：不创建新的对象，直接对原始对象进行修改；
                inplace=False：对数据进行修改，创建并返回新的对象承载其修改结果。

参考链接：https://blog.csdn.net/zenghaihong/article/details/53247100

2.numpy.ravel() 和 numpy.flatten()

numpy.flatten()返回一份拷贝

numpy.ravel()返回视图

x = np.array([[1, 2], [3, 4]])
x
array([[1, 2],
       [3, 4]])

x.ravel()
array([1, 2, 3, 4])

x.ravel('F')
array([1, 3, 2, 4])

参考链接：https://blog.csdn.net/lanchunhui/article/details/50354978

                https://docs.scipy.org/doc/numpy/reference/generated/numpy.ravel.html

3.plt.gca().set_aspect("equal")

首先一幅Matplotlib的图像组成部分介绍。

在matplotlib中，整个图像为一个Figure对象。在Figure对象中可以包含一个或者多个Axes对象。每个Axes(ax)对象都是一个拥有自己坐标系统的绘图区域。所属关系如下：

当我们调用plot时，matplotlib会调用gca()获取当前的axes绘图区域，而且gca反过来调用gcf()来获得当前的figure。

在pyplot模块中，许多函数都是对当前的Figure或Axes对象进行处理，比如说：plt.plot()实际上会通过plt.gca()获得当前的Axes对象ax，然后再调用ax.plot()方法实现真正的绘图

ax=plt.gca()之后通过ax可以设定主刻度和副刻度ax.xaxis.set_major_locotor(MultipleLocator(float))  ...set_minor_locator(y轴上的修改为y即可)；除了刻度，x轴和y轴上对于同一个区间，可能长度不同，即axes per unit length可能不等，这时需要一句话搞定ax.set_aspect("equal")

参考链接：https://www.cnblogs.com/nju2014/p/5620776.html

              https://www.cnblogs.com/ymjyqsx/p/7390288.html

              https://blog.csdn.net/moodytong/article/details/7789905

4.sklearn中 fetch_lfw_people安装失败问题

参考链接：https://blog.csdn.net/pyufftj/article/details/79756327

                  https://stackoverflow.com/questions/45694799/valueerror-min-faces-per-person-70-is-too-restrictive