实训小结（4）

今天已经实训结束了，得个空闲的时候将之前没上传的笔记上传
**

3.8 学习随机数的原理

**
随机数
随机数其实是伪随机数，这些数其实是有规律的

seed()种子（初始值） ——> 随机数生成器（算法）——>返回两样东西（随机数，生成下一个随机数的种子）
这个种子用来再继续生成新的随机数

while(num<5):
    np.random.seed(1)
    print(np.random.random())
    num+=1

生成相同的随机数，每次的随机种子都是1，相同的初始值，最后生成的是相同的随机数

num1=0
np.random.seed(2)
while(num1<5):
    print(np.random.random())
    num1+=1

第一次循环的时候，使用的是自己定义的种子，后面的循环是随机数生成器自己生成的新种子

总结：
1.伪随机数并不是假随机数，这里的“伪”是有规律的意思，就是计算机产生的伪随机数既是随机的又是有规律的。

2.随机种子来自系统时钟，确切地说，是来自计算机主板上的定时/计数器在内存中的记数值。

3.随机数是由随机种子根据一定的计算方法计算出来的数值。所以，只要计算方法一定，随机种子一定，那么产生的随机数就不会变。也就是说，伪随机数也是某种对应映射的产物，只不过这个自变量是系统的时间而已

4.如果你每次调用srand()时都提供相同的种子值，那么，你将会得到相同的随机数序列

**

3.9 对预测模型了解

**

一、梯度提升回归：GBR (Gradient boosting regression)
LSTM：长短期记忆网络

二、关于re模块的group中数字的含义

import re
str = 'say hello world! hello python'
pattern = re.compile(r'(?P<first>hell\w)(?P<symbol>\s)(?P<last>.*ld!)') # 分组，0 组是整个 hello world!, 1组 hello，2组 ld!
search = re.search(pattern, str)
print('group 0:', search.group(0)) # 匹配 0 组，整个字符串
print('group 1:', search.group(1)) # 匹配第一组，hello
print('group 2:', search.group(2)) # 匹配第二组，空格
print(search.group('first'))

0 表示整个字符串，1表示第一组，。。。

关于正则表达式中^的用法
用法一：限定开头，^在[]外面代表是为首
/^A/会匹配"An e"中的A，但是不会匹配"ab A"中的A
用法二：^在[]里面代表是非
[^a-z\s]会匹配"my 3 sisters"中的"3" 这里的”^”的意思是字符类的否定，上面的正则表达式的意思是匹配不是（a到z和空白字符）的字符。

编程常识：
一、不带括号时，调用的是这个函数本身 ，是整个函数体，是一个函数对象，不须等该函数执行完成
二、带括号（参数或者无参），调用的是函数的执行结果，须等该函数执行完成的结果

TensorFlow程序典型的分为两个部分
第一部分创建计算图，构建阶段：建立表示机器学习的模型和计算图，需要去训练模型的计算图
第二部分执行阶段，通常执行Loop循环重复训练步骤，每一步训练小批量数据，逐渐改善模型的参数

**

3.10 以波士顿房价的例子，继续对模型学习

**
波士顿房价的影响因子：
CRIM：城镇人均犯罪率。
ZN：住宅用地超过 25000 sq.ft. 的比例。
INDUS：城镇非零售商用土地的比例。
CHAS：查理斯河空变量（如果边界是河流，则为1；否则为0）。
NOX：一氧化氮浓度。
RM：住宅平均房间数。
AGE：1940 年之前建成的自用房屋比例。
DIS：到波士顿五个中心区域的加权距离。
RAD：辐射性公路的接近指数。
TAX：每 10000 美元的全值财产税率。
PTRATIO：城镇师生比例。
B：1000（Bk-0.63）^ 2，其中 Bk 指代城镇中黑人的比例。
LSTAT：人口中地位低下者的比例。
MEDV：自住房的平均房价，以千美元计。

住宅用地超过 25000 sq.ft. 的比例，住宅平均房间数，每 10000 美元的全值财产税率，辐射性公路的接近指数对房价的影响因素较大

集成回归器
随机森林和提升树本质上来说都是决策树的衍生，回归树也可以衍生出回归版本的随机森林和提升树。
另外，随机森林还可以衍生出极端随机森林，其每个节点的特征划分并不是完全随机的

集成回归模型
ExtraTreesRegressor模型使用的效果较好
极端回归森林模型

第一步：读取波士顿房价数据

第二步：波士顿房价数据分割

第三步：训练数据和测试数据标准化处理

第四步：使用模型进行预测