日常学习记录——封校期的学习日常

---

前言

每天都为自己的个人项目做一点工作，而不是集中在每个周末。——《Write Code Every Day》
这篇博客为宿舍区封控后的第一个工作日上午的学习内容总结。

---

1 继承和组合 ——《笨方法学python3》练习44

1、隐式继承：对子类的行为意味着对父类的行为。
2、显示继承：子类上的操作会覆盖父类上的操作。
3、修改前后：显示继承的特殊形式，在父类版本运行之前或之后更改行为。

1.1 示例代码1

class Parent(object):

    def implicit(self):
        print("PARENT implicit()")

    def override(self):
        print("PARENT override()")

    def altered(self):
        print("PARENT altered()")

class Child(Parent):

    def override(self):
        print("CHILD override()")

    def altered(self):
        print("CHILD, BEFORE PARENT altered()")
        super(Child, self).altered()
        print("CHILD, AFTER PARENT altered()")

dad = Parent()
son = Child()

dad.implicit()
son.implicit()

dad.override()
son.override()

dad.altered()
son.altered()

1.2 示例代码2

class Other(object):

    def override(self):
        print("OTHER override()")

    def implicit(self):
        print("OTHER implicit()")

    def altered(self):
        print("OTHER altered()")

class Child(object):

    def __init__(self):
        self.other = Other()

    def implicit(self):
        self.other.implicit()

    def override(self):
        print("CHILD, override()")

    def altered(self):
        print("CHILD, BEFORE OTHER altered()")
        self.other.altered()
        print("CHILD, AFTER OTHER altered()")

son = Child()

son.implicit()
son.override()
son.altered()

2 XGBoost分类算法

2.1 参考文献

1、基本原理和实现代码：机器学习集成学习之XGBoost（基于python实现）。
2、XGBoost库安装命令pip install -i https://pypi.tuna.tsinghua.edu.cn/simple xgboost：python安装xgboost的方法。

2.2 实例代码

基于XGBoost算法的鸢尾花三分类模型实例：

from sklearn.datasets import load_iris
import xgboost as xgb
from xgboost import plot_importance
from matplotlib import pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score  # 准确率

# 加载样本数据集
iris = load_iris()
X, y = iris.data, iris.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=123456)  # 数据集分割

# 算法参数
params = {
    'booster': 'gbtree',
    'objective': 'multi:softmax',
    'num_class': 3,
    'gamma': 0.1,
    'max_depth': 6,
    'lamda': 2,
    'subsample': 0.7,
    'colsample_bytree': 0.75,
    'min_child_weight': 3,
    'slient': 0,
    'eta': 0.1,
    'seed': 1,
    'nthread': 4,
}

plst = list(params.items()) # 由于版本更新这个是需要注意的

dtrain = xgb.DMatrix(X_train, y_train, feature_names=iris.feature_names)  # 生成数据格式，不加feature_names图表显示就是f0-f3

num_rounds = 500
model = xgb.train(plst, dtrain, num_rounds)  # sgboost模型训练

# 对测试集进行预测
dtest = xgb.DMatrix(X_test, feature_names=iris.feature_names)
y_pred = model.predict(dtest)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("accuarcy：%.2f%%" % (accuracy * 100.0))

# 显示重要特征
plot_importance(model)
plt.show()

2.3 运行结果

分类准确率为96.67%，重要分类特征如下所示，也就只有4个特征属性。

3 Use Brain Every Day

参考文献：编程每一天（Write Code Every Day）。

3.1 John Resig的规则 —— Write Code Every Day

1. 每天编写代码。可以撰写文档、博客或者做其他任何事情，但必须在写完代码以后；
2. 代码必须可用。无需调整缩进，无需重新格式化，尽可能无需重构；
3. 所有代码必须在午夜写完。
4. 代码必须开源在GitHub上。

3.2 锂盐块的规则 —— Use Brain Every Day

1. 每天活动一下脑子。
   可以是看别人的代码然后绘制自己理解版本的流程图；
   可以是写自己那还不成熟程序的文档；
   可以是敲一遍别人成熟的代码；
   只要在思考，在动脑筋就行。

2. 尽可能写读书笔记，要留痕。包括但不局限于：
   读书笔记，摘抄别人论文或者博客里面的内容；
   思路文档：问题记录；
   录制视频：过程记录；
   情绪抽离去观察自己的学习状态。

3. 思路系统化。
   组会汇报；
   文档汇报；
   随便抓个人当我的思路梳理者；
   博客分享。

---

总结

平凡的脚步，也可以走完伟大的行程。

1、今天把不感兴趣、一直完成不了的练习43给跳过去了，直接跳到练习44，还可以，能有输出，至于理解的对不对，那就再慢慢学了，反正要继续深入的话总有一天还会绕回到这个问题上去理解他。

2、搞了一点新东西，尝试了一下XGBoost，不过原理啥的还没有仔细看过，秉承一贯的作风跑起来再说；

3、模仿是我的强项，但必须得了解自己的需求再去对标合适的人和流程，不能什么都要，而且有的东西必须要突破自己的心理障碍，去干碎它，一点点地去瓦解它。给时间一点时间。