Python深入浅出总结~

一、概要

1.有监督学习：通过现有训练数据集进行建模，再用模型对新的数据样本进行分类或者回归分析的机器学习方法。

2.无监督学习(非监督式学习)：则是在没有训练数据集的情况下，对没有标签的数据进行分析并建立合适的模型，以便给出问题解决方案的方法。

分类和回归是有监督学习中两个常见的方法。

3.分类：机器学习的目标是对样本的类标签进行预测，判断样本属于哪一个分类，结果是离散的数值。

4.回归：其目标是要预测一个连续的数值或范围。

5.模型的泛化：在有监督学习中，我们会在训练数据集上建立一个模型，之后把这个模型用于新的，从未见过的数据中，这个过程称为模型的泛化。

6.过拟合：如果我们在训练数据集上使用了一个非常复杂的模型，以至于这个模型在拟合训练数据集时表现非常好，但是在测试数据集时的表现非常差，说明模型出现了过拟合的问题。

7.欠拟合：如果模型过于简单，连训练数据集的特点都不能完全考虑到的话，那么这样的模型在训练数据集和测试数据集的得分都会非常差，则说明模型出现了欠拟合的问题。

二、Python所用库的介绍

1.Numpy——基础科学计算库：是一个python中非常基础的用于进行科学计算的库，它的功能包括高维数组计算、线性代数计算、傅里叶变换以及生成伪随机数等。

2.Scipy——强大科学计算工具集：是一个python中用于进行科学计算的工具集，它有很多功能，如计算统计学分布、信号处理、计算线性代数方程等。

3.pands——数据分析的利器：是一个python中用于进行数据分析的库，它可以生成类似Excel表格式的数据表，而且可以对数据表进行修改操作。它可以从很多不同种类的数据库中提取数据，如SQL数据库、Excel表格甚至SCV文件。pandas还支持在不同的列中使用不同类型的数据，如整数型、浮点数、字符串。

4.matplotib——画出优美的图形：是一个python的绘图库，它以各种硬拷贝格式和跨平台的交互环境生成出版质量级别的图形，它能够输出的图形包括折线图、散点图、直方图等。

5.scikit-learn——非常流行的python机器学习库：建立在Scipy基础上的用于机器学习的Python模块，它包含众多顶级机器学习算法，主要有六大类的基本功能，分别是分类、回归、聚类、数据降维、模型选择和数据预处理。（它拥有活跃的用户社区，里面有各种详尽的文档供用户参考，可以通过阅读用户指南以及文档，来对其算法的使用有更充分了解。

三、K最近邻算法——近朱者赤，近墨者黑

K最近邻算法是一个非常经典而且原理十分容易理解的算法，可用分类和回归，但是K最近邻算法在实际使用中会有很多问题，列如它需要对数据集认真地进行预处理、对规模超大的数据集拟合的时间较长、对高位数据集拟合欠佳、以及对稀松数据集束手无策等。
所以在当前的各种应用场景中，K最近邻算法的使用并不多见。

四、广义线性模型——“耿直”的算法模型

线性模型是使用输入数据集的特征的线性函数进行建模，并对结果进行预测的方法。
常用的线性模型包括；线性回归、岭回归、套索回归、逻辑回归和线性SVC等。

五、朴素贝叶斯——打雷啦，收衣服啦

朴素贝叶斯算法是一种基于贝叶斯理论的有监督学习算法。该算法不用考虑样本特征之间的关系，认为样本特征之间是互相独立的，因而朴素贝叶斯分类器的效率是非常更高的。在scikit-learn中包含三种算法：贝努利朴素贝叶斯、高斯贝叶斯、多项式朴素贝叶斯。

六、决策树与随机森林——会玩读心术的算法

决策树：优点是可以将模型进行可视化(使用graphviz库)，几乎不需要对数据进行预处理。缺点