回归>>>均方误差MSE

随机森林>>>分类器比较好用吗?

random_state是不同的特征作为初始的节点来产生的不同的树,所以需要不同的特征

袋装法,有放回的随机抽样技术

n个样本组成的自助集

bootstrap>>默认为True

袋外数据(out of bag data,简写为oob)

criterion 不纯度的衡量指标

有基尼系数和信息熵,信息熵的增益

n_estimators 这是森林中树木的数量,基评估器的数量,default-10

实例化-交叉验证

波动本质上是一样的,  但集成算法压倒性的强

集成算法

调参曲线,交叉验证,网格算法    调参方法

base estimator 基评估器

boosting 结合弱评估器一次次对难以评估的对象进行攻克

对特征提问得出决策规则-决策树

Step 2：预处理

Step 1：创建自定义数据集

w = torch.rand(16, 3, 5, 5)

= (ker_num, input_channel, ker_size, ker_size)

Input_channels:

• 黑白：1
• 彩色：3

Stocastic: 随即筛选样本

val_set: for detecting overfitting

torch.nn.function

.matmul() 取后两维相乘

unsqueeze:

正：在之前插入

负：在之后插入

.index_select(0, [0, 2])

torch.tensor([2., 3.2])

torch.FloatTensor(2, 3)

Unintialized: 未初始化的tensor

增强学习一般用 DoubleTensor

degree：默认为2，输入的整数越大，升入的维度越高

ordinal：会返回一列特征

几何概率：与构成事件的长、面积、体积 成比例；

几何概率特点：基本事件 的无限性（抽象）、等可能性；

古典概型特点：基本事件 的有限性（具象）、等可能性；

什么是正则化路径？

不同a对应的特征向量的参数的取值所对应的矩阵

eps, n_alphas作用?帮助生成很小的a的取值

岭回归和LASSO的评估指标？岭回归是R2，LASSO是MSE

参数alpha_和alphas_？最佳a、自动生成的a

岭回归和LASSO计算交叉验证结果的区别？

ridge.cv_values_.mean(axis=0)#跨行求均值

lasso.mse_path_.mean(axis=1)#跨列求均值