#bin(c)#打印二进制数

bin（c&b）

bin（c^b）亦或，相同是0，不相同是1

左移相当于*2右移相当于/2

a==3

a<<3

#字符串拼接

“3”+“2”==“32”

【10，20，30】+【5，10，100】=【10 20 30 5 10 100】

#乘法

“sxt”*3 =sxtsxtsxt

【10，20，30】*2=【10，20，30，10，20，30】

io.StringIO 可变符号串

例如：

s = 'hello.sxt'

import io

sio = io.StringIO(s)

sio

a='abcdfehunlnklnaskdkl'

a[1:5]

a[-5:]

del 变量名  #删除

算法的五大特性：输入、输出、有穷性、确定性、可行性

1.安装与开发环境

• 安装python时候可开放所有权限
• 勾选环境变量选项
•  

阿斯蒂芬

支持向量机的分类方法，是在这组分布中找出一个超平面作为决策边界，使模型在数据上的 分类误差尽量接近于小，尤其是在未知数据集上的分类误差（泛化误差）尽量小。

决策边界一侧的所有点在分类为属于一个类，而另一侧的所有点分类属于另一个类。如果我们能够找出决策边界， 分类问题就可以变成探讨每个样本对于决策边界而言的相对位置。比如上面的数据分布，我们很容易就可以在方块 和圆的中间画出一条线，并让所有落在直线左边的样本被分类为方块，在直线右边的样本被分类为圆。如果把数据 当作我们的训练集，只要直线的一边只有一种类型的数据，就没有分类错误，我们的训练误差就会为0。

但是，对于一个数据集来说，让训练误差为0的决策边界可以有无数条。

支持向量机（SVM，也称为支持向量网络），是机器学习中获得关注最多的算法没有之一。它源于统计学习理论， 是我们除了集成算法之外，接触的第一个强学习器。它有多强呢？

从实际应用来看，SVM在各种实际问题中都表现非常优秀。它在手写识别数字和人脸识别中应用广泛，在文本和超 文本的分类中举足轻重，因为SVM可以大量减少标准归纳（standard inductive）和转换设置（transductive settings）中对标记训练实例的需求。同时，SVM也被用来执行图像的分类，并用于图像分割系统。。除此之外，生物学和许多其他科学都是SVM的青睐者，SVM现在已经广泛被用于蛋白质分类，现 在化合物分类的业界平均水平可以达到90%以上的准确率。在生物科学的尖端研究中，人们还使用支持向量机来识 别用于模型预测的各种特征，以找出各种基因表现结果的影响因素。

从学术的角度来看，SVM是最接近深度学习的机器学习算法。线性SVM可以看成是神经网络的单个神经元（虽然损 失函数与神经网络不同），非线性的SVM则与两层的神经网络相当，非线性的SVM中如果添加多个核函数，则可以 模仿多层的神经网络。

提升：

梯度提升

类方法：从属于“类对象”的方法，格式如下：

          @classmethod

           def  类对象(cls,[,形参列表])：

                 函数体

要点如下：

（1）@classmathod必须位于方法上面一行

（2）第一个cls必须有；cls指的就是“类对象”本身；

（3）调用类方法格式：“类名.类方法名（参数列表）”，不需要给cls传值。

类对象

实例方法(从属于实例对象)

def 方法名（self,[形参列表]）：

       函数体

实例属性：从属于实例对象，也成为实例变量。

（1）实例属性一般在__init__()方法中通过如下代码定义：

          self.实例属性名=初始值

（2）在本类的其他实例方法中，也是通过self进行访问：

          self.实例属性名

（3）创建实例对象后，通过实例对象进行访问：

         obj01=类名()         #创建对象，调用__init__()初始化属性

          obj01.实例属性名=值    #可以给已有属性赋值，也可以新加属性

构造函数__init__():初始化实例对象的实例属性。

Python对象包含三个部分=id、type、value

只要是类中的方法参数第一个都是self，通过类名()来调用构造函数

对象的进化

面向对象

Python支持面向过程、面向对象、函数式编程等多种编程范式。

LEGB规则

Local:函数或者类的方法内部

nonlocal关键字

nonlocal 用来声明外部的局部变量

global 用来声明全局变量